Machine Learning in voorraadoptimalisatie

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.

Wellicht 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 geen doel maar middel

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 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.

Specifieke 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.