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 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 [...]

Bibliography

Alexsoft. (2019, November 11). Demand Forecasting Methods: Using Machine Learning and Predictive Analytics to See the Future of Sales. Retrieved April 6, 2021, from Alexsoft

Armstrong, M. M. (2020, December 4). Cheat sheet: What is Digital Twin? Retrieved April 21, 2021, from ibm.com

BCG. (2015, November 17). Think Outside Your Boxes: Solving the Global Container-Repositioning Puzzle . Retrieved from Boston Consulting Group

Best Practice AI. (n.d.). Danone reduces forecast error and lost sales by 20 and 30 percent respectively and achieve a 10 point ROI improvement in promotions with machine learning. Retrieved April 6, 2021, from Bestpractice

Brosset, P., Patsko, S., Khadikar, A., Thieullent, A., Buvat, J., Khemka, Y., & Jain, A. (n.d.). Scaling AI in Manufacturing Operations. Retrieved April 06, 2021, from Capgemini

Caulfield, B. (2019, December 16). What’s the Difference Between a CPU and a GPU? Retrieved April 22, 2021, from nvidia.com

Dilmegani, C. (2021, January 7). Demand forecasting in the age of AI & machine learning [2021]. Retrieved April 6, 2021, from AImultiple

Europawire. (2020, April 15). Shipment planning and inventory management improved with AI and big data on Kuehne + Nagel’s new version of SeaExplorer. Retrieved from Europawire

Hyeongchan, K. (2020, December 16). Detecting Sounds with Deep Learning. Retrieved April 21, 2021, from towardsdatascience.com

Kvartalnyi, N. (2021, May 11). 6 TIPS OF HOW TO IMPROVE INVENTORY MANAGEMENT USING ARTIFICIAL INTELLIGENCE. Retrieved from Inoxoft

Majumdar, D. (n.d.). Case Study-How SynergyLabs AI solutions Brought Efficiency in warehouse Inventory management. Retrieved April 19, 2021, from Synlabs

Micron Technology. (2021). Case Study: Micron Uses Data and Artificial Intelligence to See, Hear and Feel. Retrieved April 21, 2021, from sg.micron.com

Opperman, A. (2019, November 19). What is Deep Learning and How does it work? Retrieved April 21, 2021, from towardsdatascience.com

Serheichuk, N. (2020, December 15). Inventory management automation: How you can benefit from it. Retrieved from N-ix

Subramanyam, J. (2019, July 8). Prediction Models: Traditional versus Machine Learning. Retrieved May 20, 2021, from Gartner.com

Supply Chain 247. (2017, March 28). Coca-Cola Leverages AI for Inventory Management. Retrieved from SupplyChain247

Supply Chain Dive. (2018, August 17). Two-thirds of companies consider Excel a supply chain system. Retrieved from Supply Chain Dive

Symphony Retail. (n.d.). demand forecasting ai. Retrieved April 06, 2021, from symphonyretail

TradeGecko. (2019, December 4). What is inventory management? Retrieved from tradegecko

Tuv, E., Murat, G., Enis, P., & Lee, D. H. (2018, November). Faster, More Accurate Defect Classification Using Machine Vision. Retrieved April 21, 2021, from Intel.com