Kruitbosch

Kruitbosch, eigenaar van de groeiende fietsmerken Cortina en Alpina, is live gegaan met Slim4. “Ons doel is om in het hoofdseizoen onze voorraadbeschikbaarheid boven de 96% te houden”, vertelt manager sales & operation planning Norbert Went.

Kruitbosch heeft zich in de loop der jaren ontwikkeld van groothandel in fietsen en accessoires tot retailpartner voor fietsspeciaalzaken en webshops in Nederland en België. Vanuit het magazijn in Zwolle worden ruim 12,5 duizend artikelen uit voorraad geleverd, waarbij geldt: vandaag besteld, morgen in huis.

“Onze uitdaging is om ook in het hoogseizoen de juiste beschikbaarheid te kunnen garanderen. Daarvoor zijn we op zoek gegaan naar een voorraad management tool”, vertelt Went. Zijn collega Karin Otten en hij hadden beide goede ervaring met Slim4, uit een verleden bij een vorige werkgever, en daarom werd na een kort selectieproces opnieuw voor deze software gekozen.

Inmiddels is Slim4 geïmplementeerd en ziet het bedrijf het nieuwe fietsseizoen met vertrouwen tegemoet. “Ons hoofddoel is de voorraadbeschikbaarheid boven de 96% te houden. Als we tegelijkertijd de voorraadwaarde kunnen verlagen, is dat meegenomen, maar dat is geen doel op zich.”

SHARE:
Machine Learning

We kunnen er niet omheen. De complexiteit van onze logistieke toevoerketen is de afgelopen jaren exponentieel toegenomen. Waar vroeger een goede bedrijfsstrategie genoeg was, lijkt nu het overwinnen van de complexiteit aan de kostenposten hét concurrentievoordeel te worden voor de komende jaren. In de kostenpost ‘voorraadbeheer’ wordt het mogelijk zelfs nóg uitdagender. Niet alleen de complexiteit moet overwonnen worden, maar er zijn ook de mensen die het moeten begrijpen. Dit is een uitdaging waar menig manager zich over bekommert (of toch zou moeten). “Vroeger was alles beter”. Wel, in voorraadbeheer zou dat zomaar een juiste quote kunnen zijn. Al geeft het roepen hiervan natuurlijk geen oplossing.

Steven Pauly

Over Steven Pauly
Als senior consultant en research scientist bij Slimstock is Steven Pauly gespecialiseerd in de mathematische kant van voorraadoptimalisatie. In zijn rol als consultant was hij betrokken bij diverse grote verbeterprojecten bij grote en kleine bedrijven. Hij is verbonden aan de Slimstock Academy waar hij trainingen en masterclasses geeft op het gebied van forecasting en andere deelgebieden van voorraadbeheer.

Volg Steven ook op LinkedIn

De kracht van machine learning

Meer dan 50 jaar geleden nam de kennis rond voorraadbeheer toe. De waarde van goed voorraadbeheer bleek enorm te zijn en dat vertaalde zich in heel wat kwaliteitsvolle literatuur rondom voorraadbeheer. Echter, er was geen sprake van computerkracht en oplossingen waren gebaseerd op gezond boerenverstand met daarnaast de nodige wiskundige analyse. Dit had het voordeel dat oplossingen transparant waren, niet veel moeite vroegen, mooie inzichten verschaften en vooral gericht waren op zogenaamde ‘quick wins’. De vraag die de lezende manager zich dan kan stellen; waarom het anders doen?

Wel, er waren veel problemen in die tijd en nog meer problemen die zich vandaag de dag voordoen, die geen oplossing kennen met enkel wiskundige analyse en dat gezond boerenverstand als middel. Ook hadden veel oplossingen vaak strenge assumpties.

Er werd al snel veel energie gestoken in het zoeken van efficiënte oplossingen om die complexiteit te overwinnen. Vooral omdat een brute-force benadering, waarbij we elke mogelijke uitkomst evalueren en vervolgens de beste kiezen, vanuit een praktisch oogpunt helemaal niet voordelig was. Oplossingen werden, mede door de evolutie in artificiële intelligentie, gezocht in natuurlijke processen. Zo bleek dat onze vriend Charles Darwin met zijn evolutietheorie ook mogelijkheden bood in het benaderen van complexe problemen. Toch was, ook alweer door de groeiende interesse in artificiële intelligentie, machine learning dé techniek die de meeste aandacht kreeg.

Machine learningWellicht heeft de lezer al ooit de woorden ‘DBC-systeem’, ‘machine learning’, ‘IBM’ en het jaartal ‘1997’ in éénzelfde zin gehoord of gelezen. Het Deep Blue Chess (DBC)-systeem van IBM leidt het verhaal in dat in 1997 plaats vond. Via machine learning slaagden zij erin om de wereldkampioen schaken te verslaan. Indrukwekkend zou men denken.

Toch zijn er wat haken en ogen aan dit verhaal. Zo werd er door interne medewerkers geroepen dat alle mogelijke combinaties op elk moment werden geleerd door de machine. Dit leunt natuurlijk meer aan tegen een brute-force benadering en zou het vooral indrukwekkend maken als het gaat over de computerkracht die toen werd tentoongesteld. Pittig detail: de wereldkampioen Garry Kasparov (of was IBM nu de wereldkampioen?) eiste een rematch en verdacht de machine van valsspelen. IBM weigerde en ontmantelde de machine vrijwel direct ernaar.

In 2016 kwam er echter wel een heuse tentoonstelling van de kracht van machine learning. Wederom werd er getracht om in een strategisch spel, ditmaal het spelletje ‘Go’, een machine het te laten opnemen tegen de absolute wereldtop. Ook hier slaagden ze in het opzet. Nu, ‘Go’ is anders dan schaken in de zin van het aantal mogelijke combinaties dat het heeft. We gooien er weer een pittig detail tegenaan: ‘Go’ heeft 10^174 mogelijke bordconfiguraties. Om een idee te geven van deze omvang: dit zijn er 1 miljoen biljoen biljoen biljoen biljoen meer dan schaken. Dit maakte een brute-force benadering vrijwel onmogelijk.

Maar wat is dat dan, machine learning? En waarin verschilt het van brute-force en traditionele wiskunde? En waarom en wanneer moeten we het gebruiken? En wat is hier dan precies voor nodig? Dit zijn dingen waarover management iets moet kunnen roepen. Machine learning is eerst en vooral verschillend van brute-force of de traditionele wiskundige door de leercomponent.

De leercomponent stelt de machine in staat om verbanden en patronen in een datastructuur te ontdekken zonder het expliciet benoemen ervan. Het leert zowaar de ‘regels’ van het probleem. Dit maakt dat oplossingen ook op nieuwe, ongeziene situaties kunnen werken en we problemen met een hoge, onderliggende complexiteit en een hoge graad van onzekerheid kunnen aanpakken. En laat dat nu net zijn waar voorraadbeheer alsmaar meer mee te maken krijgt.

Het feit dat machine learning dus verschilt van andere oplossingsbenaderingen, creëert nieuwe, waardevolle mogelijkheden. Dit maakt het mogelijk om huidige technieken in bijvoorbeeld forecasting te verbeteren, maar ook om een heleboel andere vraagstukken aan te pakken waar enkele jaren geleden zelfs nog nooit aan gedacht werd: bijvoorbeeld het benoemen van de werkelijke kost als we 2 een item niet kunnen leveren. Of bepalen wanneer een item precies obsolete geraakt. Maar ook wachttijdvraagstukken in productie management. Dit toont de mogelijke kracht van machine learning, maar tegelijkertijd ook waar veel managers de bocht missen.

Machine learning is een middel en geen doel

Machine learning is in essentie niet meer dan toegepaste wiskunde met de nadruk op het integreren van de huidige computerkracht. En met de toename van mogelijke databronnen, de verdere evolutie in rekenkracht kan machine learning een enorm krachtige tool zijn. Maar dat is het dan ook: het is een middel, “just another tool in the box”. Met ook zijn zwaktes. Het mag dus daarom geen doel worden voor bedrijven óm aan machine learning te doen.

Machine learningMachine learning is dus geen heilige graal. Machine learning vindt zijn kracht in vraagstukken met een hoge complexiteit, waar traditionele wiskunde te kort schiet en data in overvloed aanwezig is. Hoeveel data? Als we een vraagstuk hebben met 5 variabelen die elk 10 verschillende waarden kunnen aannemen, dan zitten we al gelijk met 100.000 mogelijke oplossingscombinaties, die de machine in feite allemaal moet zien om zijn taak goed te leren. In voorraadbeheer zijn er vaak veel meer variabelen die nog eens veel waarden kunnen aannemen.

Indien de data er is, heeft machine learning een enorme kracht. Maar het toont tegelijkertijd ook de grootste zwakte in de praktijk. Belangrijk is dus dat management nadenkt hoe data gestructureerd, efficiënt en zuiver kan verzameld worden.

En hoe complex moet het vraagstuk dan zijn dat het de mogelijkheden van traditionele wiskunde voorbijgaat? Wel, traditionele wiskunde heeft vooral moeite met een complexe relatie tussen verschillende variabelen. Vraagstukken die dus afhankelijk zijn van veel variabelen en waar de verbanden niet eenvoudig lijken te zijn, zou wel eens een vraagstuk bij uitstek kunnen zijn voor machine learning.

Daarnaast is het belangrijk om te blijven onthouden dat oplossingen in voorraadbeheer niet enkel draaien rond resultaten. Het zijn jullie mensen die de oplossingen moeten begrijpen en ermee moeten werken. Hier moet management over waken. Het is dus belangrijk om kennis omtrent machine learning en theoretisch voorraadbeheer te faciliteren binnen de onderneming.

Machine learning 3Specifieke cases

Er zijn enkele duidelijke cases waar machine learning bewezen heeft dat het een superieure oplossing kan bieden. Onder andere:

  • Het optimaliseren van een promotiebeleid;
  • Optimale sourcing met verschillende aanlevermogelijkheden;
  • Het leveren van forecasting en inzichten voor onregelmatige en nieuwe items.

Er zijn ook enkele concrete projecten die bij Slimstock in de pijplijn zitten. Onder andere:

  • Het minimaliseren van derving door parameteroptimalisatie, ‘root-cause’ analyse en pro-actieve signalen;
  • Het efficiënter sturen van inkoopgedrag door automatisch exceptiemanagement;
  • Het optimaliseren van de servicegraad door het bepalen van de werkelijke ‘out-of-stock’-kost;
  • Decentralisatie versus centralisatie: wanneer moet een artikel gecentraliseerd worden?;
  • Het minimaliseren van incourante voorraad door ‘root-cause’ analyse en pro-actieve signalen.

 

Benieuwd hoe zo een machine learning project in de praktijk werkt? Wil je meer weten over machine learning en de technieken erachter? Wil je zelf ook wat ervaring erin opdoen?

Binnenkort volgen meer blogs over dit onderwerp, Hackatons waar je zelf aan deel kan nemen en trainingsmateriaal om zelf mee aan de slag te gaan.

Vul onderstaand formulier in om updates te ontvangen over dit onderwerp

SHARE:
tht

Kort houdbare artikelen met een grillig vraagpatroon zijn voor veel foodbedrijven een logistieke nachtmerrie. Hoe zorg je voor de juiste beschikbaarheid en voorkom je dat je de helft weg moet gooien? Lees onderstaande tips en creëer rust op uw supply chain-afdeling.

Voorraadoptimalisatie van “gewone” artikelen is vaak al lastig, bij artikelen met een ultrakorte houdbaarheid zoals vis, vlees, gesneden groente, salades en verse maaltijden wordt dit nog veel complexer. Normaal kijkt een voorraadplanner een paar weken of maanden vooruit, genereert een forecast en maak op basis van wat er nog op voorraad ligt een nieuwe bestelling.
Bij toeleveranciers en retailers in food wordt in de basis hetzelfde spelletje gespeeld maar ligt de kloksnelheid veel hoger. Foodplanners denken niet in maanden of weken, maar moeten op dagniveau kunnen sturen. Een kant-en-klaar-maaltijd moet vanaf productie liefst diezelfde dag nog in de winkelschappen liggen en binnen een paar dagen worden verkocht. Anders hoeft het niet meer. Een week of maand vooruit kijken lijkt in deze branche een eeuwigheid.

Bij ultravers is de balans tussen beschikbaarheid en houdbaarheid uiterst precair. Margekillers als derving of gedwongen afprijzingen liggen constant op de loer. Alles moet kloppen om het juiste artikel, in de juiste hoeveelheid, precies op tijd in de schappen te krijgen. Maar hoe je dat?

Heemskerk halveert derving

Lees hoe Heemskerk derving halveerde en spoedorders met 80% reduceerde.

Detailforecasting en buffervoorraden

In de foodsector kent iedere dag zijn eigen vraagprofiel. Consumenten doen op maandag andere boodschappen dan op zaterdag. Ook het weer, feestdagen en vakanties hebben hun invloed; bij mooi weer schiet de vraag naar BBQ-vlees en salades van de ene dag op de andere omhoog. Het op dagniveau forecasten van de vraag, per SKU en per locatie, is bij kort houdbare artikelen een absolute basisvoorwaarde.

Wat ook grote impact heeft zijn de buffervoorraden. Bedrijven houden die aan om fluctuaties in de vraag op te vangen of om een bepaalde servicegraad richting klanten te bieden. De retail kent bovendien een presentatievoorraad om schappen er mooi vol uit te laten zien. Bij kort houdbare artikelen kunnen te hoge buffer- en presentatievoorraden al snel tot derving leiden en daarom is het zaak om hier op tactisch niveau de juiste beslissingen in te nemen en bijvoorbeeld met groepsbuffers te werken.

 

Izico stuurt supply chain aan

Snackproducent Izico gaat zijn fabrieken en toeleveranciers centaal aansturen met Slim4

Bestelhoeveelheden en leverschema’s

Ketensamenwerking leidt sowieso tot betere prestaties, maar bij ultravers is het bepalend voor de winstmarge. Iedere dag tijdwinst die je in de toevoerketen kunt bereiken, heeft direct een groot effect op de versheid in de winkelschappen. Dit verhoogt de omzet omdat consumenten langer vooruit kunnen kopen en leidt bovendien tot minder derving. Om dit te bereiken is het belangrijk dat ketenpartners onderling verkoopcijfers, forecasts en voorraaddata uitwisselen, maar ook slimme bestelhoeveelheden spelen hierin een rol.

Een optimale bestelhoeveelheid is een bestelhoeveelheid waar ook de THT in is verdisconteerd. Sommige leveranciers hanteren een minimale bestelhoeveelheid die retailers nauwelijks binnen de houdbaarheidsperiode krijgen verkocht. Is dit het geval, ga hierover dan in gesprek met uw leverancier. Probeer tot een optimaal leverschema te komen waarbij u gedurende de week op de meest gunstige momenten wordt beleverd. Meer levermomenten betekent hogere logistieke kosten, maar biedt ook meer mogelijkheden om de voorraad bij te sturen.

Management by exception

Operationeel voorraadbeheer van vers kan voor tachtig procent geautomatiseerd verlopen. Het gros van de artikelen is goed te voorspellen en zolang er geen bijzondere omstandigheden spelen, kunnen ze door een softwaresysteem prima worden aangestuurd. Uw planners kunnen zich volledig richten op die 20% die wél speciale aandacht nodig heeft: artikelen die in de promotie zijn, die worden in- of uitgefaseerd of die sterk weersafhankelijk zijn en hierdoor ook qua prijs erg schommelen in afzet. Zorg dat uw planners hun handen vrij hebben om zich hier volledig op te concentreren want juist bij kort houdbare artikelen is dat cruciaal.

Dit zijn een paar tips waarmee bedrijven hun voorraad kort houdbare artikelen kunnen optimaliseren. Bij veel van onze foodklanten heeft dit tot significante margeverbetering geleid. Wilt u hier meer over weten? Neem dan gerust contact op met Arjan Levisson.