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 andere softwareoplossingen. Deze oplossingen kunnen tot op zekere hoogte worden geautomatiseerd en zijn in de meeste gevallen redelijk toereikend. Deze traditionele oplossingen zijn echter gevoelig voor menselijke fouten en zijn afhankelijk van de capaciteiten van de medewerker. Als gevolg daarvan kunnen menselijke fouten leiden tot verkeerde schattingen en over-/ondervoorraden.

The Solution

AI-aangedreven voorraadbeheer kan een oplossing bieden voor menselijke fouten door de computer het rekenwerk te laten doen (TradeGecko, 2019). Maar hoe zou een AI-toepassing het voorraadbeheerproces efficiënter kunnen maken?

Het bepalen van de juiste hoeveelheid voorraad, op de juiste plaats, op het juiste moment tegen de juiste kosten én de juiste prijs. Dat is waar het bij voorraadbeheer zakelijk gezien om gaat en dat zou door de AI-toepassing automatisch kunnen worden bepaald. Dit gebeurt door het combineren van datasets, het ontwikkelen van een Machine Learning model en het voortdurend trainen van het model om in de loop van de tijd een hogere mate van nauwkeurigheid te bereiken. De outputs van het model weerspiegelen de meest optimale beslissingen die kunnen worden genomen.

Voorbeeld

Coca Cola gebruikt artificiële intelligence voor het voorraadbeheer van hun koelkasten in detailhandelszaken.

De AI-tool is getraind om de verschillende Coca Cola-producten in de koelers te herkennen, te identificeren en te tellen. De tool kan deze gegevens combineren met informatie uit demand forecasting, en automatisch een order berekenen om de voorraad aan te vullen. Vervolgens wordt de detailhandelaar een leveringskeuze geboden. Ook wordt extra informatie gegeven over de voorspelde vraag voor dranken in de koeler, met als doel extra service te verlenen en de omzet van Coca Cola te verhogen (Supply Chain 247, 2017).

Voordelen

Een goed beheer van het voorraadbeheerproces kan een positieve invloed hebben op de Return On Investment (ROI) door minder geld uit te geven aan de verkeerde producten en door een optimale afspiegeling van vraag en aanbod in het magazijn te creëren(Kvartalnyi, 2021).

Ook de klantenservice zal positief worden beïnvloed. Een hogere nauwkeurigheid in het voorspellen van vraag en aanbod zal zorgen voor een hogere klanttevredenheid door het ontbreken van out-of-stock artikelen. Bovendien biedt voorraadbeheer ook inzicht in product- en bedrijfskansen in de nabije toekomst (TradeGecko, 2019).

Een aantal belangrijke voordelen voor het gebruik van AI in voorraadbeheer zijn:

  • Tijd- en geldbesparing: door voorraadbeheer te automatiseren met AI kan er op handmatige arbeid en dus geld bespaard worden. Bedrijven kunnen tussen de $6.000 en $72.000 besparen, afhankelijk van hun voorraadgrootte.
  • Vergroten van de schaalbaarheid: door geautomatiseerd voorraadbeheer kunnen bedrijven snel inspelen op de veranderende vraag van klanten en de voorraad op- of afschalen.
  • Vermindering van handmatig werk: door geautomatiseerde processen wordt handmatig werk verminderd, wat resulteert in een verminderd risico op menselijke fouten.
  • 24/7 toegang tot gegevens: altijd inzicht in de gegevens van de voorraad geeft praktische voordelen om een concurrentievoordeel te behalen.
  • Voorkom over- en ondervoorraad: geautomatiseerd voorraadbeheer zorgt ervoor dat de opslagruimte effectief wordt gebruikt en weet welke producten op het juiste moment moeten worden aangevuld.
  • Eenvoudige integratie met huidige systemen: de meeste bedrijven maken al gebruik van ERP- en CRM-systemen, die gemakkelijk te integreren zijn met een AI-toepassing voor voorraadbeheer (Serheichuk, 2020).

Impact

Met een efficiënte AI-oplossing in het voorraadbeheer kan er een aanzienlijke toegevoegde waarde zijn voor de organisatie. Verschillende case studies tonen aan dat voorraadniveaus en holdingkosten met 20-50% kunnen worden verlaagd. Bovendien kan een daling van 15-30% in verzendkosten worden bereikt door verbeterd real-time inzicht in voorraadniveaus en voorraad in het algemeen. Bovendien merken bedrijven op dat serviceniveaus en On-Time-In-Full leveringen met 10-20% verbeteren met een AI-toepassing.

Voorbeelden

De oplossing van Coca Cola voor koelkasten in winkels leidde tot meer efficiëntie en minder menselijk werk om aan de vraag en behoeften van de klanten te voldoen. De tool stelde miljoenen retailers over de hele wereld in staat om bestellingen binnen een paar klikken af te handelen en te vertrouwen op de berekeningen van de computer (Supply Chain 247, 2017).

Met behulp van kunstmatige intelligentie en big data verbeterde de Zwitserse logistieke gigant, Kuehne + Nagel, hun zendingplanning en voorraadbeheer. Hun AI-oplossing stelde het bedrijf in staat om de beste optie voor containervervoer te vinden, inclusief alternatieve routingopties om zich te houden aan transporttijdschema’s en betrouwbaarheid. Een neveneffect van de implementatie was een verbetering van de serviceniveaus van het bedrijf, vanwege betere inzichten in zendingen en voorraden (Europawire, 2020).

Accessibility and Requirements

Om een AI-toepassing te implementeren, is het belangrijk te weten dat veel van de vereiste gegevens al in handen zijn van het bedrijf. De gegevens worden echter vaak niet of onvolledig gebruikt door organisaties. Om een AI-toepassing te trainen, volstaan verschillende soorten gegevens. Historische verkoopgegevens, gegevens over de huidige vraag en aanbod in de markt en levertijden van verschillende leveranciers zijn voorbeelden van soorten gegevens die kunnen worden gebruikt.

Om ervoor te zorgen dat de AI-oplossing volledig geautomatiseerd werkt, moet de software worden getraind en van zichzelf leren. Om het voorraadbeheerproces te automatiseren, heeft het systeem tijd en veel gegevens nodig. Dit vereist kennis over data science en analytics, omdat datasets moeten worden verzameld en met elkaar worden gecombineerd. Daarom gaat het bij de AI-oplossing niet alleen om het importeren van gegevens in het systeem, maar is er ook menselijk werk nodig. De uiteindelijke beslissingen worden genomen door de medewerkers van de organisatie, waarvoor inzicht en kennis over de AI-oplossing nodig is (Supply Chain 247, 2017).

Cruciaal voor het functioneren van de AI applicatie is het Machine Learning model. Een getraind ML model maakt gebruik van voorspellende algoritmes om tot een waardevolle output te komen. Het bouwen van zo’n model ziet er als volgt uit:

Building a Machine Learning Model

To build a machine learning model, input data (e.g. sales data) together with historical results and a training algorithm are used to iteratively reach a prediction algorithm. The training algorithm will process the data and come to a prediction algorithm.

Source: (Subramanyam, 2019)

After creating a prediction algorithm. The model is now ready to receive unknown or new data input. The model will transform the data input using the prediction algorithm. What comes out is a prediction based on historical results. To improve the accuracy of a model, more data can be fed to the ML model that produces a prediction algorithm (Subramanyam, 2019)

Source: (Subramanyam, 2019)

Want to know more what AI can do for your supply chain?
Contact us.

More AI Case Studies:

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