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 [...]
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 [...]
