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.

Klanten vragen ons vaak waarom een kousaanbeveling "zo hoog" is. Hier is een vraag die we onlangs ontvingen:

Tijdens onze laatste teamvergadering hebben we enkele items gevonden met abnormale hiaten tussen onze huidige ROP en de door Smart voorgestelde ROP op een 99%-serviceniveau. De zorg is dat het systeem aangeeft dat het bestelpunt fors omhoog zal moeten om een 99%-serviceniveau te halen. Kunt u ons helpen de berekening te begrijpen?

Toen we de gegevens bekeken, was het voor de klant duidelijk dat de door Smart berekende ROP inderdaad klopte. We concludeerden (1) wat ze echt wilden was een veel lager doel voor het serviceniveau en (2) we hadden niet goed uitgelegd wat er werkelijk werd bedoeld met 'serviceniveau'. 

Dus, wat betekent een "99%-serviceniveau" eigenlijk? 

Als het gaat om het doel dat u invoert in uw voorraadoptimalisatiesoftware, betekent dit dat het voorraadniveau voor het artikel in kwestie een kans van 99% heeft om te kunnen vullen wat de klant nodig heeft meteen.  Als u bijvoorbeeld 50 stuks op voorraad heeft, is de kans 99% dat de volgende vraag ergens in het bereik van 0 tot 50 stuks zal vallen.

Wat onze klant bedoelde was dat 99% van de keren dat een klant een bestelling plaatste, dat ook zo was volledig geleverd binnen de door de klant opgegeven levertijd. Met andere woorden, niet per se meteen maar wanneer beloofd.  

Het is duidelijk dat hoe meer tijd u uzelf geeft om aan een klant te leveren, hoe hoger uw serviceniveau zal zijn. Maar dat onderscheid wordt vaak niet expliciet begrepen wanneer nieuwe gebruikers van voorraadoptimalisatiesoftware wat-als-scenario's uitvoeren op verschillende serviceniveaus. En dat kan tot grote verwarring leiden. Het berekenen van serviceniveaus op basis van onmiddellijke voorraadbeschikbaarheid is een hogere norm: moeilijker te halen maar veel competitiever.

Onze productieklanten geven vaak serviceniveaus aan op basis van doorlooptijden aan hun klanten, dus het is niet essentieel voor hen om direct uit het schap te leveren. Onze klanten in de distributie, Maintenance Repair and Operations (MRO) en ruimtes voor reserveonderdelen moeten daarentegen normaal gesproken dezelfde dag of binnen 24 uur verzenden. Voor hen is het een competitieve noodzaak om meteen te verzenden en dit volledig te doen.

Houd bij het invoeren van beoogde serviceniveaus met uw voorraadoptimalisatiesoftware rekening met dit onderscheid. Kies het serviceniveau op basis van het percentage van de tijd dat u de volledige voorraad direct vanaf de plank wilt verzenden.  

Vertragingen in de doorlooptijd en variabiliteit in de levering zijn dagelijkse realiteit in de toeleveringsketen, maar organisaties die voorraad hebben, worden vaak verrast wanneer een leverancier te laat is. Een effectief voorraadplanningsproces omarmt dit feit en ontwikkelt beleid dat effectief rekening houdt met deze onzekerheid. Natuurlijk zullen er momenten zijn dat vertragingen in de doorlooptijd uit het niets opduiken en een tekort veroorzaken. Maar meestal zijn de tekorten het gevolg van:

1. Het voorraadbeleid (bijv. bestelpunten, veiligheidsvoorraden en min/max-niveaus) niet vaak genoeg berekenen om veranderingen in de doorlooptijd op te vangen. 
2. Slechte schattingen van de werkelijke doorlooptijd gebruiken, zoals alleen gemiddelden van historische ontvangsten gebruiken of vertrouwen op een offerte van een leverancier.

Kalibreer in plaats daarvan het beleid voor elk afzonderlijk onderdeel tijdens elke planningscyclus om veranderingen in de vraag en doorlooptijden op te vangen. In plaats van alleen uit te gaan van een gemiddelde doorlooptijd, simuleer je de doorlooptijden met behulp van scenario's. Op deze manier houdt het aanbevolen voorraadbeleid rekening met de waarschijnlijkheid dat doorlooptijden hoog zijn en wordt het dienovereenkomstig aangepast. Wanneer u dit doet, identificeert u de benodigde voorraadverhogingen voordat het te laat is. U genereert meer omzet en zorgt voor aanzienlijke verbeteringen in de klanttevredenheid.

Belmont, MA, June 2023 – Smart Software, Inc., provider of industry-leading demand forecasting, planning, and inventory optimization solutions, today announced the award of US Patent 11,656,887, “SYSTEM AND METHOD TO SIMULATE DEMAND AND OPTIMIZE CONTROL PARAMETERS FOR A TECHNOLOGY PLATFORM.”

Het patent regelt "technische oplossingen voor het analyseren van historische vraaggegevens van middelen in een technologieplatform om het beheer van een geautomatiseerd proces in het platform te vergemakkelijken." Een belangrijke toepassing is het optimaliseren van onderdelenvoorraden.

Aspects of the invention include: an advanced bootstrap process that converts a single observed time series of item demand into an unlimited number of realistic demand scenarios; a performance prediction process that executes Monte Carlo simulations of a proposed inventory control policy to assess its performance; and a performance improvement process that uses the performance prediction process to automatically explore the space of alternative system designs to identify optimal control parameter values, selecting ones that minimize operating cost while guaranteeing a target level of item availability.

The new analytic technology described in the patent will form the basis for the upcoming release of the next generation (“Gen2”) of Slimme Vraagplanner™ en Slimme IP&O™. Current customers and resellers can preview Gen2 by contacting their Smart Software sales representative.

Research underlying the patent was self-funded by Smart, supplemented by competitive Small Business Innovation Research grants from the US National Science Foundation.

Over Smart Software, Inc.
Founded in 1981, Smart Software, Inc. is a leader in providing businesses with enterprise-wide demand forecasting, planning, and inventory optimization solutions.  Smart Software’s demand forecasting and inventory optimization solutions have helped thousands of users worldwide, including customers such as Disney, Otis Elevator, Hitachi, Arizona Public Service, Ameren, and The American Red Cross.  Smart’s Inventory Planning & Optimization Platform, Smart IP&O gives demand planners the tools to handle sales seasonality, promotions, new and aging products, multi-dimensional hierarchies, and intermittently demanded service parts and capital goods items.  It also provides inventory managers with accurate estimates of the optimal inventory and safety stock required to meet future orders and achieve desired service levels.  Smart Software is headquartered in Belmont, Massachusetts, and our website is www.smartcorp.com.