Hoe machine learning fabrikanten helpt omgaan met een volatiele vraag, met voorbeelden van Danone en L'Oréal en de voordelen, impact en datavereisten.
door Tradecloud Marketing Team
29 juni 2021

Het probleem
Vraagvolatiliteit is een van de grootste uitdagingen voor bestuurders. Er is meer data beschikbaar dan ooit, maar het koopgedrag van klanten wordt complexer en lastiger te herkennen of te voorspellen (Symphony Retail).
Zo veel factoren beïnvloeden de vraag, van het weer tot social media influencers, dat klanten vaak van gedachten veranderen. De gebeurtenissen die de intenties van klanten veranderen, komen meestal onverwacht (AltexSoft, 2019).
Traditionele forecasts zijn maar zo goed als de data, modellen en middelen erachter, en de mensen die ze interpreteren (Symphony Retail). Hoe ga je met die uitdagingen om?
De oplossing: vraagvoorspelling met AI
Traditionele vraagvoorspelling is een vorm van predictive analytics die de toekomstige vraag schat op basis van historische data (Dilmegani, 2021). Machine learning (ML) gaat verder. ML-algoritmes signaleren veranderingen in de vraag, herkennen patronen, ontdekken complexe verbanden in grote datasets en vangen signalen van vraagschommelingen op.
Organisaties zetten AI-forecasting vooral in om de inefficiëntie te voorkomen die ontstaat als vraag en aanbod niet op elkaar aansluiten. Een forecast is nooit 100% nauwkeurig (AltexSoft, 2019). Toch kan AI de supply chain kosten flink verlagen en de financiële planning, personeelsplanning, winstmarges en risicobeoordeling verbeteren (Dilmegani, 2021).
Traditionele forecasting versus machine learning
| Criterium | Traditionele forecasting | Machine learning forecasting |
|---|---|---|
| Omgaan met veel variabelen en databronnen | Extra variabelen en bronnen toevoegen kost veel moeite | Meerdere variabelen en bronnen zijn eenvoudig toe te voegen dankzij de hoge mate van automatisering |
| Handmatig werk | Veel | Weinig |
| Benodigde data | Weinig | Veel |
| Complexiteit van onderhoud | Laag | Hoog |
| Technologische eisen | Laag | Hoog |
| Meest geschikt voor | Planning op middellange en lange termijn, gevestigde producten, stabiele vraag | Planning op korte en middellange termijn, nieuwe producten, volatiele vraag |
Bron: AltexSoft, 2019.
Voorbeeld: Danone
De Franse voedingsmiddelenfabrikant Danone implementeerde een machine learning systeem om zijn vraagvoorspellingen te verbeteren. Het bedrijf had nauwkeuriger en betrouwbaarder forecasts nodig, omdat verse producten een korte houdbaarheid hebben en de vraag snel verandert (Brosset et al.).
Danone verkoopt meer dan 30% van het totale volume via promoties, zoals kortingen en folders. Daardoor waren de forecasts nogal ad hoc (Best Practice AI). Het ML-systeem verbeterde de forecasts en de afstemming tussen sales, supply chain, finance en marketing. Ook werden de efficiëntie en de balans in de voorraad beter, waardoor Danone de beoogde serviceniveaus voor kanaal- en winkelvoorraden haalde (Brosset et al.).
Voordelen
Dit zijn de belangrijkste voordelen van vraagvoorspelling met AI voor een productiebedrijf:
- De nauwkeurigheid neemt toe. Machine learning blijft leren van de data die binnenkomt.
- Hogere klanttevredenheid. Producten die niet op voorraad zijn, verlagen de klanttevredenheid. Constante beschikbaarheid zorgt voor loyaliteit en een beter merkimago.
- Betere personeelsplanning. Forecasts helpen HR de juiste balans te vinden tussen fulltime en parttime medewerkers. Dat optimaliseert de kosten en de effectiviteit van HR.
- Betere planning van afprijzingen en kortingen. Producten die langer onverkocht blijven dan verwacht, leggen geld vast in voorraad, verhogen de opslagkosten en vergroten het risico op incourantheid. Betere forecasts beperken dat, en daarmee ook de noodzaak om tegen lage prijzen te verkopen.
- Meer efficiëntie. Teams kunnen zich richten op strategie in plaats van voortdurend voorraad en personeel bij te sturen (Dilmegani, 2021).
Impact
Volgens Dilmegani (2021) kan forecasting met AI:
- fouten in supply chain netwerken met 30 tot 50% verminderen
- de magazijnkosten met ongeveer 10 tot 40% verlagen
- omzetverlies door out-of-stock situaties met maximaal 65% terugdringen
De totale impact van AI op productie en supply chain planning wordt geschat op 1,2 tot 2 biljoen dollar (Dilmegani, 2021).
Bij Danone waren de resultaten (Brosset et al.):
- 30% minder omzetverlies
- 30% minder incourante voorraad
- 20% minder verkeerde forecasts
- 50% minder werkdruk voor demand planners
Toegankelijkheid en vereisten
Een ideaal AI-systeem voor vraagvoorspelling wordt getraind op verschillende databronnen. Denk aan weerdata, financiële data en data van derden, zoals social media, historische verkopen en macro-economische gegevens. Het systeem leert hoe combinaties van gebeurtenissen in het verleden de vraag beïnvloedden, en voorspelt daarmee de toekomstige vraag (Brosset et al.).
Voorbeeld: L'Oréal
De Franse cosmeticafabrikant L'Oréal combineerde social media data, weer- en financiële marktindicatoren en kassadata (collectie, ontvangsten en voorraad) om trends te voorzien en de vraag te voorspellen. Door te achterhalen welke combinaties van variabelen de vraag bepaalden, kon L'Oréal eindklanten gerichter benaderen en beter inspelen op vraagschommelingen (Brosset et al.).
Menselijke expertise blijft nodig
AI vervangt mensen niet. Je hebt nog steeds menselijk oordeel nodig om de uitkomsten van een AI-systeem te beoordelen en gezond verstand en vakkennis toe te passen. Investeer daarom in specialisten uit je sector die bepalen welke factoren in de voorspellende modellen thuishoren. De combinatie van menselijke en kunstmatige intelligentie geeft je de beste basis om vooruit te plannen (AltexSoft, 2019).
Lees ook AI case study 4: machine learning in de maakindustrie.
Bronnen
- AltexSoft (2019). Demand Forecasting Methods: Using Machine Learning and Predictive Analytics to See the Future of Sales.
- Best Practice AI (n.d.). Danone reduces forecast error and lost sales by 20 and 30 percent respectively and achieves a 10 point ROI improvement in promotions with machine learning.
- Brosset, P., Patsko, S., Khadikar, A., Thieullent, A., Buvat, J., Khemka, Y., & Jain, A. (n.d.). Scaling AI in Manufacturing Operations. Capgemini.
- Dilmegani, C. (2021). Demand forecasting in the age of AI & machine learning. AIMultiple.
- Symphony Retail (n.d.). Demand forecasting AI.
Benieuwd hoe betere forecasts en leveranciersdata samenkomen in jouw supply chain? Plan een demo.