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.

Wist je dat het Benjamin Franklin was die de bliksemafleider uitvond om gebouwen te beschermen tegen blikseminslag? Nu hoeven we ons niet elke dag zorgen te maken over blikseminslagen, maar in het onvoorspelbare zakenklimaat van vandaag moeten we ons wel zorgen maken over verstoringen in de toeleveringsketen, lange doorlooptijden, stijgende rentetarieven en een volatiele vraag. Met al deze uitdagingen is het voor organisaties nog nooit zo belangrijk geweest om het gebruik van onderdelen en voorraadniveaus nauwkeurig te voorspellen en het bevoorradingsbeleid, zoals bestelpunten, veiligheidsvoorraden en bestelhoeveelheden, te optimaliseren. In deze blog onderzoeken we hoe bedrijven gebruik kunnen maken van innovatieve oplossingen, zoals voorraadoptimalisatie en software voor het voorspellen van onderdelen die gebruikmaken van machine learning-algoritmen, probabilistische prognoses en analyses om voorop te blijven lopen en hun toeleveringsketens te beschermen tegen onverwachte schokken.

Planningsoplossingen voor reserveonderdelen
Optimalisatie van reserveonderdelen is een belangrijk aspect van supply chain management voor veel industrieën. Het omvat het beheer van de inventaris van reserveonderdelen om ervoor te zorgen dat ze beschikbaar zijn wanneer dat nodig is, zonder overtollige voorraad die kapitaal en ruimte in beslag kan nemen. Het optimaliseren van de inventaris van reserveonderdelen is een complex proces dat een grondige kennis van gebruikspatronen, doorlooptijden van leveranciers en de kritieke waarde van elk onderdeel voor het bedrijf vereist.

In deze blog zal onze primaire nadruk liggen op het cruciale aspect van voorraadoptimalisatie en vraagvoorspelling. Andere hieronder beschreven benaderingen voor het optimaliseren van reserveonderdelen, zoals voorspellend onderhoud en 3D-printen, Master Data Management en gezamenlijke planning, moeten echter worden onderzocht en waar nodig worden toegepast.

1. Voorspellend onderhoud: Voorspellende analyses gebruiken om te anticiperen wanneer een onderdeel waarschijnlijk defect raakt en het proactief te vervangen, in plaats van te wachten tot het kapot gaat. Deze aanpak kan bedrijven helpen downtime en onderhoudskosten te verminderen en de algehele effectiviteit van apparatuur te verbeteren.
2. 3d printen: Dankzij de vooruitgang in de 3D-printtechnologie kunnen bedrijven reserveonderdelen op aanvraag produceren, waardoor er minder voorraad nodig is. Dit bespaart niet alleen ruimte en kosten, maar zorgt er ook voor dat onderdelen beschikbaar zijn wanneer dat nodig is.
3. Beheer van stamgegevens: Gegevensbeheerplatforms zorgen ervoor dat onderdeelgegevens correct worden geïdentificeerd, gecatalogiseerd, opgeschoond en georganiseerd. Maar al te vaak hebben MRO-organisaties hetzelfde onderdeelnummer onder verschillende SKU's. Deze dubbele onderdelen dienen hetzelfde doel, maar hebben verschillende SKU-nummers nodig om naleving van de regelgeving of veiligheid te garanderen. Een onderdeel dat wordt gebruikt ter ondersteuning van een overheidscontract, kan bijvoorbeeld nodig zijn van een Amerikaanse fabrikant om te blijven voldoen aan de "Buy America"-regelgeving. Het is van cruciaal belang dat deze onderdeelnummers worden geïdentificeerd en, indien mogelijk, worden geconsolideerd in één SKU om voorraadinvesteringen binnen de perken te houden.
4. Gezamenlijke planning: Door samen te werken met leveranciers en klanten om gegevens, prognoses en vraagplanning te delen, kunnen bedrijven doorlooptijden verkorten, de nauwkeurigheid verbeteren en voorraadniveaus verlagen. Prognoses spelen een essentiële rol in samenwerking, aangezien het delen van inzichten over aankopen, vraag en koopgedrag ervoor zorgt dat leveranciers over de informatie beschikken die ze nodig hebben om ervoor te zorgen dat de voorraad voor klanten beschikbaar is.

Inventory Optimization
Abraham Lincoln werd ooit als volgt geciteerd: "Geef me zes uur om een boom om te hakken, en ik zal de eerste vier uur besteden aan het slijpen van de bijl"? Lincoln wist dat voorbereiding en optimalisatie de sleutel tot succes waren, net zoals organisaties over de juiste tools moeten beschikken, zoals software voor voorraadoptimalisatie, om hun toeleveringsketen te optimaliseren en voorop te blijven lopen in de markt. Met software voor voorraadoptimalisatie kunnen organisaties hun prognosenauwkeurigheid verbeteren, voorraadkosten verlagen, serviceniveaus verbeteren en doorlooptijden verkorten. Lincoln wist dat het slijpen van de bijl nodig was om de klus effectief te klaren zonder overmatige inspanning. Voorraadoptimalisatie zorgt ervoor dat voorraaddollars effectief worden toegewezen aan duizenden onderdelen, waardoor serviceniveaus worden gegarandeerd en overtollige voorraad wordt geminimaliseerd.

Reserveonderdelen spelen een doorslaggevende rol bij het handhaven van de operationele efficiëntie, en het ontbreken van kritieke onderdelen kan leiden tot uitvaltijd en verminderde productiviteit. Door de sporadische aard van de vraag naar reserveonderdelen is het moeilijk te voorspellen wanneer een specifiek onderdeel nodig zal zijn, wat resulteert in het risico van over- of onderbevoorrading, die beide kosten kunnen opleveren voor de organisatie. Bovendien brengt het beheren van doorlooptijden voor reserveonderdelen zijn eigen uitdagingen met zich mee. Sommige onderdelen kunnen lange levertijden hebben, waardoor het nodig is om voldoende voorraad aan te houden om tekorten te voorkomen. Het meenemen van overtollige voorraad kan echter kostbaar zijn en kapitaal en opslagruimte in beslag nemen.

Gezien de talloze uitdagingen waarmee materiaalbeheerafdelingen en planners van reserveonderdelen worden geconfronteerd, is het plannen van de vraag, voorraadniveaus en aanvulling van reserveonderdelen zonder een effectieve oplossing voor voorraadoptimalisatie vergelijkbaar met een poging om een boom om te hakken met een zeer botte bijl! Hoe scherper de bijl, hoe beter uw organisatie deze uitdagingen het hoofd kan bieden.

De bijl van Smart Software is de scherpste
Slimme software voor voorraadoptimalisatie en vraagplanning maakt gebruik van een unieke empirische probabilistische prognosebenadering die resulteert in nauwkeurige prognoses van voorraadbehoeften, zelfs wanneer de vraag met tussenpozen is. Aangezien bijna 90% aan reserve- en serviceonderdelen met tussenpozen is, is een nauwkeurige oplossing vereist om aan dit soort vraag te voldoen. De oplossing van Smart werd gepatenteerd in 2001 en aanvullende innovaties werden onlangs gepatenteerd in mei 2023 (aankondigingen volgen binnenkort!). De oplossing werd bekroond als finalist in de APICS Technological Innovation Category voor zijn rol bij het helpen transformeren van de resource management-industrie.

De rol van intermitterende vraag
Intermitterende vraag komt niet overeen met een simpele normale of klokvormige verdeling die het onmogelijk maakt om nauwkeurig te voorspellen met traditionele, op afvlakking gebaseerde prognosemethoden. Onderdelen en items met intermitterende vraag – ook wel bekend als klonterige, volatiele, variabele of onvoorspelbare vraag – hebben veel nul- of laagvolumewaarden afgewisseld met willekeurige pieken in de vraag die vaak vele malen groter zijn dan het gemiddelde. Dit probleem doet zich vooral voor bij bedrijven die grote voorraden van service- en reserveonderdelen beheren in sectoren zoals luchtvaart, ruimtevaart, energie- en watervoorziening en nutsbedrijven, automobielindustrie, beheer van zware activa, hightech, evenals in MRO (Maintenance, Repair, en revisie).

Scenario analyse
De gepatenteerde en bekroonde technologie van Smart genereert snel tienduizenden mogelijke scenario's van toekomstige vraagreeksen en cumulatieve vraagwaarden over de doorlooptijd van een artikel. Deze scenario's zijn statistisch vergelijkbaar met de geobserveerde gegevens van het artikel en ze leggen de relevante details vast van de intermitterende vraag zonder te vertrouwen op de aannames die gewoonlijk worden gedaan over de aard van vraagverdelingen door traditionele prognosemethoden. Het resultaat is een uiterst nauwkeurige voorspelling van de volledige verdeling van de cumulatieve vraag over de doorlooptijd van een artikel. Het komt erop neer dat bedrijven met de informatie die deze vraagdistributies bieden, eenvoudig veiligheidsvoorraad en voorraadvereisten op serviceniveau kunnen plannen voor duizenden periodiek gevraagde artikelen met een nauwkeurigheid van bijna 100%.

Benefits
Door innovatieve oplossingen van Smart Software te implementeren, zoals SmartForecasts voor statistische prognoses, Demand Planner voor consensusplanning van onderdelen en Inventory Optimization voor het ontwikkelen van nauwkeurige aanvullingsfactoren zoals min/max en veiligheidsvoorraadniveaus, krijgen vooruitstrevende leidinggevenden en planners betere controle over hun bedrijfsvoering van de organisatie. Het zal resulteren in de volgende voordelen:

1. Verbeterde prognosenauwkeurigheid: Nauwkeurige vraagprognoses zijn van fundamenteel belang voor elke organisatie die zich bezighoudt met voorraadbeheer van reserveonderdelen. Voorraadoptimalisatiesoftware maakt gebruik van geavanceerde algoritmen om historische gebruikspatronen te analyseren, trends te identificeren en toekomstige vraag met een hoge mate van nauwkeurigheid te voorspellen. Met dit niveau van precisie bij prognoses kunnen organisaties het risico van over- of onderbevoorrading van hun reserveonderdelenvoorraad vermijden.
2. Lagere voorraadkosten: Een grote uitdaging waarmee leiders in de toeleveringsketen worden geconfronteerd bij het beheer van de voorraad van reserveonderdelen, zijn de kosten die gepaard gaan met het te allen tijde aanhouden van een optimale voorraad reserveonderdelen. Door voorraadniveaus te optimaliseren met behulp van moderne technologiesystemen zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses, kunnen organisaties de transportkosten verlagen en er tegelijkertijd voor zorgen dat ze voldoende voorraden beschikbaar hebben wanneer dat nodig is.
3. Verbeterde serviceniveaus: Als het gaat om reparatie- en onderhoudsdiensten, is tijd geld! Downtime als gevolg van de onbeschikbaarheid van kritieke reserveonderdelen kan leiden tot verloren productiviteit en inkomsten voor bedrijven in verschillende sectoren, zoals fabrieken, energieopwekkingsfaciliteiten of datacenters die IT-infrastructuurapparatuur beheren. Het optimaliseren van uw reserveonderdelenvoorraad zorgt ervoor dat u altijd de juiste hoeveelheid bij de hand hebt, waardoor de uitvaltijd die wordt veroorzaakt door het wachten op leveringen van leveranciers wordt verminderd.
4. Kortere doorlooptijden: Een ander voordeel dat voortvloeit uit nauwkeurige vraagprognoses door middel van moderne magazijntechnologieën, is een kortere doorlooptijd bij levering, wat leidt tot een betere klanttevredenheid, aangezien klanten hun bestellingen sneller zullen ontvangen dan voorheen, waardoor de merkloyaliteit wordt verbeterd. Daarom creëert de toepassing van nieuwe strategieën die worden aangestuurd door AI/ML-tools waarde binnen supply chain-operaties, wat leidt tot meer efficiëntie, niet alleen beperkte reductiekosten, maar ook stroomlijning van processen met betrekking tot onder andere productieplanning en logistieke transportplanning

Conclusie
Door gebruik te maken van software voor voorraadoptimalisatie en vraagplanning kunnen organisaties verschillende uitdagingen overwinnen, zoals verstoringen in de toeleveringsketen, stijgende rentetarieven en volatiele vraag. Hierdoor kunnen ze de kosten verlagen die gepaard gaan met overtollige opslagruimte en verouderde inventarisitems. Door gebruik te maken van geavanceerde algoritmen, verbetert software voor voorraadoptimalisatie de nauwkeurigheid van prognoses, waardoor organisaties kunnen voorkomen dat ze te veel of te weinig voorraad hebben in hun voorraad reserveonderdelen. Bovendien helpt het de voorraadkosten te verlagen door niveaus te optimaliseren en technologieën zoals kunstmatige intelligentie (AI), machine learning (ML) en voorspellende analyses te gebruiken. Verbeterde serviceniveaus worden bereikt doordat organisaties de juiste hoeveelheid reserveonderdelen direct beschikbaar hebben, waardoor downtime als gevolg van het wachten op leveringen wordt verminderd. Bovendien leidt nauwkeurige vraagprognose tot kortere doorlooptijden, waardoor de klanttevredenheid toeneemt en merkloyaliteit wordt bevorderd. Het toepassen van dergelijke strategieën, aangestuurd door AI/ML-tools, verlaagt niet alleen de kosten, maar stroomlijnt ook processen, waaronder productieplanning en logistieke transportplanning, waardoor uiteindelijk de efficiëntiewinst binnen de toeleveringsketen toeneemt.