In deze blog onderzoeken we hoe organisaties uitzonderlijke efficiëntie en nauwkeurigheid kunnen bereiken met AI-gestuurde voorraadoptimalisatie. Traditionele methoden voor voorraadbeheer schieten vaak tekort vanwege hun reactieve karakter en hun afhankelijkheid van handmatige processen. Het handhaven van optimale voorraadniveaus is van fundamenteel belang om aan de vraag van de klant te voldoen en tegelijkertijd de kosten te minimaliseren. De introductie van AI-gestuurde voorraadoptimalisatie kan de last van handmatige processen aanzienlijk verminderen, waardoor supply chain-managers worden ontlast van vervelende taken. Met AI kunnen we de vraag nauwkeuriger voorspellen, overtollige voorraden verminderen, voorraadtekorten voorkomen en uiteindelijk de bedrijfsresultaten van onze organisatie verbeteren. Laten we eens kijken hoe deze aanpak niet alleen de verkoop- en operationele efficiëntie verhoogt, maar ook de klanttevredenheid verhoogt door ervoor te zorgen dat producten altijd beschikbaar zijn wanneer dat nodig is.

 

Inzichten voor verbeterde besluitvorming in voorraadbeheer

1. Verbeterde voorspellingsnauwkeurigheid Geavanceerde Machine Learning-algoritmen analyseren historische gegevens om patronen te identificeren die mensen mogelijk over het hoofd zien. Technieken als clustering, detectie van regimeveranderingen, detectie van afwijkingen en regressieanalyse bieden diepgaande inzichten in gegevens. Het meten van voorspellingsfouten is essentieel voor het verfijnen van voorspellingsmodellen; Technieken als Mean Absolute Error (MAE) en Root Mean Squared Error (RMSE) helpen bijvoorbeeld bij het kwantificeren van de nauwkeurigheid van voorspellingen. Bedrijven kunnen de nauwkeurigheid verbeteren door voortdurend prognoses te monitoren en aan te passen op basis van deze foutstatistieken. Zoals de Demand Planner bij een Hardware Retailer vermeld, “Met de verbeteringen aan onze prognoses en voorraadplanning die Smart Software mogelijk maakte, hebben we de veiligheidsvoorraad met 20% kunnen verminderen en tegelijkertijd de voorraadtekorten met 35% kunnen verminderen.”

2. Realtime gegevensanalyse State-of-the-art systemen kunnen enorme hoeveelheden gegevens in realtime verwerken, waardoor bedrijven hun voorraadniveaus dynamisch kunnen aanpassen op basis van de huidige vraagtrends en marktomstandigheden. Afwijkingsdetectiealgoritmen kunnen plotselinge pieken of dalen in de vraag automatisch identificeren en corrigeren, zodat de voorspellingen accuraat blijven. Een opmerkelijk succesverhaal komt van Smart IP&O, waarmee een bedrijf de voorraad tegen 20% kon verminderen en tegelijkertijd de serviceniveaus kon handhaven door voortdurend realtime gegevens te analyseren en de prognoses dienovereenkomstig aan te passen. FedEx Tech's Manager Materials benadrukt, “Wat het verzoek ook is, we moeten aan onze serviceverplichtingen de volgende dag voldoen. Smart stelt ons in staat om onze voorraad aan te passen om er zeker van te zijn dat we de producten en onderdelen bij de hand hebben om de serviceniveaus te bereiken die onze klanten nodig hebben.”

3. Verbeterde supply chain-efficiëntie Intelligente technologieplatforms kunnen de gehele supply chain optimaliseren, van inkoop tot distributie, door doorlooptijden te voorspellen en orderhoeveelheden te optimaliseren. Dit verkleint het risico op over- en onderbezetting. Met behulp van op prognoses gebaseerd voorraadbeheer heeft Smart Software bijvoorbeeld een fabrikant geholpen zijn toeleveringsketen te stroomlijnen, de doorlooptijden met 15% te verkorten en de algehele efficiëntie te verbeteren. De VP Operations bij Procon Pump verklaarde: “Een van de dingen die ik leuk vind aan deze nieuwe tool... is dat ik de gevolgen van beslissingen over voorraadvoorraden kan evalueren voordat ik ze implementeer.”

4. Verbeterde besluitvorming AI biedt bruikbare inzichten en aanbevelingen, waardoor managers weloverwogen beslissingen kunnen nemen. Dit omvat het identificeren van langzaam bewegende artikelen, het voorspellen van de toekomstige vraag en het optimaliseren van de voorraadniveaus. Regressieanalyse kan bijvoorbeeld de verkoop relateren aan externe variabelen zoals seizoensinvloeden of economische indicatoren, waardoor een dieper inzicht ontstaat in de vraagfactoren. Een van de klanten van Smart Software rapporteerde een aanzienlijke verbetering in de besluitvormingsprocessen, wat resulteerde in een stijging van het serviceniveau met 30% en een vermindering van de overtollige voorraad met 15%. “Smart IP&O stelde ons in staat de vraag op elke opslaglocatie te modelleren en, met behulp van serviceniveaugestuurde planning, te bepalen hoeveel we op voorraad moesten hebben om het serviceniveau te bereiken dat we nodig hebben”, aldus de Inkoopmanager bij Seneca Companies.

5. Kostenbesparing Door de voorraadniveaus te optimaliseren kunnen bedrijven de opslagkosten verlagen en verliezen als gevolg van verouderde of verlopen producten minimaliseren. AI-gestuurde systemen verminderen ook de noodzaak van handmatige voorraadcontroles, waardoor tijd en arbeidskosten worden bespaard. Dat blijkt uit een recente casestudy hoe de implementatie van Inventory Planning & Optimization (IP&O) binnen 90 dagen na de start van het project werd gerealiseerd. In de daaropvolgende zes maanden maakte IP&O het mogelijk de voorraadparameters voor enkele duizenden artikelen aan te passen, wat resulteerde in een voorraadreductie van $9,0 miljoen, terwijl het beoogde serviceniveau behouden bleef.

 

Door gebruik te maken van geavanceerde algoritmen en realtime data-analyse kunnen bedrijven optimale voorraadniveaus handhaven en de algehele prestaties van hun supply chain verbeteren. Inventory Planning & Optimization (IP&O) is een krachtig hulpmiddel dat uw organisatie kan helpen deze doelen te bereiken. Het integreren van de modernste voorraadoptimalisatie in uw organisatie kan leiden tot aanzienlijke verbeteringen op het gebied van efficiëntie, kostenreductie en klanttevredenheid.

 

 

In deze videoblog leggen we uit hoe tijdreeksvoorspellingen naar voren zijn gekomen als een cruciaal hulpmiddel, vooral op dagelijks niveau, waarmee Smart Software sinds de oprichting ruim veertig jaar geleden pionierde. De evolutie van bedrijfspraktijken van jaarlijkse naar meer verfijnde temporele stappen zoals maandelijkse en nu dagelijkse data-analyse illustreert een significante verschuiving in operationele strategieën.

Aanvankelijk, in de jaren tachtig, werd de gebruikelijke praktijk van het gebruik van jaarlijkse gegevens voor prognoses en de introductie van maandelijkse gegevens als innovatief beschouwd. Deze periode markeerde het begin van een trend in de richting van het verhogen van de resolutie van data-analyse, waardoor bedrijven snellere verschuivingen in de marktdynamiek kunnen opvangen en hierop kunnen reageren. Naarmate we verder kwamen in de jaren 2000, was de norm van maandelijkse data-analyse ingeburgerd, maar de 'cool kids' – vernieuwers aan de rand van business analytics – begonnen te experimenteren met wekelijkse data. Deze verschuiving werd gedreven door de noodzaak om de bedrijfsactiviteiten te synchroniseren met de steeds volatielere marktomstandigheden en het consumentengedrag dat snellere reacties vergde dan maandelijkse cycli konden bieden. Tegenwoordig, in de jaren 2020, is de grens weliswaar nog steeds gebruikelijk, maar is de grens opnieuw verschoven, dit keer naar dagelijkse data-analyse, waarbij sommige pioniers zich zelfs aan uuranalyses wagen.

De echte kracht van dagelijkse data-analyse ligt in het vermogen om een gedetailleerd beeld te geven van de bedrijfsvoering, waarbij dagelijkse schommelingen worden vastgelegd die door maandelijkse of wekelijkse gegevens over het hoofd kunnen worden gezien. De complexiteit van dagelijkse gegevens vereist echter geavanceerde analytische benaderingen om betekenisvolle inzichten te verkrijgen. Op dit niveau vereist het begrijpen van de vraag het worstelen met concepten als wisselvalligheid, seizoensinvloeden, trends en volatiliteit. Intermittentie, of het optreden van dagen zonder vraag, wordt duidelijker bij een dagelijkse granulariteit en vereist gespecialiseerde voorspellingstechnieken zoals de methode van Croston voor nauwkeurige voorspellingen. Seizoensgebondenheid op dagelijks niveau kan meerdere patronen aan het licht brengen, zoals hogere verkopen in het weekend of op feestdagen, die maandelijkse gegevens zouden maskeren. Trends kunnen worden waargenomen als stijgingen of dalingen van de vraag op de korte termijn, waardoor flexibele aanpassingsstrategieën nodig zijn. Ten slotte wordt de volatiliteit op dagelijks niveau geaccentueerd, wat significantere schommelingen in de vraag laat zien dan uit maandelijkse of wekelijkse analyses blijkt, wat van invloed kan zijn op de voorraadbeheerstrategieën en de behoefte aan buffervoorraden. Dit niveau van complexiteit onderstreept de behoefte aan geavanceerde analytische hulpmiddelen en expertise op het gebied van dagelijkse data-analyse.

Kortom, de evolutie van minder frequente naar dagelijkse tijdreeksvoorspellingen markeert een substantiële verschuiving in de manier waarop bedrijven data-analyse benaderen. Deze transitie weerspiegelt niet alleen het steeds snellere tempo van het bedrijfsleven, maar onderstreept ook de behoefte aan tools die een grotere granulariteit van de gegevens aankunnen. De toewijding van Smart Software aan het verfijnen van de analytische mogelijkheden voor het beheren van dagelijkse gegevens benadrukt de bredere beweging van de sector naar meer dynamische, responsieve en datagestuurde besluitvorming. Deze verschuiving gaat niet alleen over het bijhouden van de tijd, maar over het benutten van gedetailleerde inzichten om concurrentievoordelen te creëren in een steeds veranderende zakelijke omgeving.

​

Degenen onder u die actuele onderwerpen volgen, zullen bekend zijn met de term ‘digitale tweeling’. Degenen die het te druk hebben gehad met hun werk, willen misschien verder lezen en bijpraten.

Wat is een digitale tweeling?

Hoewel er verschillende definities van digital twin zijn, is er een die goed werkt:

Een digitale tweeling is een dynamiek virtuele kopie van een fysiek bezit, proces, systeem of omgeving die er hetzelfde uitziet en zich identiek gedraagt als zijn tegenhanger in de echte wereld. Een digitale tweeling neemt gegevens op en repliceert processen dus dat kan mogelijke prestatieresultaten voorspellen en problemen die het echte product zou kunnen ondergaan. [Bron: Unity.com]. Voor meer achtergrondinformatie kunt u terecht op Mckinsey.com.

Wat is het verschil tussen een digital twin (hierna DT) en een model? In de eerste plaats wordt een ODC verbonden met realtime gegevens om het model te behouden als een actuele weergave van het systeem waarmee u werkt.

Onze huidige producten zouden we “slow-motion DT's” kunnen noemen, omdat ze meestal worden gebruikt met niet-realtime gegevens (maar geen verouderde gegevens, omdat deze van de ene op de andere dag worden bijgewerkt) en worden toegepast op problemen zoals het plannen van de grondstoffenaankopen voor het volgende kwartaal of het instellen van voorraadparameters voor een maand of langer.

Gebruiken mensen digital twins in mijn branche?

Mijn indruk is dat de penetratie van DT's wellicht het hoogst is in de lucht- en ruimtevaart- en nucleaire industrie. De meeste van onze klanten bevinden zich elders: in de productie, distributie en openbare voorzieningen zoals transport en energie. Binnenkort zullen we nieuwe producten aanbieden die dichter bij de strikte definitie van een DT komen die nauw verbonden is met het systeem dat hij vertegenwoordigt.

DT-voorbeeld

De meeste gebruikers van Smart Inventory Optimization™ (SIO) voer de applicatie periodiek uit, meestal maandelijks. SIO analyseert de huidige vraag naar voorraadartikelen en recente doorlooptijden van leveranciers en zet deze om in respectievelijk vraag- en aanbodscenario's. Vervolgens stellen gebruikers interactief (voor individuele artikelen) of automatisch (op schaal) parameters voor voorraadbeheer in die de gewenste gemiddelde prestaties op lange termijn opleveren, waarbij de concurrerende doelen van het minimaliseren van de voorraad in evenwicht worden gebracht en tegelijkertijd een voldoende niveau van artikelbeschikbaarheid wordt gegarandeerd.

Smart Supply Planner (SSP) reageert op een directere manier op onvoorziene gebeurtenissen. Elke dag kan er een abnormale bestelling plaatsvinden die de vraag doet toenemen, bijvoorbeeld wanneer een nieuwe klant een verrassende eerste voorraadbestelling plaatst. Of een belangrijke leverancier kan een probleem ervaren in zijn fabriek en gedwongen worden de verzending van uw geplande aanvullingsorders uit te stellen. Op de lange termijn worden deze onvoorziene omstandigheden gemiddeld en rechtvaardigen ze de aanbevelingen die uit SIO komen. SSP biedt u echter een manier om op de korte termijn te reageren en kansen te grijpen of kogels te ontwijken.

In de kern werkt SSP als SIO, in die zin dat het scenariogestuurd is. De verschillen zijn dat het korte planningshorizon gebruikt en real-time initiële omstandigheden gebruikt als basis voor zijn simulaties van de prestaties van voorraadsystemen. Vervolgens zal het realtime aanbevelingen doen voor interventies die de verstoring veroorzaakt door de onvoorziene gebeurtenissen compenseren. Dit omvat onder meer het annuleren of versnellen van aanvullingsorders.

Overzicht

Met Digital Twins kunt u plannen ‘in silico’ uitproberen voordat u ze in de fabriek of het magazijn implementeert. De kern bestaat uit wiskundige modellen van uw bedrijfsvoering, maar verbonden met realtime gegevens. Ze bieden een ‘digitale sandbox’ waarin u ideeën kunt uitproberen en direct voorspellingen kunt krijgen over hoe goed ze zullen werken. Veel meer dan een spreadsheet zullen DT's binnenkort het belangrijkste hulpmiddel zijn in uw gereedschapskist voor voorraadplanning.

Ik begin met een bekentenis: ik ben een algoritme-man. Mijn hart leeft in de ‘machinekamer’ van onze software, waar razendsnelle berekeningen heen en weer gaan door de AWS-cloud, waardoor vraag- en aanbodscenario’s worden gegenereerd die worden gebruikt als leidraad voor belangrijke beslissingen over vraagvoorspelling en voorraadbeheer.

Maar ik erken dat het doelwit van al die mooie, woedende berekeningen het brein van de baas is, de persoon die verantwoordelijk is om ervoor te zorgen dat op de meest efficiënte en winstgevende manier aan de vraag van de klant wordt voldaan. Deze blog gaat dus over Smart Operational Analytics (SOA), waarmee rapportages voor het management worden gemaakt. Of, zoals ze in het leger worden genoemd, sit-reps.

Alle berekeningen die door de planners met behulp van onze software worden begeleid, worden uiteindelijk gedestilleerd in de SOA-rapporten voor het management. De rapporten richten zich op vijf gebieden: voorraadanalyse, voorraadprestaties, voorraadtrends, leveranciersprestaties en vraagafwijkingen.

Voorraadanalyse

Deze rapporten houden de huidige voorraadniveaus in de gaten en identificeren gebieden die verbetering behoeven. De nadruk ligt op de huidige voorraadaantallen en hun status (voorhanden, onderweg, in quarantaine), voorraadwisselingen en excessen versus tekorten.

Voorraadprestaties

Deze rapporten houden Key Performance Indicators (KPI's) bij, zoals opvullingspercentages, serviceniveaus en voorraadkosten. De analytische berekeningen elders in de software begeleiden u bij het behalen van uw KPI-doelen door Key Performance Predictions (KPP's) te berekenen op basis van aanbevolen instellingen voor bijvoorbeeld bestelpunten en bestelhoeveelheden. Maar soms komen er verrassingen voor, of wordt het operationele beleid niet uitgevoerd zoals aanbevolen, waardoor er altijd enige discrepantie zal zijn tussen KPP's en KPI's.

Voorraadtrends

Weten waar de zaken er vandaag voor staan is belangrijk, maar zien waar de zaken zich ontwikkelen is ook waardevol. Deze rapporten onthullen trends in de vraag naar artikelen, voorraadgebeurtenissen, het gemiddelde aantal beschikbare dagen, de gemiddelde verzendtijd en meer.

Prestaties van leveranciers

Uw bedrijf kan niet optimaal presteren als uw leveranciers u naar beneden halen. Deze rapporten monitoren de prestaties van leveranciers op het gebied van de nauwkeurigheid en snelheid van het invullen van aanvullingsorders. Als u meerdere leveranciers voor hetzelfde artikel heeft, kunt u deze met elkaar vergelijken.

Vraagafwijkingen

Uw gehele voorraadsysteem is vraaggestuurd en alle voorraadbeheerparameters worden berekend na het modelleren van de artikelvraag. Dus als er iets vreemds gebeurt aan de vraagzijde, moet u waakzaam zijn en u voorbereiden op het herberekenen van zaken als min- en max-waarden voor artikelen die zich vreemd beginnen te gedragen.

Overzicht

Het eindpunt van alle enorme berekeningen in onze software is het dashboard dat het management laat zien wat er aan de hand is, wat de toekomst biedt en waar de aandacht op moet worden gevestigd. Smart Inventory Analytics is het onderdeel van ons software-ecosysteem gericht op de C-Suite van uw bedrijf.

 

Figuur 1: Enkele voorbeeldrapportages in grafische vorm

 

Het dagelijkse voorraadbeheer kan u bezig houden. Er is het gebruikelijke ritme van bestellen, ontvangen, voorspellen en plannen, en dingen verplaatsen in het magazijn. Dan zijn er de hectische tijden – tekorten, spoedgevallen, last-minute telefoontjes om nieuwe leveranciers te vinden.

Al deze activiteiten werken tegen dat je even de tijd neemt om te kijken hoe het met je gaat. Maar je weet dat je af en toe je hoofd omhoog moet brengen om te zien waar je naartoe gaat. Daarvoor moet uw inventarissoftware u statistieken tonen – en niet slechts één, maar een volledige set statistieken of KPI's – Key Performance Indicators.

Meerdere statistieken

Afhankelijk van uw rol in uw organisatie zullen verschillende statistieken een verschillende saillantie hebben. Als u zich bezighoudt met de financiële kant van het huis, kan het investeren in inventaris van cruciaal belang zijn: hoeveel geld zit er vast in de inventaris? Als u aan de verkoopkant werkt, kan de beschikbaarheid van artikelen een prioriteit zijn: hoe groot is de kans dat ik 'ja' kan zeggen tegen een bestelling? Als u verantwoordelijk bent voor de bevoorrading, hoeveel inkooporders moeten uw mensen dan het volgende kwartaal schrappen?

Beschikbaarheidsstatistieken

Laten we teruggaan naar de beschikbaarheid van artikelen. Hoe plak je daar een getal op? De twee meest gebruikte beschikbaarheidsstatistieken zijn ‘serviceniveau’ en ‘opvullingspercentage’. Wat is het verschil? Het is het verschil tussen zeggen: “We hebben gisteren een aardbeving gehad” en zeggen: “We hebben gisteren een aardbeving gehad, en die had een kracht van 6,4 op de schaal van Richter.” Serviceniveau registreert de frequentie van stockouts, ongeacht de omvang ervan; het opvullingspercentage weerspiegelt de ernst ervan. De twee kunnen in tegengestelde richtingen lijken te wijzen, wat voor enige verwarring zorgt. U kunt een goed serviceniveau hebben, bijvoorbeeld 90%, maar een gênant opvullingspercentage, bijvoorbeeld 50%. Of vice versa. Wat hen anders maakt, is de verdeling van de vraaggroottes. Als de verdeling bijvoorbeeld erg scheef is, dus de meeste eisen zijn klein, maar sommige zijn enorm, dan kun je de hierboven genoemde 90%/50%-verdeling krijgen. Als uw focus ligt op hoe vaak u moet nabestellen, is het serviceniveau relevanter. Als u zich zorgen maakt over hoe groot een nachtelijke expedite kan worden, is het opvullingspercentage relevanter.

Eén grafiek om ze allemaal te regeren

Een grafiek van de voorhanden voorraad kan de basis vormen voor het berekenen van meerdere KPI's. Kijk eens naar Figuur 1, waarin de grafieken een jaar lang elke dag bij de hand zijn. Dit diagram bevat informatie die nodig is om meerdere statistieken te berekenen: voorraadinvestering, serviceniveau, opvullingspercentage, bestelpercentage en andere statistieken.

Voorraadinvestering: de gemiddelde hoogte van de grafiek boven nul, vermenigvuldigd met de eenheidskosten van het voorraaditem, geeft een kwartaalwaarde in dollar.

Serviceniveau: Het deel van de voorraadcycli dat boven nul eindigt, is het serviceniveau. Voorraadcycli worden gekenmerkt door de opwaartse bewegingen die worden veroorzaakt door de komst van aanvullingsorders.

Opvullingspercentage: De hoeveelheid waarmee de voorraad onder nul daalt en hoe lang de voorraad daar blijft, bepalen samen het opvullingspercentage.

In dit geval was het gemiddelde aantal beschikbare eenheden 10,74, het serviceniveau 54% en het opvullingspercentage 91%.

 

KPI's en KPP's

In de ruim veertig jaar sinds we Smart Software hebben opgericht, heb ik nog nooit een klant een plot als figuur 1 zien maken. Degenen die verder in hun ontwikkeling zijn, produceren en besteden aandacht aan rapporten waarin hun KPI's in tabelvorm worden vermeld, maar dat doen ze niet' Kijk niet naar zo'n grafiek. Niettemin heeft die grafiek waarde voor het ontwikkelen van inzicht in de willekeurige ritmes van de voorraad terwijl deze stijgt en daalt.

Waar het vooral nuttig is, is prospectief. Gezien de marktvolatiliteit verschuiven belangrijke variabelen zoals de doorlooptijden van leveranciers, de gemiddelde vraag en de variabiliteit van de vraag allemaal in de loop van de tijd. Dit impliceert dat belangrijke controleparameters zoals bestelpunten en bestelhoeveelheden zich aan deze verschuivingen moeten aanpassen. Als een leverancier bijvoorbeeld zegt dat hij zijn gemiddelde doorlooptijd met twee dagen moet verlengen, heeft dit een negatieve invloed op uw statistieken en moet u mogelijk uw bestelpunt verhogen om dit te compenseren. Maar met hoeveel verhogen?

Hier komt moderne inventarisatiesoftware om de hoek kijken. Hiermee kunt u een aanpassing voorstellen en vervolgens zien hoe de zaken zullen verlopen. Percelen zoals Figuur 1 laten je het nieuwe regime zien en er een gevoel voor krijgen. En de grafieken kunnen worden geanalyseerd om KPP's te berekenen: Key Performance Predictions.

De hulp van KPP maakt het giswerk bij aanpassingen overbodig. U kunt simuleren wat er met uw KPI's zal gebeuren als u deze wijzigt als reactie op veranderingen in uw werkomgeving – en hoe slecht de situatie zal zijn als u geen wijzigingen aanbrengt.

 

 

 

 

Bent u in de war over wat AI is en wat machine learning is? Weet u niet zeker waarom meer weten u zal helpen bij uw werk in voorraadplanning? Wanhoop niet. Het komt wel goed met je, en we laten je zien hoe iets van wat het ook is, nuttig kan zijn.

Wat is en wat niet

Wat is AI en waarin verschilt het van ML? Wat doet iemand tegenwoordig als hij iets wil weten? Ze Googlen het. En als ze dat doen, begint de verwarring.

Eén bron zegt dat de neurale netmethodologie, deep learning genaamd, een subset is van machine learning, een subset van AI. Maar een andere bron zegt dat deep learning al een onderdeel is van AI, omdat het min of meer de manier nabootst waarop de menselijke geest werkt, terwijl machinaal leren dat niet probeert.

Eén bron zegt dat er twee soorten machinaal leren zijn: onder toezicht en zonder toezicht. Een ander zegt dat er vier zijn: onder toezicht, zonder toezicht, semi-onder toezicht en versterking.

Sommigen zeggen dat versterkend leren machinaal leren is; anderen noemen het AI.

Sommigen van ons, traditionalisten, noemen veel ervan ‘statistieken’, hoewel dat niet allemaal zo is.

Bij het benoemen van methoden is veel ruimte voor zowel emotie als verkoopvaardigheid. Als een softwareleverancier denkt dat je de term ‘AI’ wilt horen, kan het zijn dat hij/zij dat voor je zegt, alleen maar om je blij te maken.

Het is beter om je te concentreren op wat er uiteindelijk uitkomt

Je kunt een verwarrende hype vermijden als je je concentreert op het eindresultaat dat je krijgt van een analytische technologie, ongeacht het label ervan. Er zijn verschillende analytische taken die relevant zijn voor voorraadplanners en vraagplanners. Deze omvatten clustering, detectie van afwijkingen, detectie van regimeveranderingen en regressieanalyse. Alle vier de methoden worden gewoonlijk, maar niet altijd, geclassificeerd als methoden voor machinaal leren. Maar hun algoritmen kunnen rechtstreeks uit de klassieke statistiek komen.

Clustering

Clusteren betekent het groeperen van dingen die op elkaar lijken en het distantiëren ervan van dingen die niet op elkaar lijken. Soms is clusteren eenvoudig: om uw klanten geografisch te scheiden, sorteert u ze eenvoudigweg op staat of verkoopregio. Als het probleem niet zo voor de hand liggend is, kun je data- en clusteralgoritmen gebruiken om de klus automatisch te klaren, zelfs als je met enorme datasets te maken hebt.

Figuur 1 illustreert bijvoorbeeld een cluster van “vraagprofielen”, die in dit geval alle artikelen van een klant in negen clusters verdeelt, op basis van de vorm van hun cumulatieve vraagcurven. Cluster 1.1 linksboven bevat items waarvan de vraag is afgenomen, terwijl Cluster 3.1 linksonder items bevat waarvan de vraag is toegenomen. Clusteren kan ook op leveranciers. De keuze van het aantal clusters wordt doorgaans overgelaten aan het oordeel van de gebruiker, maar ML kan die keuze begeleiden. Een gebruiker kan de software bijvoorbeeld de opdracht geven om “mijn onderdelen in vier clusters op te splitsen”, maar het gebruik van ML kan aan het licht brengen dat er in werkelijkheid zes verschillende clusters zijn die de gebruiker moet analyseren. 

 

Figuur 1: Artikelen clusteren op basis van de vorm van hun cumulatieve vraag

Onregelmatigheidsdetectie

Vraagvoorspelling wordt traditioneel gedaan met behulp van tijdreeksextrapolatie. Eenvoudige exponentiële afvlakking werkt bijvoorbeeld om op elk moment het ‘midden’ van de vraagverdeling te vinden en dat niveau naar voren te projecteren. Als er in het recente verleden echter een plotselinge, eenmalige stijging of daling van de vraag heeft plaatsgevonden, kan die afwijkende waarde een aanzienlijk maar onwelkom effect hebben op de kortetermijnvoorspellingen. Net zo ernstig voor de voorraadplanning, kan de anomalie een buitensporig effect hebben op de schatting van de variabiliteit van de vraag, wat rechtstreeks doorgaat naar de berekening van de veiligheidsvoorraadvereisten.

Planners geven er misschien de voorkeur aan dergelijke afwijkingen op te sporen en te verwijderen (en misschien offline follow-up te doen om de reden voor de vreemdheid te achterhalen). Maar niemand die een grote klus te klaren heeft, zal duizenden vraagdiagrammen visueel willen scannen om uitschieters op te sporen, deze uit de vraaggeschiedenis te verwijderen en vervolgens alles opnieuw te berekenen. De menselijke intelligentie zou dat kunnen doen, maar het menselijk geduld zou spoedig ophouden. Algoritmen voor het detecteren van afwijkingen zouden het werk automatisch kunnen doen met behulp van relatief eenvoudige statistische methoden. Je zou dit ‘kunstmatige intelligentie’ kunnen noemen als je dat wilt.

Detectie van regimewijzigingen

Detectie van regimeveranderingen is als de grote broer van anomaliedetectie. Regimeverandering is een aanhoudende, in plaats van tijdelijke, verschuiving in een of meer aspecten van het karakter van een tijdreeks. Terwijl de detectie van afwijkingen zich gewoonlijk richt op plotselinge verschuivingen in de gemiddelde vraag, kan een regimeverandering verschuivingen in andere kenmerken van de vraag met zich meebrengen, zoals de volatiliteit of de verdelingsvorm ervan.  

Figuur 2 illustreert een extreem voorbeeld van regimeverandering. Rond dag 120 daalde de vraag naar dit artikel op de bodem. Het voorraadbeheerbeleid en de vraagvoorspellingen op basis van de oudere gegevens zouden aan het einde van de vraaggeschiedenis enorm afwijken van de basis.

Figuur 2: Een voorbeeld van extreme regimeverandering in een artikel met een intermitterende vraag

Ook hier kunnen statistische algoritmen worden ontwikkeld om dit probleem op te lossen, en het zou eerlijk zijn om ze ‘machine learning’ of ‘kunstmatige intelligentie’ te noemen als ze daartoe gemotiveerd zijn. Door ML of AI te gebruiken om regimeveranderingen in de vraaggeschiedenis te identificeren, kan software voor vraagplanning automatisch alleen de relevante geschiedenis gebruiken bij het voorspellen, in plaats van handmatig de hoeveelheid geschiedenis te moeten kiezen die in het model moet worden geïntroduceerd. 

Regressie analyse

Regressieanalyse relateert de ene variabele aan de andere via een vergelijking. De verkoop van kozijnen in één maand kan bijvoorbeeld worden voorspeld op basis van bouwvergunningen die een paar maanden eerder zijn afgegeven. Regressieanalyse wordt al meer dan een eeuw beschouwd als onderdeel van de statistiek, maar we kunnen zeggen dat het ‘machine learning’ is, aangezien een algoritme de precieze manier uitwerkt om kennis van de ene variabele om te zetten in een voorspelling van de waarde van een andere.

Overzicht

Het is redelijk om geïnteresseerd te zijn in wat er gebeurt op het gebied van machinaal leren en kunstmatige intelligentie. Hoewel de aandacht die aan ChatGPT en zijn concurrenten wordt besteed interessant is, is deze niet relevant voor de numerieke kant van vraagplanning of voorraadbeheer. De numerieke aspecten van ML en AI zijn potentieel relevant, maar je moet proberen de wolk van hype rond deze methoden te doorzien en je te concentreren op wat ze kunnen doen. Als u de klus kunt klaren met klassieke statistische methoden, kunt u dat misschien ook doen, en vervolgens uw optie uitoefenen om het ML-label op alles wat beweegt te plakken.