Wat is AI-voorraadbeheer? Een handleiding voor slimmere beslissingen op het gebied van voorraadbeheer

Jarenlang was voorraadbeheer gebaseerd op een eenvoudige methode met historische gemiddelden, veiligheidsvoorraden en de intuïtie van planners om eventuele tekorten op te vangen. Dat werkte prima in een omgeving waar de vraag stabiel was en de toeleveringsketen voorspelbaar, omdat de patronen van periode tot periode niet veel varieerden. Maar de tijden zijn veranderd en tegenwoordig kun je op geen van beide meer rekenen. Verstoringen in de supply chain, veranderende consumentenvraag en complexere wereldwijde toeleveringsketens hebben de tekortkomingen van oude prognosetechnieken blootgelegd en bedrijven ertoe aangezet op zoek te gaan naar een nieuwe aanpak.

Een van de alternatieve benaderingen is AI-gestuurd voorraadbeheer. Dit is niet zomaar een nieuwe term in het bestaande ecosysteem van voorraadbeheer. Het is een heel nieuw paradigma voor het bijhouden en voorspellen van voorraden. Nu er steeds meer druk ligt op voorraadbeheerders, supply chain-managers en de operationele afdelingen om meer te doen met minder, is er een groeiende behoefte om te begrijpen wat AI-voorraadbeheer wel en niet is.

Dit is ook waar de termen ‘intelligente voorraadbeheer’ en ‘slim voorraadbeheer’ vaak worden gebruikt. Beide verwijzen naar precies dezelfde verschuiving, waarbij de beslissingen over het voorraadbeheer automatisch worden bijgewerkt zodra er nieuwe informatie binnenkomt.

Wat is AI-voorraadbeheer?

AI-voorraadbeheer maakt gebruik van AI en machine learning om beslissingen te nemen over het voorraadniveau en de aanvulling daarvan, op basis van voortdurend veranderende gegevens, in plaats van regels te volgen die maanden of zelfs jaren geleden zijn opgesteld. Voorraadbeheer volgens conventionele methoden is gebaseerd op statische herbestelpunten en evaluaties op vaste tijdstippen. De software voor AI-voorraadbeheer analyseert zowel realtime- als historische gegevens, zoals verkooptrends, seizoensinvloeden, promoties en zelfs externe factoren zoals weersomstandigheden en de economische situatie.

Laten we een voorbeeld nemen. Terwijl traditionele voorraadbeheer vraagt: ‘Wat heeft in het verleden gewerkt?’, vraagt AI-voorraadbeheer: ‘Wat gebeurt er op dit moment en wat gaat er daarna gebeuren?’. Dit verschil is veel belangrijker dan het op het eerste gezicht lijkt. Zelfs als een bepaalde regel een jaar geleden nog klopte, kan deze langzaamaan nauwkeurigheid verliezen door veranderingen in consumentengedrag, levertijden van leveranciers of de marktsituatie.

Een AI-voorraadbeheersysteem loopt parallel aan andere disciplines zoals voorraadbeheer, maar je moet die twee niet door elkaar halen. AI-voorraadbeheer betekent het gebruik van kunstmatige intelligentie om dit proces te ondersteunen, terwijl voorraadbeheer het proces zelf is.

Hoe traditionele voorraadbeheer werkt

De traditionele aanpak van voorraadbeheer werkt met regels. Zodra de voorraad onder een vooraf bepaald minimumniveau komt, wordt er meer voorraad besteld, terwijl er een veiligheidsvoorraad is om schommelingen in de vraag op te vangen en er periodiek een evaluatie door de planner plaatsvindt. Het is in wezen een reactief systeem. De voorraad wordt pas opnieuw besteld als deze onder een bepaald niveau zakt, op basis van aannames die misschien al helemaal achterhaald zijn.

Voor de magazijnmanager of productieplanner die te maken heeft met slechts een klein aantal SKU’s en een vraag die relatief stabiel blijft, kan deze methode lange tijd heel effectief blijken. Het is eenvoudig te begrijpen en te implementeren en er is zelfs geen speciaal softwarepakket voor nodig. Het probleem is dat de effectiviteit van dit hele proces afhangt van hoe vaak en hoe zorgvuldig de regels worden herzien.

Deze strategie kan onder stabiele omstandigheden nog steeds heel efficiënt werken en veel organisaties gebruiken het al jaren voor hun succesvolle voorraadbeheer. Het punt is dat je voor dit proces die regels up-to-date moet houden en genoeg tijd moet hebben om ze te herzien, aangezien het productaanbod constant toeneemt.

Waarom traditionele voorraadbeheer niet meer volstaat

Er zijn steeds minder situaties waarin op regels gebaseerde voorraadbeheer een effectieve aanpak is. Het is moeilijker om doorlooptijden te voorspellen vanwege voortdurende verstoringen in wereldwijde toeleveringsketens. De vraag van klanten fluctueert sneller en met kortere opzegtermijnen door veranderende maatschappelijke trends, promoties en de verschuiving van het ene verkoopkanaal naar het andere. Het zijn factoren die waarschijnlijk niet allemaal in een driemaandelijks analyseproces worden meegenomen. Er zijn meer leveranciers, meer geografische locaties en dus meer kans op verstoringen in toeleveringsketens dan voorheen.

Er zitten twee kanten aan slechte beslissingen over de voorraad. Meer voorraad aanhouden dan nodig is, belast het werkkapitaal en leidt tot opslag van producten die niet verkocht zullen worden. Dit beïnvloedt ook de marges door kosten voor opslag en uiteindelijk afschrijvingen. Te weinig voorraad leidt tot omzetverlies en op de lange termijn tot klanten die ergens anders gaan kopen omdat de gewenste producten niet beschikbaar zijn. Statische herbestelpunten en handmatige prognoses kunnen zich niet snel genoeg aanpassen om beide risico’s te beheersen, niet omdat planners geen expertise hebben, maar omdat de hoeveelheid data en de snelheid waarmee die verandert zo groot zijn geworden dat niemand dit realistisch gezien nog handmatig kan doornemen, SKU voor SKU en controle voor controle.

Hoe AI het voorraadbeheer verandert

Voorraadbeheer op basis van AI betekent een grote verandering in het voorraadbeheer. In plaats van te vertrouwen op het bereiken van een absoluut voorspeld of voorraadniveau, kijkt machine learning naar verkoopgegevens, trends, seizoensinvloeden, acties en andere variabelen, en signaleert het veranderingen in de vraag nog voordat die zichtbaar worden in de cijfers waar een planner normaal gesproken naar kijkt.

Het is belangrijk om te weten dat voorraadbeheer op basis van AI-technieken niet hetzelfde is als vraagvoorspelling. Vraagvoorspelling is slechts één fase in het proces, terwijl AI-voorraadbeheer zich richt op de stappen die volgen nadat de analyse is uitgevoerd.

De grootste kracht van AI-systemen is hun snelheid en het vermogen om trends te detecteren op een niveau dat voor mensen onbereikbaar is. Door een op AI gebaseerd systeem te gebruiken, kun je veranderingen in de productvraag, regionale weersomstandigheden en promotieactiviteiten veel eerder opmerken dan wanneer je op handmatige analyse vertrouwt. Dit geldt vooral voor retailmanagers met honderden SKU’s in verschillende winkellocaties. De tijdige informatie over de verandering in de vraag is cruciaal om voorraadtekorten in je winkels te voorkomen.

De belangrijkste kenmerken van AI-gestuurde voorraadbeheer

Voorraadbeheersystemen die gebruikmaken van AI bieden niet alleen betere prognoses voor planningsdoeleinden. De volgende stap in de ontwikkeling op dit gebied betreft beslissingsondersteuning en, in toenemende mate, de automatische uitvoering van beslissingen tot een afgesproken limiet. Concreet gaat het om:

• Het dynamisch aanpassen van de veiligheidsvoorraad op basis van de vraag, in plaats van een statische buffer aan te houden.
• Het opsporen van voorraad waar weinig vraag naar is, zodat deze geen dode voorraad in het magazijn wordt.
• Het herverdelen van voorraad op basis van veranderingen in de vraag op verschillende locaties.
• Het zonder vertraging voorstellen of uitvoeren van aanvulbeslissingen, tot een vastgestelde limiet.

Dit is het cruciale verschil tussen de traditionele aanpak en moderne technieken. Het handmatig controleren van prognoses beperkt de hoeveelheid gegevens die planners realistisch gezien kunnen analyseren. Een systeem dat bestelhoeveelheden binnen afgesproken limieten kan aanpassen, kent die beperking niet. Dat is een van de redenen waarom voorraadoptimalisatie en AI-voorraadbeheer steeds vaker hand in hand gaan.

Veelvoorkomende misvattingen over AI-voorraadbeheer

Naarmate AI-voorraadbeheer steeds vaker ter sprake komt, duiken er nog steeds een paar veelvoorkomende misvattingen op. Het is de moeite waard om deze direct aan te pakken.

“AI vervangt de planner.” Integendeel, dit gebeurt in de praktijk zelden. Hoewel AI uitstekend is in het verwerken van big data en het ontdekken van patronen, heeft het altijd mensen nodig om beslissingen te nemen over zaken die verder gaan dan de data, zoals het aangaan van een nieuw zakelijk partnerschap, een toekomstig marketinginitiatief of een verschuiving in de bedrijfsstrategie. Bedrijven die het meeste profijt halen uit AI-voorraadbeheer, gebruiken deze aanpak om hun planners te ondersteunen, niet om ze te vervangen. De planners bepalen het kader en nemen beslissingen in uitzonderlijke omstandigheden, terwijl het systeem op grote schaal analyses uitvoert en patronen ontdekt.

“AI-voorraadbeheer is gewoon automatisering.” Automatisering werkt sneller volgens strakke regels. In tegenstelling tot automatisering past AI-voorraadbeheer de regels aan op basis van veranderende omstandigheden, die door data worden bepaald. Daardoor verandert het de besluitvorming, in plaats van dit proces alleen maar te versnellen.

“De invoering van voorraadbeheer met kunstmatige intelligentie is ‘alles in één keer doorvoeren’. Het is niet gebruikelijk om voorraadbeheer met kunstmatige intelligentie in één keer in te voeren. Bedrijven introduceren beslissingsondersteuning met kunstmatige intelligentie geleidelijk in hun systemen. Een van de gebieden waar meestal als eerste beslissingsondersteuning wordt ingezet, is de bevoorrading, omdat het gaat om beslissingen die herhaaldelijk kunnen worden genomen en omdat AI-aanbevelingen voor deze beslissingen door een planner kunnen worden geanalyseerd en goedgekeurd voordat er actie wordt ondernomen.

“AI-voorraadbeheer werkt alleen voor grote organisaties met enorme hoeveelheden data.” Meer data kan handig zijn, maar het is niet noodzakelijk. Middelgrote bedrijven met een duidelijk productassortiment en een geschiedenis van succesvolle verkoopresultaten kunnen ook AI gebruiken in hun voorraadbeheer, vooral als de vraag heel snel schommelt.

Beschikbaarheid en kwaliteit van gegevens

AI voor voorraadbeheer vereist goede en nauwkeurige gegevens. Gegevens over eerdere verkopen, voorraad, doorlooptijden, promoties en andere gerelateerde zaken moeten beschikbaar zijn, zodat het systeem patronen kan herkennen. Een gebrek aan gegevens of onnauwkeurige gegevens kan de effectiviteit van de aanbevelingen van het AI-systeem verminderen. Dat betekent niet dat bedrijven perfecte gegevens nodig hebben om AI te kunnen gebruiken. Maar het is wel een van de eerste stappen die bedrijven moeten zetten voordat ze AI gaan gebruiken.

Over het algemeen werkt AI-voorraadbeheer redelijk effectief met zo’n één tot twee jaar verkoopgeschiedenis, omdat je daarmee de volledige seizoenscyclus kunt herkennen en de werkelijke vraag kunt onderscheiden van willekeurige schommelingen. Een kortere verkoopgeschiedenis kan misschien ook worden gebruikt, maar het systeem heeft dan niet veel om van te leren en daarom moet je de eerste suggesties van het systeem met extra zorg interpreteren.

Bij producten waarvoor weinig of geen historische verkoopgegevens beschikbaar zijn voor analyse, ligt de situatie anders: het systeem kan dan geen nauwkeurige voorspelling doen op basis van historische gegevens. In zulke situaties gebruikt AI-voorraadbeheer andere criteria als basis voor voorspellingen, zoals de prestaties van vergelijkbare producten of andere indicatoren, totdat het product zelf voldoende verkoopgeschiedenis heeft opgebouwd.

De toekomst van voorraadbeheer met AI

Het wordt duidelijker dan ooit welke kant het opgaat als het gaat om AI-gebaseerde voorraadsystemen. Bedrijven die vasthouden aan simpele herbestelpunten en handmatige prognoses, zullen het steeds moeilijker krijgen om de concurrentie te verslaan die proactieve, adaptieve voorraadbeheertechnieken gebruikt, vooral nu toeleveringsketens steeds internationaler en onvoorspelbaarder worden.

Dat is precies wat de strategie achter Slimstock drijft. Onze oplossing maakt gebruik van AI-prognoses en -aanvulling, gecombineerd met de vrijheid voor planners om hun eigen oordeel te gebruiken waar dat het hardst nodig is, in combinatie met bredere mogelijkheden op het gebied van supply chain-planning. Het gaat er niet om dat de algoritmen alle beslissingen nemen; het gaat erom een proces te ontwikkelen dat beter wordt en de planner meer tijd geeft om de beslissingen te nemen die zijn of haar oordeel vereisen.

De kloof tussen degenen die AI-technologie omarmen en degenen die afwachten, zal alleen maar groter worden naarmate AI volwassener wordt. Voor veel supply chain-managers is de vraag niet óf AI een plek heeft in voorraadbeheer, maar eerder wanneer ze het kunnen integreren zonder hun bedrijfsvoering te verstoren.

In de toekomst zal AI naar verwachting steeds minder alleen maar helpen bij het nemen van beslissingen en binnen bepaalde grenzen steeds autonomer worden, terwijl de planner zich meer gaat richten op het afhandelen van uitzonderingen en het nemen van strategische beslissingen. Organisaties die nu een stevige basis leggen op het gebied van data en processen, zijn beter voorbereid om hier in de toekomst van te profiteren.

Voordelen van lean-processen (en wat je moet meten)

AI-gestuurd voorraadbeheer en lean-processen hebben hetzelfde doel: verspilling minimaliseren. Verspilling komt tot uiting in overtollige voorraad, tijdverspilling door handmatige analyses en mogelijke verliezen door te weinig voorraad. AI-gestuurd voorraadbeheer helpt bij het implementeren van lean-managementprocessen, omdat het de planner voorziet van nauwkeurigere informatie over de vraag en de beschikbare voorraad. Daardoor wordt de beslissing om producten aan te houden, te verminderen of opnieuw te bestellen genomen op basis van de huidige situatie, in plaats van op basis van statische gegevens.

Organisaties die de impact van AI op voorraadbeheer beoordelen, kijken meestal naar een aantal van de volgende prestatiemaatstaven:

• • • Voorraadomzet: hoe effectief de voorraad binnen een bepaalde periode wordt verkocht.
    • Serviceniveau: het percentage klantverzoeken dat zonder vertraging met de beschikbare voorraad wordt vervuld.
    • Nauwkeurigheid van de vraagprognose: de mate waarin de verwachte en werkelijke vraag in de loop van de tijd met elkaar overeenkomen.
    • Werkkapitaal vast in voorraad: het geld dat vastzit in de voorraad en dat elders had kunnen worden gebruikt.
    • Aantal onbruikbare voorraadartikelen: de voorraad die niet meer verkocht kan worden en afgeschreven moet worden.

Door deze statistieken consequent in de gaten te houden, kunnen organisaties AI-voorraadbeheer omzetten van een technologische investering in een meetbare bedrijfsverbetering. Het ondersteunt ook een bredere voorraadplanning en continue verbetering binnen de hele organisatie.

Het voorbeeld van Aster Pharmacy, de grootste geïntegreerde zorgorganisatie in de regio met 338 vestigingen in de GCC-landen, is in dit opzicht veelzeggend. Sinds Aster de Slim4-oplossing van Slimstock heeft geïmplementeerd, heeft het binnen twee maanden na de implementatie een vermindering van het aantal voorraaddagen (werkkapitaal) van 19% gerealiseerd, een verbetering van de voorraadbeschikbaarheid met 4% en een afname van overtollige voorraad met 26%. Deze resultaten hebben tegelijkertijd betrekking op werkkapitaalbeheer, serviceniveau en het niveau van dode voorraad.

Alles op een rijtje

AI-voorraadbeheer betekent niet dat de mens uit het voorraadplanningsproces wordt gehaald. Het is juist bedoeld om voorraadplanners de inzichten te geven die ze nodig hebben om efficiënter en nauwkeuriger betere beslissingen te nemen. Nu de markt steeds onzekerder wordt en toeleveringsketens steeds ingewikkelder, is de overstap van reactief naar voorspellend voorraadbeheer geen voordeel meer, maar een noodzaak.