Zoals beschreven in onze vorige blogberichten is de potentie van AI enorm. Om volledig gebruik te maken van de potentie van AI is het van essentieel belang dat het juiste algoritme wordt toegepast op de juiste casus, gebaseerd op de juiste data. Om deze reden zijn we onze AI reis begonnen door te kijken naar de meest beperkende factor; de data.

Tradecloud One als Data Lake

Binnen de Tradecloud omgeving worden dagelijks honderdduizenden orderberichten verstuurd en vinden er tienduizenden gebruikersinteracties plaats. Elk van deze orderberichten en interacties wordt gedreven door menselijk handelen, op basis van de informatie die (via het platform) beschikbaar is. Het hoofddoel is om uiteindelijk bestellingen zo snel mogelijk te verwerken met zo min mogelijk verstoringen voor de supply chain. 

Tradecloud biedt haar gebruikers een contextueel overzicht van orders en uitzonderingen om dit hoofddoel te bereiken. Dit overzicht is inclusief communicatie, een activiteitenstroom om mogelijke uitzonderingen inzichtelijk te maken en een efficiënte workflow om de uitzonderingen te behandelen en het resultaat automatisch te loggen in het ERP systeem. Toch zijn onze gebruikers nog steeds afhankelijk van de data die intern beschikbaar is, in combinatie met de informatie die wordt aangeleverd door de leverancier. Deze informatie is mogelijk niet altijd volledig en hoewel er patronen bestaan in het gedrag van elke koper of leverancier, wordt dit vaak niet herkend door onze gebruikers.

Door gebruik te maken van de enorme hoeveelheid data die dagelijks door Tradecloud stroomt is het makkelijk om dergelijke patronen te herkennen, vooral met tools als Machine Learning. Met behulp van deze data is het mogelijk om bijvoorbeeld betrouwbaarheidsmetingen uit te voeren voor kopers of leveranciers. Deze statistieken zijn echter een aggregatie van historische gegevens en het was voor ons niet nodig om AI te gebruiken om deze inzichtelijk te maken voor onze gebruikers. Deze enorme hoeveelheid data noemen we een ‘Data Lake’.

Van Data naar Product

Hierdoor bleven wij met de vraag achter welke toepassing van AI en ML de grootste meerwaarde kon bieden voor onze gebruikers. In onze eerste Blog Post over AI zijn we ingegaan op de verschillende toepassingen van AI in de Supply Chain. Op basis van onze data hebben we vastgesteld dat de meest bruikbare en haalbare toepassingen zouden zijn:

  •         Risicoanalyse: verstoringen in de toeleveringsketen detecteren en voorkomen
  •         Inkoopautomatisering: het automatiseren van het handmatig inkoopproces

AI experts beschrijven dat de acceptatie van AI het meest succesvol als het niet te ingrijpend is op de huidige manier van werken. AI moet toegepast worden als hulpmiddel dat aanwezig is op de achtergrond, klaar om gebruikt te worden wanneer de gebruiker dit wenst. Om deze reden hebben wij besloten om ons eerst te richten op risicoanalyses en een AI Risk Indicator te ontwikkelen.

De Risk Indicator baseert zich momenteel op de interne data om inzichtelijk te maken hoe groot de kans is dat een uitzondering op je bestelling zal plaatsvinden. De volgende stap is om onze interne data te combineren met externe data die relevant zijn voor het voorspellen van risico’s. Denk hierbij aan weersvoorspellingen of gegevens van de aandelenmarkt. Hierdoor kunnen wij vroegtijdig in het orderproces gebruikers informeren over toekomstige problemen, waardoor ze direct opgelost kunnen worden.