Make AI-Driven Inventory Optimization an Ally for Your Organization
In this blog, we will explore how organizations can achieve exceptional efficiency and accuracy with AI-driven inventory optimization. Traditional inventory management methods often fall short due to their reactive nature and reliance on manual processes. Maintaining optimal inventory levels is fundamental for meeting customer demand while minimizing costs. The introduction of AI-driven inventory optimization can significantly reduce the burden of manual processes, providing relief to supply chain managers from tedious tasks. With AI, we can predict demand more accurately, reduce excess stock, avoid stockouts, and ultimately improve our organization’s bottom line. Let’s explore how this approach not only boosts sales and operational efficiency but also elevates customer satisfaction by ensuring products are always available when needed.

 

Insights for Improved Decision-Making in Inventory Management

  1. Enhanced Forecast Accuracy Advanced Machine Learning algorithms analyze historical data to identify patterns that humans might miss. Techniques like clustering, regime change detection, anomaly detection, and regression analysis provide deep insights into data. Measuring forecast error is essential for refining forecast models; for example, techniques like Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) help quantify the accuracy of forecasts. Businesses can improve accuracy by continuously monitoring and adjusting forecasts based on these error metrics. As the Demand Planner at a Hardware Retailer stated, “With the improvements to our forecasts and inventory planning that Smart Software enabled, we have been able to reduce safety stock by 20% while also reducing stock-outs by 35%.”
  1. Real-Time Data Analysis State-of-the-art systems can process vast amounts of data in real time, allowing businesses to adjust their inventory levels dynamically based on current demand trends and market conditions. Anomaly detection algorithms can automatically identify and correct sudden spikes or drops in demand, ensuring that the forecasts remain accurate. A notable success story comes from Smart IP&O, which enabled one company to reduce inventory by 20% while maintaining service levels by continuously analyzing real-time data and adjusting forecasts accordingly. FedEx Tech’s Manager of Materials highlighted, “Whatever the request, we need to meet our next-day service commitment – Smart enables us to risk adjust our inventory to be sure we have the products and parts on hand to achieve the service levels our customers require.”
  1. Improved Supply Chain Efficiency Intelligent technology platforms can optimize the entire supply chain, from procurement to distribution, by predicting lead times and optimizing order quantities. This reduces the risk of overstocking and understocking. For instance, using forecast-based inventory management, Smart Software helped a manufacturer streamline its supply chain, reducing lead times by 15% and enhancing overall efficiency. The VP of Operations at Procon Pump stated, “One of the things I like about this new tool… is that I can evaluate the consequences of inventory stocking decisions before I implement them.”
  1. Enhanced Decision-Making AI provides actionable insights and recommendations, enabling managers to make informed decisions. This includes identifying slow-moving items, forecasting future demand, and optimizing stock levels. Regression analysis, for example, can relate sales to external variables like seasonality or economic indicators, providing a deeper understanding of demand drivers. One of Smart Software’s clients reported a significant improvement in decision-making processes, resulting in a 30% increase in service levels while reducing excess inventory by 15%. “Smart IP&O enabled us to model demand at each stocking location and, using service level-driven planning, determine how much to stock to achieve the service level we require,” noted the Purchasing Manager at Seneca Companies.
  1. Kostenbesparing By optimizing inventory levels, businesses can reduce holding costs and minimize losses from obsolete or expired products. AI-driven systems also reduce the need for manual inventory checks, saving time and labor costs. A recent case study shows how implementing Inventory Planning & Optimization (IP&O) was accomplished within 90 days of project start. Over the ensuing six months, IP&O enabled the adjustment of stocking parameters for several thousand items, resulting in inventory reductions of $9.0 million while sustaining target service levels.

 

By leveraging advanced algorithms and real-time data analysis, businesses can maintain optimal inventory levels and enhance their overall supply chain performance. Inventory Planning & Optimization (IP&O) is a powerful tool that can help your organization achieve these goals. Incorporating state-of-the-art inventory optimization into your organization can lead to significant improvements in efficiency, cost reduction, and customer satisfaction.

 

 

Je moet samenwerken met de algoritmen

Ruim veertig jaar geleden bestond Smart Software uit drie vrienden die in de kelder van een kerk een bedrijf begonnen te starten. Tegenwoordig is ons team uitgebreid en opereert vanuit meerdere locaties in Massachusetts, New Hampshire en Texas, met teamleden in Engeland, Spanje, Armenië en India. Net als velen van u in uw functie hebben wij manieren gevonden om gedistribueerde teams voor ons en voor u te laten werken.

Deze notitie gaat over een ander soort teamwerk: de samenwerking tussen u en onze software die binnen handbereik plaatsvindt. Ik schrijf vaak over de software zelf en wat er ‘onder de motorkap’ gebeurt. Deze keer is mijn onderwerp hoe je het beste met de software kunt samenwerken.

Onze softwaresuite, Smart Inventory Planning and Optimization (Smart IP&O™) is in staat tot zeer gedetailleerde berekeningen van de toekomstige vraag en de voorraadcontroleparameters (bijvoorbeeld bestelpunten en bestelhoeveelheden) die die vraag het meest effectief zouden beheren. Maar om al die kracht optimaal te kunnen benutten, is uw inbreng nodig. Je moet samenwerken met de algoritmen.

Die interactie kan verschillende vormen aannemen. U kunt beginnen door simpelweg te beoordelen hoe het nu met u gaat. De rapportschrijffuncties in Smart IP&O (Smart Operational Analytics™) kunnen al uw transactiegegevens verzamelen en analyseren om uw Key Performance Indicators (KPI's) te meten, zowel financieel (bijvoorbeeld voorraadinvesteringen) als operationeel (bijvoorbeeld opvullingspercentages).

De volgende stap zou kunnen zijn om SIO (Smart Inventory Optimization™), de inventarisanalyse binnen SIP&O, te gebruiken om ‘wat-als’-spelletjes met de software te spelen. U kunt zich bijvoorbeeld afvragen: 'Wat als we de bestelhoeveelheid voor artikel 1234 verlagen van 50 naar 40?' De software vermaalt de cijfers om u te laten weten hoe dat zou uitpakken, waarna u reageert. Dit kan handig zijn, maar wat als u 50.000 items moet overwegen? Je zou wat-als-spellen willen doen voor een paar cruciale items, maar niet voor allemaal.

De echte kracht zit hem in het gebruik van de automatische optimalisatiemogelijkheden in SIO. Hier kunt u op grote schaal samenwerken met de algoritmen. Op basis van uw zakelijke oordeel kunt u “groepen” creëren, dat wil zeggen verzamelingen van items die enkele cruciale kenmerken gemeen hebben. U kunt bijvoorbeeld een groep maken voor 'kritieke reserveonderdelen voor klanten van elektriciteitsbedrijven', bestaande uit 1.200 onderdelen. Vervolgens kunt u, opnieuw op basis van uw zakelijk oordeel, specificeren welke standaard voor de beschikbaarheid van artikelen moet gelden voor alle artikelen in die groep (bijvoorbeeld: “minstens 95% kans dat de voorraad binnen een jaar niet op voorraad is”). Nu kan de software het overnemen en automatisch de beste bestelpunten en bestelhoeveelheden voor elk van deze artikelen berekenen om de gewenste artikelbeschikbaarheid tegen de laagst mogelijke totale kosten te bereiken. En dat, beste lezer, is krachtig teamwerk.

 

 

Verward over AI en Machine Learning?

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. 

 

Verward over AI en Machine Learning-inventarisplanning

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.

Verward over AI en Machine Learning Vraagplanning

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.