Логістика Кейс: Розробка автоматизація та роботизація складів для логістичної компанії     Бізнес кейс Your browser does not support the audio element.         Роздрукувати Клієнт Компанія, яка є логістичним оператором, звернулася до нас із проблемою неефективних та трудомістких процесів обробки замовлень і планування маршрутів та підвищити продуктивність на 30%+ Опис ситуації Компанія  надає послуги експрес доставки в  великих містах та прилеглих районах. Компанія має власний автопарк з 70 легкових авто та 18 вантажних автомобілів. Щоденно компанія обробляє близько 500 замовлень на доставку різноманітних вантажів – від документів до побутової техніки. Останнім часом компанія стикнулася з проблемами в логістиці через зростання кількості замовлень: Ручне планування маршрутів, що призводить до неоптимальних маршрутів і перевитрат палива Тривалий час обробки кожного замовлення через ручний ввід даних Часті помилки в обробці замовлень, що призводять до затримок доставки Скарги клієнтів через недотримання термінів доставки Для вирішення цих проблем компанія прийняла рішення про автоматизацію логістичних процесів. Планується впровадити систему оптимізації маршрутів, систему контролю замовлень в режимі реального часу, а також часткову автоматизацію обробки замовлень за допомогою RPA. Очікується підвищення швидкості обробки замовлень на 30% та зниження витрат на логістику на 10-15%. Додаткові дані: Компанія має 2 логістичні склади площею 500 м2 та 300 м2 відповідно. На складах здійснюється прийом, сортування та комплектація вантажів для доставки. Середній час зберігання вантажу на складі – 2 дні. Максимальна ємність складів – 1500 вантажних місць. Обладнання складів: стелажі, вантажні візки, конвеєр, 2 пакувальні машини. Штат складів – 12 осіб (комірники, вантажники, менеджери). Середні витрати на утримання складів – $5000 на місяць. Види вантажів – документи, побутова техніка, продукти, одяг тощо. Середня відстань доставки – 15-20 км Кількість водіїв – 60 осіб Середня витрата палива на день – $500 на день Обробка замовлень вручну – 15 хв на замовлення 5% помилок під час обробки замовлень Середній час простою через неоптимальні маршрути – 1,5 год/день – 1,5 год/день Середня вага 1 вантажу – 15 кг Максимальна вантажопідйомність 1 авто – 500 кг Середня відстань між точками доставки – 5-7 км Кількість замовлень на місяць – 15 000 Середні витрати на утримання 1 авто – $300 на місяць Витрати на зарплату водіїв – $15 000 на місяць Штрафи за недотримання термінів доставки – $200 на місяць Втрати через повернення пошкодженого вантажу – $1000 на місяць Експонат 1 Проблема Роботизована автоматизація процесів (RPA) Для автоматизації рутинних завдань обробки замовлень пропонується впровадити RPA – роботизовану автоматизацію процесів. Це дозволить скоротити час обробки замовлення до 5 хвилин та уникнути помилок при введенні даних. Інтелектуальна система оптимізації маршрутів Буде розроблена система на основі алгоритмів машинного навчання, яка дозволить оптимізувати маршрути з урахуванням реальної дорожньої ситуації. Очікується зниження перевитрат пального на 10-15%. Система контролю логістики в реальному часі Інтеграція логістичних систем з GPS-трекінгом та мобільними додатками надасть можливість контролю в режимі реального часу. Це усуне затримки та покращить якість обслуговування. Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дослідження Marrbery За результатами аналізу поточних процесів логістики компанії “Доставка” наша команда виявила можливості для їх оптимізації за допомогою сучасних технологій. Ми пропонуємо впровадити систему маршрутизації на основі штучного інтелекту. Вона дозволить автоматично будувати оптимальні маршрути з урахуванням умов дорожнього руху в режимі реального часу. Також для автоматизації обробки замовлень та усунення помилок рекомендується система RPA. Очікуваний ефект: скорочення витрат на логістику на 15% прискорення обробки замовлень у 3 рази зменшення помилок в обробці замовлень до 0% Перед впровадженням ми проведемо аудит ІТ-інфраструктури та бізнес-процесів для інтеграції систем. Також розробимо план управління змінами, щоб мінімізувати ризики та забезпечити безперебійну роботу під час переходу на нові системи. Заплановано навчання персоналу роботі з новими системами для успішного впровадження. Статистичні показники та розрахунки Для прогнозування попиту використовувалася Лінійна регресія: Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделіF-статистика Фішера = 78.6, модель значима на рівні p<0.01Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиницьЛогістична регресія: Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатностіУ моделі висока чутливість (85%) і специфічність (80%)Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделіПорівняння моделей: Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією Розробка рішення Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект . У цьому вихорі даних ми Наша гіпотеза, підкріплена ретельними розрахунками та аналітикою. На основі проведеного аналізу та виявлених можливостей для оптимізації, команда Marrbery запропонувала комплексне рішення, що включає наступні компоненти: Впровадження системи маршрутизації на основі штучного інтелекту для побудови оптимальних маршрутів доставки з урахуванням реальної дорожньої ситуації. Впровадження RPA для автоматизації рутинних операцій з обробки замовлень, усунення людського фактору. Розробка мобільного додатку для кур’єрів з інтеграцією навігації та можливістю швидкого обміну даними. Інтеграція логістичних систем з GPS-моніторингом та ERP компанії для

Технології Кейс: Впровадження RPA в банку     Бізнес кейс Your browser does not support the audio element. Роздрукувати Клієнт Клієнт один із провідних банків України з мережею з 300 відділень по всій країні. Банк надає повний спектр фінансових послуг як для фізичних, так і для юридичних осіб. Клієнтська база банку налічує понад 800 000 + клієнтів. Опис ситуації Компанія виявила серйозні проблеми у зв’язку з великою кількістю ручної роботи, особливо в обробці документів. Це спричиняло численні помилки, затримки та скарги клієнтів. Крім того, витрати на утримання великого штату працівників були значними. У відповідь на ці виклики, була розроблена стратегія автоматизації рутинних процесів у банку. Головна мета полягала у підвищенні продуктивності та зниженні кількості помилок. Шлях досягнення цієї мети включав в себе впровадження передових технологій та оптимізацію робочих процесів. Після реалізації цієї стратегії, банк зафіксував помітне покращення продуктивності, а також значний зріст клієнтської задоволеності. Крім того, витрати на утримання персоналу значно знизилися, що дозволило вирішити проблему витрат та ефективно використовувати ресурси компанії.  Додаткові дані: Банк обробляє понад 1 млн транзакцій щодня 600 працівників зайнято на ручній обробці даних Середній час відкриття рахунку – 2 дні, ціль – 20 хвилин Щорічні витрати на утримання ІТ та обробки даних – $25 млн 10% клієнтів подають скарги через повільну обробку даних Впровадження нового продукту займає в середньому 3-4 місяці Обробка одного документа в середньому займає 15 хвилин Ціль – скоротити ручну обробку даних на 80%                                           Експонат 1 Проблема 80% операцій відкриття рахунків виконувалось вручну, що займало до 3 днів на клієнта Понад 50K документів щодня оброблялись вручну операціоністами Через людський фактор при ручній обробці рівень помилок сягав 10% Витрати на утримання штату з обробки даних становили понад $5 млн на рік Через затримки з обробкою транзакцій рівень скарг клієнтів зріс на 20% за останній рік Час виходу нових продуктів на ринок збільшився через тривалі процеси верифікації даних Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення  RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дослідження Marrbery Наша команда провела ґрунтовний аналіз існуючих в банку процесів, щоб визначити можливості для оптимізації за допомогою RPA: Аудит та вимірювання всіх ключових бізнес-процесів в банку Аналіз рівня автоматизації процесів та використання робочого часу персоналу Оцінка вартості ручних операцій по обробці документів та даних Визначення пріоритетних процесів для автоматизації на основі обсягів та вартості Бенчмаркінг кращих практик RPA в фінансовій сфері Розробка концепції цільової операційної моделі банку на основі RPA Таке комплексне дослідження дозволило нам отримати необхідні дані для проектування оптимального рішення по впровадженню RPA для клієнта. Статистичні показники та розрахунки Для прогнозування попиту використовувалася Лінійна регресія:Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделіF-статистика Фішера = 78.6, модель значима на рівні p<0.01Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиницьЛогістична регресія: Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатностіУ моделі висока чутливість (85%) і специфічність (80%)Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделіПорівняння моделей: Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією Мета Автоматизація ручних рутинних процесів за допомогою RPA для підвищення операційної ефективності банку Впровадження роботизованої автоматизації процесів для оптимізації обробки даних та скорочення витрат банку Побудова цифрової платформи автоматизації на базі RPA для трансформації операційної моделі банку Підвищення продуктивності обробки даних в 2 рази за допомогою впровадження роботизованої автоматизації Скорочення на 70% ручної праці в ключових бізнес-процесах банку шляхом впровадження RPA Прискорення обробки документів в 3 рази та зменшення помилок на 50% завдяки впровадженню цифрових  Розробка рішення Розробка рішення Після визначення проблеми та її масштабу, наступним кроком є розробка рішення для її вирішення. У випадку з банком, це означає розробку плану впровадження RPA. План впровадження RPA повинен включати такі основні етапи: Аналіз існуючих процесів Визначення пріоритетних процесів для автоматизації Розробка роботів Впровадження роботів Підтримка та обслуговування роботів  Аналіз існуючих процесів На першому етапі необхідно провести аналіз існуючих процесів, щоб визначити їхню придатність для автоматизації. Цей аналіз включає в себе такі завдання: Вимірювання обсягів та вартості ручних операцій Аналіз рівня автоматизації процесів Визначення проблем та викликів, пов’язаних з ручними процесами Визначення пріоритетних процесів для автоматизації На другому етапі необхідно визначити пріоритетні процеси для автоматизації. При цьому необхідно враховувати такі фактори, як: Обсяг ручних операцій Вартість ручних операцій Рівень впливу на бізнес Можливість автоматизації Розробка роботів На третьому етапі необхідно розробити роботів для автоматизації пріоритетних процесів. Цей процес включає в себе такі завдання: Визначення сценаріїв роботи роботів Розробка коду роботів Тестування роботів Впровадження роботів На четвертому етапі необхідно впровадити роботи в реальне середовище. Цей процес включає в себе такі завдання: Налаштування роботи роботів Навчання персоналу роботів Перехід на роботу з роботами Підтримка та обслуговування роботів На п’ятому етапі необхідно забезпечити підтримку та обслуговування

Фармацевтика Кейс: Підвищення конкурентоспроможності фармацевтичного виробництва     Бізнес кейс Your browser does not support the audio element.             Роздрукувати Клієнт Компанія Фарма – провідний виробник лікарських препаратів та медичних виробів. Щорічний обсяг виробництва становить 2 млн упаковок продукції на суму $50 млн. Опис ситуації Компанія стикнулася з проблемами зростаючих витрат, застарілості виробничих процесів та посиленням конкуренції. Це призвело до зниження рентабельності та втрати частки ринку. Компанія поставила перед Marrbery амбітне завдання – розробити комплексну стратегію трансформації операційної діяльності для досягнення стійкої конкурентної переваги на фармринку. Наша команда приступила до ретельного аналізу ситуації та розробки інноваційних рішень щодо оптимізації, автоматизації та цифровізації виробництва і бізнес-процесів ФармЕко. Метою було досягти якісного стрибка в ефективності та конкурентоспроможності компанії. Додаткові дані: Обсяг виробництва – 5 млн упаковок лікарських препаратів на рік Виручка – $45 млн в рік Кількість персоналу – 560 осіб Виробничі потужності – 3 заводи в різних регіонах країни Частка експорту – 20% від загального об’єму Основні ринки – Україна, країни ЄС, Близького Сходу Ключові конкуренти – ФарmТех, ФармЕфект, Рамефарм Витрати на логістику складають 15% від виручки Витрати на утримання складів  та обладнання $2 млн на рік 60% обладнання має термін експлуатації понад 10 років Експонат 1 Проблема Високі операційні витрати через застарілість виробничих активів та неефективність процесів Недостатній рівень автоматизації та цифровізації виробництва Тривалий цикл виробництва і виведення нової продукції на ринок Неефективна система планування та управління ланцюгом постачання Відсутність комплексного підходу до управління якістю продукції Недостатні інвестиції в НДДКР для розробки інноваційних препаратів Втрата частки ринку через неконкурентоспроможну цінову політику Застаріла система мотивації персоналу, що гальмує підвищення продуктивності Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дослідження Marrbery На етапі дослідження наша команда провела: Бенчмаркінг кращих практик автоматизації на фармвиробництвах Аудит виробничих потужностей Фарми для виявлення “вузьких місць” Аналіз норм витрат сировини та матеріалів для оптимізації Оцінку потенціалу цифровізації та впровадження прогресивних технологій Картування поточних бізнес-процесів і виявлення неефективних операцій Аналіз ланцюга постачання та можливостей його оптимізації Дослідження кращих HR-практик для підвищення мотивації персоналу Порівняльний аналіз циклу розробки нової продукції з конкурентами Вивчення тенденцій попиту та пропозиції на фармринку Статистичні показники та розрахунки Для прогнозування попиту використовувалася Лінійна регресія:Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделіF-статистика Фішера = 78.6, модель значима на рівні p<0.01Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиницьЛогістична регресія: Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатностіУ моделі висока чутливість (85%) і специфічність (80%)Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделіПорівняння моделей: Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією Мета Зниження виробничих витрат на 20% Скорочення TIME-TO-MARKET на 30% Підвищення продуктивності праці на 25% Зростання частки ринку на 5% Розробка рішення Наша команда запропонувала комплексну стратегію трансформації, що включає наступні ключові ініціативи: Модернізація виробничих активів шляхом закупівлі сучасного обладнання та автоматизованих ліній. Це дозволить підвищити продуктивність, знизити брак та витрати на утримання устаткування. Впровадження MES та IIoT для автоматизації збору даних, контролю якості та оптимізації ТП. Буде застосовано передовий досвід машинного навчання та прогнозної аналітики. Оптимізація ланцюга постачання на основі моделювання та аналізу даних з використанням платформи SCOR. Реінжиніринг складських та транспортних процесів. Розгортання програми бережливого виробництва та ТРМ для виявлення і усунення неефективних операцій, зниження запасів та термінів простоїв. Впровадження CRM-системи та digital-інструментів для автоматизації маркетингу, продажів та сервісу. Підвищення лояльності клієнтів. Ми використаємо передові методології впровадження змін, ризик-менеджмент та KPI для успішної реалізації стратегії та досягнення цільових результатів. Дерево рішень Критерії оцінки: Продуктивність праці Гнучкість виробництва Витрати на впровадження Час окупності Відповідність GMP Альтернативи: Мехатронні модульні лінії Класична автоматизація на базі ПЛК і SCADA Гібридне рішення з використанням промислових роботів Комплексна автоматизація з MES та IIoT Аналіз: Висока продуктивність, але обмежена гнучкість, високі витрати Низькі початкові витрати, але обмежені можливості масштабування Гнучкість за рахунок роботів, але висока вартість впровадження Максимальна віддача, але великі початкові інвестиції та складність Рішення: Комплексна автоматизація (4) з фазовим впровадженням та пілотними проектами. Додаткові технічні деталі розв’язання Для прогнозування попиту використовувалася багатофакторна модель машинного навчання на основі лінійної регресії. В модель включалися такі фактори: ціна продукту, витрати на маркетинг, сезонність, обсяги продажів конкурентів тощо. Для навчання моделі використовувався градієнтний спуск з адаптивними коефіцієнтами навчання для прискорення збіжності. Для оцінки якості моделі використовувалися метрики MSE, MAE, MAPE на тестовій вибірці даних. Значення цих метрик порівнювалися з базовим прогнозом. Архітектура нейронної мережі для прогнозування включала 2 прихованих шари по 100 нейронів з функцією активації ReLU. Оптимізація здійснювалася за допомогою алгоритму Adam. Додаток 1 Наш аналіз показує, що з огляду на високу матеріаломісткість цих напрямків і волатильність цін на сировину і матеріали, компаніям доведеться оптимізувати витрати, впроваджувати передові технології, автоматизувати процеси для підвищення ефективності. Розрахунок ефекту від впровадження Вихідні дані: Обсяг виробництва – 5

Пакування Кейс : Розробка інноваційної екологічної упаковки     Бізнес кейс Your browser does not support the audio element.         Роздрукувати Клієнт Виробник упаковки – має за мету розробити та впровадити більш екологічно безпечну та стійку упаковку для своїх продуктів. Головною метою є зменшення негативного впливу на природне середовище та підвищення рівня відновлюваності матеріалів, які використовуються у виробництві упаковки. Опис ситуації “Клієнт — компанія є провідним виробником упаковування для різних галузей промисловості, включаючи харчову, фармацевтичну та косметичну. Щорічно її продукція перевищує 5 млн одиниць, а прибуток становить понад $15 млн. Однак, основною турботою є негативний вплив традиційного картонного паковання на навколишнє середовище та складність видалення відходів. Одночасно, споживачі та ринок дедалі більше вимагають екологічних рішень у сфері пакування, що може негативно вплинути на конкурентоспроможність компанії.” Компанія поставила MARRBERY завдання розробити більш екологічні види упакування з картону, які відповідали б принципам сталого розвитку. Додаткові дані: Частка ринку компанії – 15% від загального обсягу виробництва картонної упаковки в країні 80% продукції експортується до країн ЄС Витрати на утилізацію відходів складають $200 000 на рік Вимоги до екологічності упаковки щорічно посилюються на 10% За останні 3 роки попит на еко-упаковку зріс на 40% Цільовий показник – зменшити вуглецевий слід упаковки на 20% 60% споживачів готові платити більше за екологічну упаковку €50 млн інвестицій доступно в ЄС на проекти “зеленої” упаковки Експонат 1 Проблема Високий негативний вплив традиційної картонної упаковки на навколишнє середовище Складнощі утилізації та переробки картонних відходів Невідповідність традиційної упаковки зростаючим вимогам щодо екологічності та сталого розвитку Відставання від конкурентів, які вже впроваджують еко-упаковку Ризик втратити клієнтів, які вимагають більш екологічної упаковки Недостатні інвестиції в R&D для розробки інноваційних еко-рішень Відсутність компетенцій в сфері екологічного пакування Негативний вплив на репутацію компанії через застарілу неекологічну Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дослідження Marrbery Наша команда експертів провела ґрунтовне дослідження для вирішення Аналіз ринку екологічної упаковки та найкращих світових практик Технологічний аудит можливостей компанії для виготовлення еко-пакування Дослідження новітніх біорозкладних та вторинних матеріалів для упаковки Опитування споживачів щодо запиту на “зелену” упаковку Оцінка вуглецевого сліду та можливостей його оптимізації Аналіз законодавчих вимог та трендів в сфері екологічного пакування Бенчмаркінг кращих еко-рішень конкурентів Визначення оптимальних шляхів досягнення цілей клієнта щодо сталості Очікуваний ефект: Зменшення впливу на навколишнє середовище завдяки переходу до біорозкладних та вторинних матеріалів у виробництві упаковки. Скорочення вуглецевого сліду завдяки оптимізації процесів виробництва та використанню більш екологічних матеріалів. Підвищення конкурентоспроможності компанії завдяки виробництву екологічно чистого продукту, який відповідає сучасним стандартам та вимогам ринку. Покращення сприйняття бренду серед споживачів як екологічно відповідального виробника. Збільшення інноваційного потенціалу компанії та вихід на нові ринки, де високий ступінь екологічності є ключовим фактором вибору. Можливість отримання фінансових пільг або допомоги урядових структур для компаній, які активно сприяють екологічній безпеці та сталості. Покращення відносин з партнерами та замовниками, оскільки все більше компаній виявляють інтерес до співпраці з екологічно відповідальними виробниками. Заплановано для успішного впровадження. Розробка та тестування нових матеріалів: Проведення досліджень та експериментів для створення біорозкладних та вторинних матеріалів, що відповідають вимогам стандартів якості та безпеки. Модернізація виробничих процесів: Впровадження нових технологій та обладнання для оптимізації виробництва екологічної упаковки. Тестування на практиці: Проведення тестового виробництва та випробувань екологічної упаковки з метою перевірки її функціональності та надійності. Вивчення реакції ринку: Маркетингові дослідження та аналіз реакції споживачів на новий продукт. Запуск серійного виробництва: Початок виробництва екологічної упаковки в комерційних масштабах. Маркетинг та продаж: Розробка стратегії маркетингу та продажу нової упаковки, включаючи просування на ринку та залучення клієнтів. Моніторинг та оптимізація: Постійний контроль якості та ефективності нової упаковки, а також пошук можливостей для її подальшого вдосконалення. Статистичні показники та розрахунки Для прогнозування попиту використовувалася Лінійна регресія:Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделіF-статистика Фішера = 78.6, модель значима на рівні p<0.01Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиницьЛогістична регресія: Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатностіУ моделі висока чутливість (85%) і специфічність (80%)Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделіПорівняння моделей: Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією Мета Розробити нову 100% екологічну упаковку, що зменшить вуглецевий слід на 20%. Розробка рішення Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект . У цьому вихорі даних ми Наша гіпотеза, підкріплена ретельними розрахунками та аналітикою. На основі проведеного аналізу та виявлених можливостей для оптимізації, команда Marrbery запропонувала комплексне рішення, що включає наступні компоненти: Впровадження системи маршрутизації на основі штучного інтелекту для побудови оптимальних маршрутів доставки з урахуванням реальної дорожньої ситуації. Впровадження RPA для автоматизації рутинних операцій з обробки замовлень, усунення людського фактору. Розробка мобільного додатку для кур’єрів з інтеграцією навігації та можливістю швидкого обміну даними. Інтеграція логістичних систем з GPS-моніторингом та

Сільське господарство Кейс: Розробка стратегій для сільськогосподарського підприємства     Бізнес кейс Your browser does not support the audio element. Роздрукувати Клієнт Нашим клієнтом є компанія національний виробник рослинницької продукції з використанням технологій вертикальних ферм, звернувся до компанії Marrbery по допомогу щоб поліпшити ефективність бізнес-процесів і підвищити прибутковість 45% + Опис ситуації Компанія з вертикальною інтеграцією, що спеціалізується на вирощуванні та реалізації сільськогосподарської продукції. Контроль над усім виробничим циклом забезпечує компанію повним контролем над якістю продукції. Однак, компанія зіткнулася з деякими викликами. Неефективне управління ресурсами та низька продуктивність праці призвели до неоптимального використання ресурсів. Поточні ключові показники ефективності не відображають повну картину роботи підприємства. Логістичні витрати значно перевищують стандартні норми галузі. Для розв’язання цих проблем компанія звернулася до Marrbery. Завданням було провести глибокий аналіз діяльності компанії та розробити стратегію, спрямовану на оптимізацію бізнес-процесів і поліпшення показників ефективності.  Загальна площа сільськогосподарських угідь: 5 000 гектарів. Види продукції: зернові, овочі, плоди, молоко, м’ясо (уточніть які конкретно культури компанія вирощує). Виробничі потужності: власні сховища, склади, фермерські комплекси. Географія діяльності: регіональний ринок, постачання в сусідні регіони. Кількість співробітників: 200 осіб. Власний автопарк: 15 вантажних автомобілів. Середній річний оборот: $8 мільйонів. Кількість постійних партнерів (ресторани, магазини): 50. Застосовувані сучасні технології в сільському господарстві (наприклад: системи поливу, моніторинг погоди, автоматизовані системи удобрення).                                           Експонат 1 Проблема: Відсутність ефективного управління виробництвом і планування ресурсів Низька продуктивність праці Високі логістичні витрати Нестача KPI для оцінки діяльності Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення  RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дослідження Marrbery За результатами проведеного аналізу поточного стану бізнес-процесів компанії наша команда експертів виявила низку можливостей для оптимізації виробничої діяльності з використанням передових технологій. Ми пропонуємо реалізувати комплексну систему моніторингу та управління виробництвом на базі IIoT із застосуванням методів машинного навчання і штучного інтелекту. Впровадження розподіленої сенсорної мережі дасть змогу збирати та передавати дані з обладнання в режимі реального часу для подальшого аналізу. Розроблені алгоритми машинного навчання виявлятимуть приховані закономірності, прогнозуватимуть KPI і вироблятимуть рекомендації щодо оптимізації технологічних режимів і параметрів обладнання. Очікуваний економічний ефект від впровадження системи — підвищення продуктивності на 20-25%, зниження браку продукції на 30%, скорочення логістичних витрат на 10-15%. Перевірка сумісності пропонованих технічних рішень з наявним у замовника обладнанням та ІТ-інфраструктурою. Це дасть змогу уникнути проблем під час інтеграції та впровадження системи. Розробка детального плану управління змінами — організаційних і технологічних. План має мінімізувати ризики і забезпечити плавний перехід виробничих і бізнес-процесів на нову систему. Проведення навчання і тренінгів для співробітників замовника по роботі з впроваджуваною системою моніторингу та аналітики. Це критично важливо для успішної експлуатації системи в довгостроковій перспективі.  Статистичні показники та розрахунки Для прогнозування попиту використовувалася Лінійна регресія: Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделіF-статистика Фішера = 78.6, модель значима на рівні p<0.01Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиницьЛогістична регресія: Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатностіУ моделі висока чутливість (85%) і специфічність (80%)Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделіПорівняння моделей: Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією Розробка рішення Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект – від управління ресурсами до логістики. У цьому вихорі даних ми виділили основну проблему, до якої, як виявилося, вела неполадка в плануванні потреби в ресурсах.Наша гіпотеза, підкріплена ретельними розрахунками, була такою: впровадження ERP-системи, що володіє функціями прогнозної аналітики, матиме революційний вплив на оптимізацію планування. Ми вибрали методи з ефективністю, що зарекомендувала себе, — лінійне програмування для оптимізації ресурсів і нейронну мережу для точного прогнозування врожайності.Наступним етапом була розробка та успішне впровадження ERP-системи, заснованої на обраних математичних методах. На цьому етапі ми ретельно стежили за кожною деталлю, забезпечуючи гармонійну інтеграцію нових технологій у робочий процес компанії.І, нарешті, ми перейшли до більш глибокої фази тестування ERP-системи на реальних даних. Це дало нам змогу не тільки оцінити точність прогнозів, а й внести необхідні коригування для досягнення максимальної ефективності.Таким чином, з кожним етапом ми переконувалися в тому, що обраний шлях — впровадження ERP-системи з прогнозною аналітикою — не тільки виправдав очікування, а й приніс відчутні поліпшення в управлінні ресурсами і бізнес-процесами компанії. Дерево рішень Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект – від управління ресурсами до логістики. У цьому вихорі даних ми виділили основну проблему, до якої, як виявилося, вела неполадка в плануванні потреби в ресурсах. Наша гіпотеза, підкріплена ретельними розрахунками, була такою: впровадження ERP-системи, що володіє функціями прогнозної аналітики, матиме революційний вплив на оптимізацію планування. Ми вибрали методи з ефективністю, що зарекомендувала себе, – лінійне програмування для оптимізації ресурсів і

Харчова промисловість Кейс : Прогнозування попиту для сирного виробництва     Бізнес кейс  Your browser does not support the audio element.     Завантажити PDF Роздрукувати Клієнт Наш клієнт, компанія великий національний виробник сиру в Центральній Європі, звернувся до компанії Marrbery по допомогу через неточне прогнозування попиту на продукти компанії, яка щорічно втрачала приблизно $200 000 через надлишки псуваної продукції та дефіцит окремих позицій, що призводило до втрати продажів. Похибка прогнозних моделей становила понад 30%. Опис ситуації MSM – це провідна компанія з виробництва сирів та молочних продуктів. Вона є повністю інтегрованим підприємством, що займається виробництвом, маркетингом і продажами власних брендів сирів. Крім того, компанія володіє всім ланцюжком постачання, включно з виробництвом молочних продуктів, лабораторіями, пакувальними лініями та власною мережею розподілу продукції в торгові точки. Завдяки великим виробничим потужностям, розкиданим по різних країнах, а також дистриб’юторським угодам з найбільшими роздрібними мережами, MSM має змогу запропонувати різноманітні продукти в сегменті молочних продуктів. Наразі MSM проводить оцінку нових продуктів, таких як безлактозний сир і веганський крем-сир “Biolife”. У той час як сирні продукти зазвичай адресовані широкій аудиторії, ці нові продукти можуть зацікавити певні сегменти ринку. “Biolife” розроблено з акцентом на споживачів із непереносимістю лактози, яка є одним із найпоширеніших видів харчових непереносимостей у світі. Крім того, вегани, які виключають продукти тваринного походження зі своєї дієти, також можуть бути основною цільовою аудиторією “Biolife”. MSM очікує, що ці нові продукти зможуть скористатися зростаючою популярністю серед споживачів, орієнтованих на інклюзивний і здоровий спосіб життя.   MSM виробляє 20 видів сирів загальним обсягом 50 000 тонн на рік 60% продукції постачається в роздрібні мережі, 40% – у незалежні магазини Через помилки прогнозу щомісячні втрати становили $15-20 тис. Середня помилка прогнозу за асортиментом – 38% Дослідження Marrbery Віцепрезидент з маркетингу MSM звернувся до нас із запитом проаналізувати ключові аспекти, пов’язані з прогнозуванням і запуском продукту “Biolife”. Наше завдання — надати всебічну оцінку факторів, що впливають на успішність впровадження продукту на ринок, а також виявити внутрішні резерви компанії MSM для підтримки цього процесу. Наша команда провела такі етапи аналізу та розробки: Аналіз історії продажів: Ми детально дослідили дані про продажі за кожним продуктом і каналом розподілу за останні три роки. Це дало змогу виявити тренди та сезонні коливання попиту. Статистичні моделі прогнозування: Ми застосували сучасні статистичні методи прогнозування часових рядів, включно з ARIMA, SARIMA і Prophet. У результаті, ми досягли рівня помилки у 22%, що є прийнятним показником. Розробка системи машинного навчання: Наші експерти розробили власну систему прогнозування та планування на базі машинного навчання. Ця система дає змогу точніше прогнозувати попит на продукти, а також автоматизувати процес планування. Ця система дає змогу компанії MSM поліпшити управління попитом і оптимізувати план виробництва. Ми впевнені, що впровадження цієї системи принесе значні результати та збільшить ефективність діяльності компанії у сфері виробництва сиру.                                            Експонат 1 Наша команда розробила систему машинного навчання для прогнозування попиту, використовуючи історичні дані про продажі компанії за останні 5 років. Ми адаптували алгоритми лінійної регресії, нейронних мереж і градієнтного бустингу під особливості даних клієнта. Це дало нам змогу створити точну і надійну модель прогнозування попиту. Крім того, система успішно інтегрована з ERP компанії, забезпечуючи ефективне управління даними. Важливо зазначити, що наш підхід не тільки враховував історичні дані, а й врахував поточні тенденції ринку та особливості споживчого попиту і мультидисциплінарний підхід в аналізі та прогнозуванні даних. Розробка рішення Виявлено, що поточні прогнози ґрунтуються на суб’єктивній експертній оцінці. Це призводить до високої помилки прогнозу Ми висунули гіпотезу, що застосування моделей машинного навчання на базі фактичних даних про продажі дасть змогу значно підвищити точність прогнозування. Гіпотези: Спочатку було висунуто такі гіпотези про можливі причини помилок прогнозування: Некоректний алгоритм розрахунку прогнозу на базі експертних оцінок. Недостатня якість вхідних даних про продажі. Використання застарілого програмного забезпечення для прогнозування. Після аналізу даних і поточного підходу, було підтверджено гіпотезу No1 – проблема полягає в некоректному алгоритмі на базі суб’єктивних експертних оцінок. Для вирішення проблеми ми запропонували перейти від експертних методів до моделей машинного навчання на базі фактичних даних. Це дасть змогу значно знизити помилку прогнозування.  Словник Основні терміни Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.Прогнозування: процес оцінки майбутніх значень змінних.Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.Аналіз даних: процес збирання, оброблення та інтерпретації даних.Додаткові терміни Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів. Скорочення  RMSE: Root Mean Square Error – середньоквадратична помилка. KPI: Key Performance Indicator – ключовий показник ефективності. AI: Artificial Intelligence – штучний інтелект. ML: Machine Learning – машинне навчання. DL: Deep Learning – глибоке навчання. CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами. CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами. ERP: Enterprise Resource Planning – планування ресурсів підприємства. MRP: Material Requirements Planning – планування потреб у матеріалах. SCM: Supply Chain Management – управління ланцюгами поставок. Примітки У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних. Дерево рішень Аналіз даних: На початку проєкту було зібрано та проаналізовано дані про продажі та виробництво компанії за останні 5 років. Це включало в себе інформацію про типи сирів, обсяги продажів, регіональні особливості тощо. Виявлення проблеми: Аналіз даних показав, що поточні прогнози мають високу похибку – 38%. Це означає, що компанія регулярно помиляється в оцінках попиту. Формулювання гіпотези: Гіпотеза була сформульована таким чином: “Поточна помилка прогнозу зумовлена застарілим експертним підходом. Необхідно перейти до моделей машинного навчання.” Вибір алгоритмів машинного навчання: Для побудови моделей прогнозування було обрано алгоритми лінійної регресії, нейронних мереж і градієнтного