Hoe profiteer je van machine learning om betere supply chain beslissingen te nemen?

Bedrijven streven er al jaren naar om intelligente technologieën te implementeren. Het einddoel is dat deze machines niet alleen de beslissingen nemen, maar dat deze beslissingen ‘goed’ zijn en niet door een mens hoeven te worden gevalideerd. Hoe kun je, nu bedrijven AI, machine learning en andere geavanceerde technieken omarmen, deze revolutionaire technologie gebruiken om de efficiëntie in de hele toeleveringsketen te verbeteren?

In deze blog gaan we dieper in op de cruciale rol die machine learning nu al speelt in ons dagelijks leven, en op de manier waarop bedrijven het kunnen benutten om concurrentievoordeel te creëren.

Van het implementeren van machine learning voor het voorspellen van de vraag naar producten, tot het verrijken van jouw supply planning proces: we zullen enkele van de slimme supply chain toepassingen verkennen die al fantastische resultaten opleveren.

 

Machine Learning voor voorspelling van productvraag Cartoon iPad

Kunnen machines ‘goede’ beslissingen nemen?

We leven in een wereld waarin technologie een fundamenteel onderdeel is van ons dagelijks leven, en de technologieën waarvan we afhankelijk zijn gaan exponentieel vooruit. Voorbeelden van slimme algoritmen op basis van machinaal leren zijn in alle lagen van de bevolking te vinden:

  • De manier waarop we producten vinden op het internet
  • Hoe we banktransacties uitvoeren
  • Als we een paar woorden in een e-mail schrijven en de machine stelt het einde van de zin voor
  • En in toenemende mate, hoe tools zoals ChatGPT een menselijke gespreksdialoog creëren.

Veel van deze algoritmen gebruiken alle gegevens die zij verzamelen om te leren en te verbeteren. Een beroemd voorbeeld is IBM’s Deep Blue Chess (DBC) systeem. In 1997 slaagde de machine erin de wereldkampioen schaken, Garry Kasparov, te verslaan met behulp van algoritmen die door machine learning waren geperfectioneerd.

Deze vooruitgang is echter niet zonder gevolgen. Het lijkt bijna alsof onze wereld op een hoofdstuk van Black Mirror begint te lijken. Of beter gezegd, we zijn allemaal een interessant persoon geworden die voortdurend in de gaten wordt gehouden. En toch zijn we er allemaal van overtuigd dat deze innovatieve technologieën ons leven gemakkelijker, beter en sneller maken. Als we dit projecteren op de complexiteit van de supply chain, is de toepassing van deze intelligente technologie iets dat al lang gaande is. De nadruk heeft echter vooral gelegen op de automatisering van processen in fabrieken. De kers op de taart is de ontwikkeling van machines die leren hoe ze problemen moeten oplossen door autonoom de beste beslissingen te nemen.

Laten we beginnen met de basis

Laten we eerst enkele fundamentele concepten uitleggen. Ongetwijfeld ben je de begrippen kunstmatige intelligentie en machine learning al eens tegengekomen, maar laten we ze voor de duidelijkheid eens definiëren:

Wat is kunstmatige intelligentie (AI)?

In wezen is dit het concept om te proberen machines het menselijk gedrag te laten evenaren. De laatste tijd is dit thema belangrijker geworden, deels door de enorme hoeveelheid en verscheidenheid aan gegevens die bedrijven nu kunnen verzamelen. En dankzij de snelheid waarmee ze die kunnen verwerken.

Wat is machine learning?

Dit is een discipline binnen AI die zich bezighoudt met de studie van algoritmen die zijn ontworpen om een taak uit te voeren met behulp van gegevens. Belangrijker is dat de machine deze gegevens gebruikt om automatisch te leren en te verbeteren zonder menselijke tussenkomst.

In wezen combineert machine learning toegepaste statistiek en computerwetenschap met snelheid en precisie om toekomstig gedrag te voorspellen. Daartoe moet een grote hoeveelheid gegevens (Big Data) worden verzameld en opgeslagen, wat voor veel bedrijven vaak een handicap is.

Wat is data science?

Data science omvat de exploratie en interpretatie van gegevens om zinvolle inzichten voor bedrijven te ontsluiten. Door principes en praktijken uit de wiskunde, statistiek, kunstmatige intelligentie en machine learning te combineren, stelt deze geavanceerde analyseaanpak bedrijven in staat enorme hoeveelheden gegevens te analyseren. Dit kan op zijn beurt worden gebruikt om een beschrijvende analyse te maken (die gebaseerd is op het verklaren van wat er is gebeurd door middel van statistieken, grafieken en tabellen). Waar machine learning-technieken echter echt waarde toevoegen is het uitvoeren van twee meer geavanceerde soorten analyse: voorspellende analyse (voorspellingen doen op basis van situaties uit het verleden voor toekomstig gebruik); en prescriptieve analyse (verschillende scenario’s simuleren en evalueren welke acties in de toekomst de beste resultaten zullen opleveren).

Machine learning in actie

Zoals gezegd zijn de toepassingen van machine learning uitgebreid. Maar laten we een eenvoudig voorbeeld nemen om te laten zien hoe machine learning-technieken kunnen worden gebruikt om betere bedrijfsresultaten te bereiken. Stel dat je voor dat je voor sportschool werkt en je wilt proberen klanten te behouden die de komende weken overwegen hun lidmaatschap op te zeggen. Jouw doel is die leden te identificeren en hen dan op het juiste moment te benaderen om hen over te halen om te blijven.  Laten we kijken hoe dit uitpakt:

 

Machine Learning Voorbeeld Chart

 

Hoe kan machine learning waarde toevoegen aan jouw supply chain?

De integratie van machine learning in supply chain management helpt bedrijven om taken van schijnbaar geringe waarde te automatiseren, waardoor meer tijd overblijft voor strategische en meer impactvolle bedrijfsactiviteiten. Machine learning opent echter een universum van meer ambitieuze mogelijkheden. Hier zijn enkele voorbeelden van hoe machine learning ten goede is gekomen aan supply chain teams:

Beheer van de supply chain

  • Het optimaliseren van de routes van replenishment leveringen door verschillende punten van het logistieke netwerk in real-time
  • Het opstellen van een kalender voor leveranciersbestellingen met inachtneming van meerdere beperkingen, zoals opslagkosten , levertijd , magazijncapaciteit , enz.
  • Een realtime inzicht in waar elk pallet zich precies bevindt in de supply chain en de middelen om de exacte aankomsttijd op het volgende punt in de keten te bepalen.

Optimalisering van het magazijn

  • Automatisering van kwaliteitsinspecties met behulp van beeldherkenning om schade aan containers en verpakkingen op te sporen
  • Het ontwerpen van de indeling van producten in het magazijn, het optimaliseren van bereidingsroutes, het minimaliseren van fouten bij de bereiding, enz.
  • Verbetering van het middelenbeheer door rekening te houden met informatie over verwacht absenteïsme en personeelsverloop om de ploegenpatronen te optimaliseren

Productieplanning

  • Gegevens verzamelen om inzicht te krijgen in de productiviteit van machines en mogelijkheden tot optimalisatie vast te stellen (bijvoorbeeld herverdeling van productietijden)
  • Repetitieve handelingen automatiseren om de productiesnelheid en -flexibiliteit te verhogen, zodat het personeel zich kan concentreren op andere soorten taken die meer waarde toevoegen
  • Personalisatie en maatwerk mogelijk maken, met maximale precisie en snelle productie

Hoe kun je machine learning inzetten om de productvraag te voorspellen?

Tot nu toe hebben we het gehad over de toepassingen van machine learning in de toeleveringsketen in algemene zin. In het volgende deel zullen we ons richten op een meer specifiek gebied, waar de kracht van deze opwindende technologie echte resultaten oplevert.

Door bedrijven in staat te stellen steeds nauwkeurigere voorspellingen te doen, speelt machine learning een belangrijke rol bij het verbeteren van besluitvormingsprocessen. Toegepast op het voorspellen van de vraag naar producten zijn de sterke punten van machine learning duidelijk.

Als je de aard van dit kritieke toeleveringsproces nader bekijkt, is machine learning een natuurlijke toepassing voor product vraagvoorspelling:

  • Prognosetechnieken zijn doorgaans gebaseerd op een uitgebreide gegevensbank
  • Met meerdere gegevensbronnen en aggregatielagen is er vaak een hoge mate van complexiteit
  • De daaruit voortvloeiende inzichten kunnen worden gebruikt ter ondersteuning van de besluitvorming in de hele organisatie en kunnen zelfs worden uitgebreid tot de selectie van partners in de toeleveringsketen.

Gezien de complexiteit en het kritieke karakter van het voorspellen van de vraag naar producten ter ondersteuning van een effectief besluitvormingsproces voor de supply chain, gebruiken veel bedrijven statistische modellen om te anticiperen op de toekomstige vraag. Door machine learning in de mix op te nemen, kunnen bedrijven echter een zichtbaarheid creëren die eenvoudige statistische modellen alleen niet kunnen evenaren.

Laten we hier verder op ingaan en 3 praktische toepassingen van machine learning bij het voorspellen van de vraag naar producten verkennen:

Machine Learning Voor Voorspelling Van Productvraag Cartoon

 

1) Voorspelling van de vraag naar nieuwe producten

Nieuwe producten zijn zoals bekend moeilijk te plannen. Door machine learning-algoritmen met geavanceerde configuratie toe te passen, kunnen systemen met machine learning echter autonoom de vraaggeschiedenis van meerdere producten bundelen om trends in de vraag vast te stellen en daarop te anticiperen. Hierdoor kan het systeem op zijn beurt het potentiële toekomstige vraagvolume voorspellen. Het resultaat: supply chain teams kunnen veel sneller goed onderbouwde prognoses voor nieuwe producten opstellen en tegelijkertijd de onzekerheid en risico’s van nieuwe productlanceringen wegnemen.

2) Prognose anomalie detectie

Met behulp van soortgelijke technieken als die welke worden gebruikt bij het opsporen van fraude, stellen machine learning-technieken supply chain-teams in staat om uitschieters in de vraaggeschiedenis te identificeren en deze uit te sluiten van elke analyse. Door geavanceerde netwerken te gebruiken om SKU’s te clusteren die zeer gevoelig zijn voor afwijkingen, kunnen deze producten bovendien pro-actiever worden beheerd.

Door afwijkingen in klanttransacties, beschikbaarheid en voorraadstatus te detecteren, wordt de robuustheid van andere ondersteunende algoritmen alleen maar beter.

3) Optimising promotions

Het lijdt geen twijfel dat promoties bedrijven grote kopzorgen bezorgen. Maar naarmate machine learning-algoritmen zich verder ontwikkelen, maken bedrijven gebruik van de technologie om het besluitvormingsproces rond promoties te optimaliseren. Door gebruik te maken van een techniek die ‘deep reinforcement learning’ heet, kunnen bedrijven een effectiever promotiebeleid ontwikkelen dat de verkoop stimuleert en het risico van ongeplande afprijzingen minimaliseert.

Voorwaarden voor het toepassen van machine learning-principes

Gezien het toenemende aantal potentiële gegevensbronnen, gekoppeld aan de snelle ontwikkeling van het computervermogen, kan machine learning een enorm krachtig hulpmiddel zijn bij het voorspellen van de vraag naar producten en andere belangrijke processen in de supply chain.

Als de gegevens beschikbaar zijn, heeft machine learning een enorme kracht. In de praktijk is dit echter de grootste zwakte van machine learning. Managers moeten daarom nagaan hoe gegevens op een gestructureerde, efficiënte en ‘schone’ manier kunnen worden verzameld. Machine learning vereist ook veel rekenkracht. Sommige machine learning-algoritmen zijn gebaseerd op een enorm aantal numerieke berekeningen, en dat kan soms een probleem zijn bij voorraadbeheer. Daarnaast is het belangrijk in gedachten te houden dat oplossingen voor voorraadbeheer niet alleen berusten op kwantitatieve resultaten. Uiteindelijk zijn het de mensen die de oplossingen moeten begrijpen en ermee moeten werken. Het management moet hier dan ook nauwlettend op toezien. Daarom is het belangrijk om kennis over machine learning en theoretisch voorraadbeheer bedrijfsbreed te faciliteren.

Toch biedt machine learning voor bedrijven die efficiënter willen werken aanzienlijke concurrentievoordelen. Van het verslaan van wereldkampioenen schaken tot het verkrijgen van meer betrouwbare inzichten in de toekomstige vraag, Machine learning biedt bedrijven nieuwe mogelijkheden die nu al een revolutie teweegbrengen in de supply chain.

Demo CTA

Veel gestelde vragen over Machine Learning

Hoe helpt Machine Learning bij het verbeteren van de nauwkeurigheid van de vraagvoorspelling?

Door gebruik te maken van geavanceerde algoritmen en statistische technieken om historische gegevens te analyseren om patronen en trends te identificeren en voorspellingen te doen over de toekomstige vraag, kan Machine Learning de nauwkeurigheid van de voorspelling van de vraag naar producten verbeteren.

Kunnen Machine Learning-algoritmen omgaan met seizoensgebonden en andere tijdgebonden patronen in het voorspellen van de vraag naar producten?

Machine Learning-algoritmen kunnen seizoensinvloeden effectief vastleggen en opnemen in modellen voor vraagvoorspelling door rekening te houden met historische patronen en voorspellingen dienovereenkomstig aan te passen.

 
Machine Learning-algoritmen gebruiken bijvoorbeeld een reeks technieken zoals tijdreeksanalyse, autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA) en exponentiële afvlakkingsmethoden om de vraag te voorspellen, rekening houdend met seizoensgebondenheid en andere tijdgebonden patronen.

Wat zijn de mogelijke beperkingen of risico’s van het gebruik van Machine Learning voor het voorspellen van de vraag naar producten?

Machine Learning kan van grote waarde zijn voor het voorspellen van de vraag naar producten. We moeten echter rekening houden met de beperkingen. Hier zijn een paar voorbeelden van zaken die onvermijdelijk invloed hebben op de nauwkeurigheid en efficiëntie:

 

  • Kwaliteit en beschikbaarheid van gegevens
  • Complexiteit en interpreteerbaarheid
  • Systematische vertekeningen
  • Onzekerheid en onverwachte gebeurtenissen

Zijn er specifieke vaardigheden nodig om Machine Learning te implementeren voor vraagvoorspelling van producten?

Om optimaal te profiteren van Machine Learning voor het voorspellen van de vraag naar producten is een combinatie van technische vaardigheden en marktkennis vereist. Om de resultaten effectief te interpreteren, kunnen de volgende vaardigheden bijvoorbeeld voordelig zijn:

 

  • Bekwaamheid in gegevensanalyse
  • Een goed begrip van Machine Learning-concepten
  • Bekendheid met en goede kennis van statistische analysetechnieken
  • Een goed begrip van de nuances van zowel de dynamiek van de industrie als het productdomein

Hoe kunnen Machine Learning-modellen worden gecombineerd met menselijke beoordelingen en/of inzichten van experts om de nauwkeurigheid van vraagvoorspellingen te verbeteren?

Door Machine Learning-modellen te combineren met menselijke beoordelingen en/of inzichten van experts kan de nauwkeurigheid van vraagvoorspellingen worden verbeterd door de sterke punten van beide benaderingen te benutten.

 
Terwijl Machine Learning-algoritmen een sterke statistische basis bieden voor het voorspellen van de vraag naar producten, kunnen bedrijven met menselijke intelligentie de voorspelling verrijken met kwalitatieve inzichten.