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 eieren en is gevestigd in Nederland. Het bedrijf heeft meer dan 200 leveranciers voor zijn componenten, wat betekent dat er veel aandacht wordt besteed aan foutreductie en efficiencyverbetering.

Er zijn verschillende factoren die een goed lopende workflow kunnen verstoren. Ten eerste is de betrouwbaarheid van leveranciers een groot punt van zorg. Hoe vaak levert een leverancier de juiste hoeveelheid, op het juiste moment en op de juiste plaats?

De tweede uitdaging, administratieve taken. Er moet veel handmatig werk worden verricht om de inkomende en uitgaande orders te verwerken. De machinefabrikant heeft meer dan 85.000 orderregels per jaar die naar de leveranciers moeten worden gestuurd, wat betekent dat er evenveel bevestigingen moeten worden gemaakt en gecontroleerd. Slechts een klein deel zal wijzigingen betreffen, maar het handmatig controleren van elke regel neemt veel tijd in beslag. Tijd die klanten niet bereid zijn te betalen.

De derde uitdaging is de zichtbaarheid van de ordergeschiedenis. Om te zien wat er op welk moment binnenkomt en welke mogelijke uitzonderingen er kunnen zijn, moet de supply chain manager voortdurend controleren of alles goed gaat.

De vierde uitdaging is flexibiliteit. Hoe flexibel kan een leverancier zijn? Is het mogelijk 20 artikelen minder of meer te leveren? Hoe snel en tegen welke kosten? Deze uitdagingen worden nog vergroot door steeds kortere doorlooptijden, interne standaardisatie en maatwerk van de klant.

The Solution

AI based exception handling and risk analysis with TradeCloud One

De AI-oplossing van TradeCloud is specifiek gericht op het afhandelen van uitzonderingen. De oplossing automatiseert het hele proces van het verzenden en ontvangen van orders naar leveranciers. Zodra een inkooporder in een ERP-systeem is aangemaakt, wordt deze automatisch naar de leverancier gestuurd, waardoor handmatig werk wordt bespaard. Als de leverancier precies bevestigt wat werd gevraagd, hoeft de klant er niet meer naar om te kijken – alles wat overeenkomt met de behoeften van zowel de leverancier als de klant wordt automatisch verwerkt.

Wat overblijft zijn de uitzonderingen: dit is waar de AI-oplossingen om de hoek komen kijken. Voor de machinefabrikant wordt ongeveer 90% van de orders automatisch geaccepteerd, terwijl 10% een of meer uitzonderingen heeft. Deze uitzonderingen kunnen zijn dat een artikel een dag of een week later wordt geleverd, niet in voorraad is, de prijs verandert, enz. De AI-toepassing controleert de uitzonderingen en vergelijkt ze met historische gegevens om te beslissen of deze uitzondering een probleem is of niet.

Voorbeeld

Een leverancier bevestigt een bestelling die een week later dan gepland moet worden geleverd. Traditioneel moet de order handmatig worden gecontroleerd om deze uitzondering te bevestigen of af te wijzen. De AI-oplossing van TradeCloud kijkt naar de voorraadniveaus van dit artikel op de datum dat de leverancier heeft voorgesteld om te leveren. Vervolgens wordt geanalyseerd of dit een probleem zal zijn of niet. Als er op dat moment voldoende voorraad is, en er zijn geen orders die dat artikel nodig hebben, dan wordt de order geaccepteerd. De AI keurt deze uitzondering automatisch goed.

De tweede AI-oplossing is risicoanalyse. Hierbij gaat het om het zelflerende AI-model van TradeCloud, gebaseerd op historische gegevens en uitzonderingen op orderregels. De AI-oplossing voorspelt op orderregelniveau of er een potentiële risico-exceptie voor deze order is. De oplossing werkt als een stoplicht: rood, oranje of groen. Als het artikel in het verleden nooit uitzonderingen heeft gekend, zal de waarschijnlijkheid van on-time leveringen resulteren in een ‘groen’ licht. Als er in het verleden een uitzondering is geweest, of als externe factoren de bestelling zouden kunnen beïnvloeden – zoals buitengewoon weer in de regio van de leverancier, of algemene knelpunten in de toeleveringsketen – resulteert dat in een ‘oranje’ of zelfs ‘rood’ licht, afhankelijk van de ernst van het probleem.

Voordelen en Impact

De belangrijkste voordelen van de AI-oplossing zijn beter geautomatiseerde taken, een hogere betrouwbaarheid van de leverancier en meer tijd om zich te richten op optimalisatie. Automatische orderafhandeling met AI bespaart tijd voor medewerkers die terugkerende, niet-waardetoevoegende taken doen, zoals het bevestigen van (ongewijzigde) orders, het controleren van de orderstatus en het verzenden van documenten.

Ten tweede kan de betrouwbaarheid van leveranciers aanzienlijk worden verhoogd met geautomatiseerde workflowafhandeling. Klanten kunnen de veiligheidsvoorraden verminderen, waardoor ook de kosten dalen. Ten derde kunnen inkopers nu werken aan het toevoegen van waarde en optimalisatie, in plaats van het doorlezen van gegevens. Waardoor opdrachtgevers zich meer kunnen gaan richten op het creëren van toegevoegde waarde voor hun eigen klanten.

De impact van een geautomatiseerde workflow voor de machinefabrikant was: 

  • Leveranciersbetrouwbaarheid werd verhoogd van 82 naar 97%, een stijging van 15%.
  • 50% tijdsbesparing op medewerkers die handmatig werk doen
  • Een besparing van 2 FTE’s, wat neerkomt op €150.000 euro aan directe besparingen
  • Ongeveer 500.000 euro aan indirecte besparingen, omdat het bedrijf minder voorraad hoefde te dragen, er minder fouten door werknemers werden gemaakt en er minder risico was. Dit zou nog hoger kunnen oplopen, tot 1,5 miljoen euro aan indirecte besparingen, dankzij betrouwbaardere productieprocessen. Een goede doorstroming in de fabriek betekent minder fouten.
  • Een return of investment (ROI) in 12 maanden. De AI-oplossing levert 10 keer meer waarde op dan ze kost.

Toegankelijkheid en vereisten

Om gebruik te kunnen maken van de AI-oplossingen van TradeCloud zijn verschillende dingen nodig. Natuurlijk moet een bedrijf zijn eigen systemen op orde hebben. Maar het belangrijkste is dat er een plan wordt gemaakt voor samenwerking binnen de TradeCloud-omgeving met leveranciers. Voor leveranciers zou een stimulans om zich aan te sluiten bij TradeCloud passend kunnen zijn. Bijvoorbeeld: Betalingen aan de leverancier zouden eerder kunnen plaatsvinden.

De resultaten van deze AI-oplossing kunnen binnen enkele maanden worden bereikt. Bij de implementatie gaat het erom de applicatie operationeel te krijgen. Voor een bewijs van succes zou een klant kunnen beginnen met één leverancier, alvorens uit te breiden naar de rest van de leveranciers.

Noodzakelijke gegevens voor TradeCloud’s AI-oplossingen om het model op te bouwen en te trainen zouden kunnen zijn:

  • Voorraadniveaus
  • Bestelgeschiedenis
  • Inkoopordergeschiedenis
  • Artikel
  • Datum
  • Prijs
  • Bevestigingsgeschiedenis – wat werd bevestigd door de leveranciers
  • Leveringsgeschiedenis – wat er uiteindelijk is geleverd

In de nabije toekomst zal de AI-oplossing van TradeCloud externe gegevens gebruiken om betere voorspellingen te doen voor de afhandeling van uitzonderingen. De order kan door veel externe factoren worden beïnvloed, bijvoorbeeld slecht weer, een vliegtuig met vertraging, faillissement van een leverancier, productieproblemen of een boot die vastzit in het Suezkanaal. Door deze externe factoren toe te voegen aan de bestaande datasets, zal de nauwkeurigheid van de voorspellingen verbeteren. Dit resulteert in nog betere resultaten op het gebied van betrouwbaarheid van leveranciers en kostenbesparing.

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 [...]

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