The Business Problem
Een van de grootste uitdagingen voor bedrijfsleiders vandaag de dag is de volatiliteit van de vraag in relatie tot het voorspellen van de vraag. Terwijl de beschikbaarheid van data blijft toenemen, worden de aankooppatronen van klanten steeds complexer en daardoor moeilijker te detecteren of te voorspellen (Symphony Retail, n.d.).
Er zijn te veel factoren die de vraag beïnvloeden, variërend van weerschommelingen tot posts van social media influencers, waardoor klanten vaak van gedachten veranderen. Erger nog, dingen die de intenties van klanten beïnvloeden, gebeuren meestal vrij onverwacht (Alexsoft, 2019). Traditionele prognoses zijn slechts zo nauwkeurig als de gegevens, modellen, middelen en mensen die ze moeten interpreteren (Symphony Retail, n.d.). Dus, hoe kan er gereageerd worden op deze uitdagingen?
The Solution
AI-powered demand forecasting
Een antwoord op de volatiliteit van de vraag is vraagvoorspelling met behulp van Artificial Intelligence. Traditioneel is het voorspellen van de vraag een vorm van predictive analytics, waarbij het proces van het inschatten van de vraag wordt geanalyseerd aan de hand van historische gegevens (Dilmegani, 2021). Met behulp van AI kunnen organisaties gebruik maken van Machine Learning algoritmes om veranderingen in de consumentenvraag zo nauwkeurig mogelijk te voorspellen. Deze algoritmes kunnen automatisch patronen herkennen, ingewikkelde relaties in grote datasets identificeren en signalen van vraagfluctuatie opvangen. Zie figure 1 voor een side-by-side vergelijking tussen traditionele en ML forecasting methodes.
Doorgaans gebruiken organisaties deze vorm van AI om inefficiënties te vermijden die worden veroorzaakt door een verkeerde afstemming van vraag en aanbod in het hele operationele proces. Dit zal nooit 100% accuraat zijn (Alexsoft, 2019). toch kan het bedrijven de mogelijkheid bieden om de supply chain kosten aanzienlijk te verlagen en verbeteringen aan te brengen in de financiële- en personeelsplanning, winstmarges en risicobeoordelingsbeslissingen (Dilmegani, 2021).
| Traditional forecasting |
Machine Learning forecasting |
|
|---|---|---|
| Ability to consider numerous variables and data sources |
Adding extra variables and sources requires substantial effort |
Multiple variables and sources can be smoothly incorporated thanks to the high level of automation |
| Volume of manual work |
High | Low |
| Amount of data required |
Small | Large |
| Maintenance complexity |
Low | High |
| Technology requirements |
Low | High |
| Best fit | Mid / long-term planning Established products Stable demand |
Short / mid-term planning New products Volatile demand scenarios |
Figure 1: vergelijking tussen traditionele en ML forecasting methodes
Source: (Alexsoft, 2019)
Voorbeeld
Een voorbeeld uit de praktijk is te vinden bij Danone Group, een Franse fabrikant van voedingsmiddelen. Danone implementeerde een machine learning systeem om betere vraagvoorspellingen te doen. Het bedrijf had behoefte aan nauwkeurigere en betere vraagvoorspellingen, vanwege de korte houdbaarheid van zijn verse producten en de sterk veranderende vraag (Brosset, et al.). Danone maakt gebruik van veel promoties en media-evenementen. Meer dan 30% van het totale volume wordt verkocht via promotionele aanbiedingen zoals kortingen en folders, waardoor de vraagvoorspellingen enigszins ad hoc zijn (Best Practice AI, n.d.).
Het geïmplementeerde machine learning systeem bij Danone, zorgde niet alleen voor betere prognoses, maar ook voor een betere planning tussen verschillende afdelingen, zoals verkoop, supply chain, financiën en marketing. Dit systeem verbeterde de efficiëntie en de voorraadbalans, waardoor Danone haar beoogde serviceniveaus voor de voorraden op kanaal- en winkelniveau kon behalen (Brosset, et al.).
Voordelen
Hieronder worden de belangrijkste voordelen benoemd die vraagvoorspelling met AI kan opleveren voor elk bedrijf in de productie-industrie:
- Verbeteringen in nauwkeurigheid na verloop van tijd: In de loop van de tijd zullen betere prognoses worden gemaakt doordat machine learning algoritmes leren van bestaande data.
- Hogere klanttevredenheid: Wanneer producten niet op voorraad zijn, zal dit de klanttevredenheid verlagen, dit terwijl de klanttevredenheid juist zal toenemen wanneer producten altijd beschikbaar zijn. Dit verbetert de klantloyaliteit en merkperceptie.
- Verbeterde personeelsplanning: Vraagvoorspelling kan de HR-afdeling ondersteunen bij het maken van efficiënte afwegingen tussen een fulltime of parttime personeelsmix, waardoor de HR-kosten en -effectiviteit worden geoptimaliseerd.
- Verbeterde markdown/discount optimalisatie: Cash-in-stock is een veel voorkomende situatie voor retailbedrijven, waarbij producten langer dan verwacht onverkocht blijven. Dit veroorzaakt vaak hogere verwachte voorraadkosten en het risico dat producten verouderd raken en hun waarde verliezen. In dit scenario worden producten verkocht tegen lagere verkoopprijzen. Met vraagvoorspelling kan dit scenario tot een minimum worden beperkt.
- Algehele efficiëntie: Met vraagvoorspelling kunnen teams zich richten op strategische zaken in plaats van te proberen voorraden en personeelsbezetting te verminderen of te verhogen (Dilmegani, 2021).
Impact
Welke concrete waarde kan AI toevoegen aan een bedrijf?
- Fouten in supply chain netwerken kunnen met 30 tot 50% worden verminderd met AI-gestuurde vraagvoorspelling.
- Magazijnkosten dalen met ongeveer 10 tot 40%.
- Het verlies in verkoop als gevolg van out-of-stock voorraad situaties kan tot 65% worden verminderd met de verbeterde nauwkeurigheid.
- In het algemeen wordt de impact van AI geschat op 1,2 tot 2 biljoen dollar in de productie en supply chain planning (Dilmegani, 2021).
Voor Danone Group heeft AI in de vraagplanning uiteindelijk geleid tot een vermindering van 30% in verloren omzet, een vermindering van 30% van de productveroudering, een vermindering van 20% van verkeerde prognoses en een vermindering van 50% van de werklast van vraagplanners (Brosset, et al.).
Toegankelijkheid en vereisten
Om machine learning te implementeren in vraagplanning en -voorspelling, wordt het ideale AI-systeem getraind met behulp van gegevens uit verschillende bronnen, zoals: weergegevens, financiële gegevens en gegevens van derden (bijvoorbeeld sociale media, historische verkoopgegevens en macro-economische gegevens). Het AI-systeem doet voorspellingen over hoe combinaties van gebeurtenissen in het verleden de vraag van toekomstige consumenten hebben beïnvloed (Brosset, et al.).
Figure 2: Example of data types, structures and sources
Source: (Alexsoft, 2019)
Example
L’Oréal, een Franse multinational en een van ’s werelds grootste fabrikanten van schoonheidsproducten, gebruikte informatie uit verschillende bronnen om te anticiperen op trends, de verkoop te optimaliseren en de vraag van klanten te voorspellen. De bronnen die zij gebruikten waren onder meer sociale media, weer- en financiële marktindicatoren en gegevens die werden verzameld op de verkooppunten, zoals inzameling, ontvangst en inventaris. Door deze datasets te combineren en vast te stellen welke combinaties van variabelen de vraag van de consument beïnvloedden, kon L’Oréal zich effectiever op eindklanten richten en inspelen op de uitdaging van de volatiliteit van de vraag (Brosset, et al.).
Maar hoe slim de prognoseoplossing ook mag zijn. Menselijke logica is nog steeds nodig om de uitkomsten die door de AI oplossing zijn geproduceerd te evalueren en om conclusies te trekken met gezond verstand en domeinexpertise. Bedrijven moeten investeren in sectorspecialisten om te bepalen met welke factoren rekening moet worden gehouden in voorspellende algoritmen/modellen. Alleen door de sterke punten van zowel menselijke als kunstmatige intelligentie te combineren, kan een bedrijf een betere toekomst voorzien en plannen (Alexsoft, 2019).
Want to know more what AI can do for your supply chain?
Contact us.
More AI Case Studies:
AI case study 5: Workflow automation with TradeCloud One
The Business Problem In deze business case wordt de automatisering van AI-workflows geïllustreerd aan de hand van het voorbeeld van een TradeCloud-klant. De klant is een fabrikant van machines voor het sorteren van [...]
AI case study 4: Machine Learning in the Manufacturing Process
The Business Problem Het fabricageproces van geheugenchips omvat ongeveer 1.500 stappen die in steriele omstandigheden moeten worden uitgevoerd om te voorkomen dat stofdeeltjes de wafers beschadigen. Helaas komen beschadigingen toch voor. De kwaliteitsproblemen [...]
AI case study 3: Kostenbesparende AI in de productielogistiek
The Business Problem In de wereld van logistiek kan het beheer van lege containers niet over het hoofd worden gezien. Boston Consulting Group (BCG) schat dat in de containervaart tot 8% van de [...]
AI case study 2: Efficiënt voorraadbeheer met behulp van Artificiële Intelligence
The Business Problem Een grote uitdaging voor productiebedrijven is te weten wat, wanneer, waar en hoeveel voorraad moet worden besteld en opgeslagen. MKB-bedrijven berekenen dit traditioneel handmatig met behulp van Excel, Google Sheets of [...]
AI case study 1: Demand Forecasting met behulp van Artificial Intelligence
The Business Problem Een van de grootste uitdagingen voor bedrijfsleiders vandaag de dag is de volatiliteit van de vraag in relatie tot het voorspellen van de vraag. Terwijl de beschikbaarheid van data blijft [...]
