Boek uw SLIM4 demo

Voorraad verlagen, servicegraad verbeteren en rendement verhogen zijn sleutelbegrippen binnen goed voorraadbeheer.

Met Slim4 , onze voorraadoptimalisatiesoftware, krijgt u controle over uw stocks.

Voorraadmanagement wordt steeds complexer. Meerdere kanalen en locaties hebben elk hun unieke vraagprofiel. Daarom is het voor de Supply Chain-teams van vandaag een echte uitdaging om ervoor te zorgen dat niet alleen de juiste producten op de juiste locatie worden opgeslagen, maar dat ook elke locatie een passend voorraadniveau heeft

Slim4 wordt door +950 bedrijven over de hele wereld gebruikt om voorraadproblemen op te lossen. Onze software is gericht op forecasting, vraagplanning en voorraadbeheer en helpt uw  Supply Chain medewerkers om strategische beslissingen te nemen.

Ontdek hoe SLIM4 u kan helpen uw optimalisatie doelstellingen te behalen

Boek vandaag nog een persoonlijke demo en ontdek hoe Slim4 voor uw bedrijf kan helpen om uw  voorraadprocessen te optimaliseren en zowel de klanttevredenheid als de marges te verhogen!

SHARE:
MIXpro voorraadspecial

"Te veel voorraad is nu niet meer erg. Te weinig wél"

Op het gebied van voorraad is er geen goed of fout meer. Als je er maar bewust mee bezig bent. En als je keuzes maar in lijn zijn met je strategie. Eric van Dijk en Jan Kraaijeveld zien de focus verschuiven van voorraad naar grondstoffen én naar de juiste mensen.

Om met de grondstoffen te beginnen. Daar zitten fabrikanten tegenwoordig in veel sectoren bovenop. Van Dijk: "De druk op de grondstoffen is enorm toegenomen. Er is domweg te weinig capaciteit in de markt. Er is echt een strijd gaande om aanvoer. Dus moeten bedrijven zorgen dat onze forecasts goed kloppen. Daar kan software bij helpen". Kraaijeveld: "We zien klanten hun forecasts nu structureel delen met hun toeleveranciers. Ze kruipen dichter op hun klanten en creëren zo ook een betere binding met hun leveranciers.

Verder lezen?

 

Vraag de MIXpro voorraadspecial aan

In dit magazine staan o.a. de volgende topics:

  • "Te veel voorraad is nu niet meer erg. Te weinig wél" - Eric van Dijk en Jan Kraaijveld, Slimstock
  • "Het gebouw bepaalt wat op voorraad moet liggen" - Walther Ploos van Amstel
  • "We zijn eigenlijk een tech-bedrijf" - Darrin Murray, Toolstation
  • "Aan de juiste uitzonderingen werken" - Bert Schoonderwoerd, Technische Unie
  • Kramp digitaliseert verder - Rick Witteveen, Kramp
  • Flexibeler leveren, scherper inkopen en efficiënter opereren - Jeroen de Haan, Bouwmaat
  • "Wij zijn een pragmatisch handelsbedrijf" - Maurice de Braak, Burghouwt

 

Vul onderstaand formulier in en wij sturen u dit magazine gratis toe.

SHARE:
Acht tips Bestelhoeveelheden

Suboptimale bestelhoeveelheden zijn een veroorzaker van een veelheid aan supply chain kosten. Inkopers en voorraadbeheerders zijn zich vaak niet bewust van de impact die ze hebben op
bestelkosten, kapitaalkosten en incourantie, laat staan op de kosten van transport en warehousing. In dit artikel geven wij tips en overwegingen voor het bepalen van optimale bestellingen.

Download de whitepaper

SHARE:
Slim4 User Day

Slim4 User day

Op dinsdag 4 juni organiseert Slimstock een dag voor de (key)users van Slim4 !

De focus van deze dag ligt vooral op de Slim4 Webclient.

Naast de voorstelling van de Webclient zullen er ook interactieve workshops plaatsvinden, iedereen heeft de mogelijkheid om 2 van deze workshops bij te wonen (naar keuze)

1. EOQ
2. ABC
3. Reporting
4. Upgrade Slim4 4.9

Locatie
Kasteel Tivoli
Antwerpsesteenweg 93 - 2800 Mechelen

Agenda
10u00 ontvangst
10u30 Slim4 webclient
12u30 lunch
13u15 workshop 1 (naar keuze)
14u15 pauze
14u30 workshop 2 (naar keuze)
15u30 borrel en einde

 

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: