AI voorspelt uw boodschappenlijstje

Meat&More is het bedrijf achter de merken Bon’Ap en Buurtslagers. Vandaag zijn er in ons land 26 maaltijdwinkels van Bon’Ap. Het is een merk dat duidelijk inzet op beleving, onder meer via de diverse lunchcorners in de winkelpunten. Buurtslagers telt meer dan 160 slagerijen, geïntegreerd in vestigingen van supermarktketens Smatch, Delhaize, Carrefour en Lidl. Meat&More kiest voor verticale integratie. Vanuit het slachthuis vertrekt het vlees naar de hoofdzetel in Aalter. Daar vindt het merendeel van de eigenlijke productie plaats, zoals het versnijden van vlees en de bereiding van maaltijden, en bevindt zich het distributiecentrum. In de winkelpunten gebeurt de verdere afwerking van producten.
 
Met het project ‘Supply Chain 2020’ heeft Meat&More een duidelijk doel voor ogen: het juiste product aanbieden in zijn winkels, in de juiste hoeveelheid en op het juiste moment. De achterliggende drijfveren zijn vrij divers. Meat&More wil verlies beperken en de verspilling van voedsel minimaliseren. Tegelijk wil het bedrijf tekorten in de winkels vermijden, om zo geen omzet te missen. Daarnaast richt het programma zich op de optimalisering van het hele achterliggende logistieke verhaal: de automatische belevering van de winkelpunten, de optimalisering van de werkplanning in de winkels en een betere aansturing van de productieplanning in de hoofdzetel. Het programma moet daarbij zowel de rentabiliteit van het bedrijf als de klantentevredenheid verbeteren.

Van pull naar push

Een ‘pull’-mechanisme stuurt de huidige manier van werken aan. Een medewerker in een winkelpunt geeft manueel zijn bestellingen door aan de productiecentrale. Die verwerkt de orders, pickt de benodigde producten en organiseert de levering. Het supply chain-programma van Meat&More richt zich op de overstap naar een ‘push’-benadering. In dat geval moet de centrale de behoeften van de winkelpunten correct kunnen voorspellen, de nodige producten picken en op eigen initiatief uitleveren – zonder dat de winkelpunten daar expliciet om gevraagd hebben. Het succes van het model staat of valt uiteraard met de nauwkeurigheid van de voorspelde consumentenvraag. Daar is een sleutelrol weggelegd voor ‘data-driven demand forecasting’.et h
  
Heel uiteenlopende factoren dragen bij aan de vraag naar de producten van Buurtslagers en Bon’Ap: de beschikbaarheid van de producten in de toonbank, de verspreiding van promotiefolders en kortingsbonnen, maar ook het weer en de kalender. Op een zonnige zondag koopt de consument andere producten dan op een druilerige dinsdag. De impact van al die factoren brengt Meat&More in rekening. “Je moet in die oefening zo veel mogelijk informatie meenemen”, weet Tom Vorsselmans, data & analytics lead bij Meat&More. “Je kunt je immers niet zomaar op de verkoopstatistieken beroepen. Stel dat op een bepaalde dag van een specifiek product niets is verkocht. Was het omdat de klanten er die dag geen zin in hadden of omdat het product niet in de toonbank lag?” Het einddoel van de hele oefening is een applicatie die voor elk product in elk winkelpunt een voorspelling van de behoefte opstelt. De medewerker van het winkelpunt hoeft dan niet langer manueel bestellingen te plaatsen, aangezien het systeem de benodigde volumes automatisch op de bestellijst bijschrijft. Het winkelpunt behoudt tegelijk wel de mogelijkheid om de voorgestelde bestelling indien nodig te overschrijven.

Data en AI

“Om zo’n datagedreven vraagvoorspelling in de praktijk te brengen, hebben we twee ingrediënten nodig: data en artificiële intelligentie om die data in bruikbare informatie om te zetten”, zegt Tom Vorsselmans. “De eerste opdracht bestaat erin kwalitatieve data en voldoende historiek te verzamelen.” Dat is een taak die Meat&More zo veel mogelijk automatiseert. De input is onder meer afkomstig uit externe bronnen, zoals online aanbieders van weerdata. Andere data komen uit eigen huis, onder meer uit het ERP-systeem of uit het systeem voor masterdata, zoals de data over sluitings- en feestdagen. Statistische afleiding levert data op over de historische samenstelling van het assortiment. “De historische data over onze folder hebben we manueel geregistreerd”, legt Tom Vorsselmans uit. “Jobstudenten hebben onder meer aangeduid wanneer welke producten op welke pagina van de folder stonden.”
 
Op de verzamelde data laat Meat&More een machine learning-algoritme los. “We hebben er bewust voor gekozen geen technieken voor time-series forecasting in te zetten. Die zijn te veel gefocust op trends en seizoensgebonden inzichten, en te weinig op concrete drivers.” Ook deep learning was bij dit project niet aan Meat&More besteed. “We willen vooral een concreet zicht krijgen op de drijfveren achter een bepaalde voorspelling. De business moet kunnen begrijpen waarom het systeem voor morgen een vraag van pakweg twee kilogram van een bepaald product voorspelt. Deep learning biedt dat type transparantie niet.” De keuze viel daarom op het gebruik van Random Forest Regression, een AI-techniek voor zogenaamde driver-based regressie. Via die methode is het mogelijk de impact van de gedefinieerde drivers op de verkoop te analyseren. “We kijken naar de drivers die de behaalde resultaten aansturen. Zo weten we welke parameters voor ieder product in ieder filiaal van belang zijn.” Daaruit volgt meteen ook dat het traject niet één globaal model oplevert voor het hele bedrijf, maar wel één model per product en per winkelpunt.

Rekenwerk in de cloud

Meat&More bouwde het eerste proefproject uit in samenwerking met het consultingbedrijf Element61, deel van de groep Moore Stephens. Concreet komen alle verzamelde data in een data warehouse terecht. Vandaar gaan de data met behulp van Data Factory, een toepassing binnen Microsoft Azure Platform die data integreert, naar Azure Storage, een zogenaamd data lake. Ook de eigenlijke berekeningen gebeuren binnen het Azure-platform, met de AI-motor Azure Batch en de scheduling-toepassing AirFlow. De resultaten komen via een API opnieuw in de operationele systemen terecht, waarna Meat&More ze verder verwerkt en doorgeeft richting de bestelapplicatie van het winkelpunt. De gegevens komen ook in het datawarehouse terecht, waarna Microsoft Power BI ze in een dashboard giet voor verdere analyse.
 
Uit het project bleek meteen dat het model de impact van promotiefolders correct voorspelt. Het model identificeert ook de relatie met het weer vrij goed. In de praktijk blijven er uiteraard onvoorspelbare fluctuaties en afwijkingen opduiken. Die fouten laten zich opvangen door een veiligheidsvoorraad, waarbij Meat&More de gemiddelde foutmarge van de voorspelling en de houdbaarheid van de producten in acht neemt. “Met behulp van Power BI visualiseren we de bevindingen voor de analisten binnen het project in dynamische dashboards”, legt Tom Vorsselmans uit. “Zo zien alle betrokken gebruikers welke drivers we hanteren bij welke producten en op welke data het AI-model zich baseert.”

De juiste interpretatie

Uit het AI-project van Meat&More komt onder meer duidelijk naar voren dat de beschikbaarheid van een kwalitatieve historiek heel belangrijk is. Wanneer de historiek niet correct is, zal een machine learning-model foutieve relaties leggen en verkeerde voorspellingen maken. “Tegelijk moet je de ruwe gegevens juist interpreteren”, zegt Tom Vorsselmans. “De correcte interpretatie hangt af van de goede samenwerking tussen de verschillende stakeholders binnen de supply chain.”
 
Zoals eerder aangehaald: wanneer er niets van een product is verkocht, kan dat betekenen dat er op dat moment geen behoefte bestond, maar evengoed dat het product niet beschikbaar was. Daarom is het noodzakelijk de cijfers aan de diverse stakeholders voor te leggen en in overleg tot een correcte, onderling gedeelde interpretatie te komen. Bij Meat&More gebeurde dat via workshops met de diverse partijen.
 
T. Vorsselmans: “Rapportering en visualisering zijn in een AI-project bijzonder belangrijk. Om de gebruikers mee te hebben in het verhaal, moet je concrete dingen kunnen tonen.”
 
De rapportering is bovendien belangrijk voor de analisten die de prestaties van het model opvolgen, bijvoorbeeld door te kijken naar specifieke drivers, de accuraatheid van voorspellingen, enzovoort. “Uiteraard moeten we daarbij ook voor ogen houden dat het om een supply chain-project gaat. AI is de enabler, niet het doel op zich. Dankzij het gebruik van AI kunnen we grote datavolumes heel snel analyseren. Het allerbelangrijkste blijft echter dat de stakeholders in de supply chain – waaronder de winkelmanagers – vertrouwen vinden in de nieuwe manier van werken. Opnieuw: daarom is het belangrijk dat we de meerwaarde van het model op een tastbare manier kunnen aantonen.”

Optimalisering achter de schermen

Bij de uitrol van het systeem hanteert Meat&More een gefaseerde aanpak. “We zijn in april gestart met vijf filialen. Intussen voorspellen we de vraag van ongeveer honderd charcuterieartikelen in twintig filialen. Op die manier kunnen we ervaring opdoen voor we het systeem uitbreiden naar alle winkels en alle artikelen.”
 
Het doel is dat de winkelpunten per dag een half uur winnen, doordat ze minder tijd spenderen aan het plaatsen van bestellingen. Een ander doel is het verlies – het weggooien van onverkochte producten – met tien tot vijftien procent te verminderen. Door de correcte inschatting van de behoeften van de klant mag het bedrijf ervan uitgaan dat ook het fenomeen van de gemiste verkoop op termijn grotendeels verdwijnt. Meat&More verwacht dat op termijn te zien in een omzetstijging, doordat het aanbod beter is afgestemd op de vraag.
 
“Een ander belangrijk voordeel situeert zich achter de schermen”, zegt Tom Vorsselmans. “Door slimmer aan te leveren, verwachten we een daling in het aantal orderlijnen. Het systeem van automatische demand forecasting ziet namelijk mogelijkheden om in de orders te optimaliseren waar je met de huidige manier van werken niet bij uitkomt.” Het zorgt in het distributiecentrum voor minder picking en een efficiëntere verzending. Het is een effect dat aantoont hoe de transitie van pull naar push een vrij ingrijpende oefening vormt. “En jazeker, soms zijn de medewerkers behoorlijk sceptisch”, besluit Tom Vorsselmans. “Toch zien we dat onze medewerkers in de testwinkels almaar meer vertrouwen hebben in de bestellingen die het systeem voorstelt. Ze passen de gemaakte voorstellen steeds minder aan.”

DVD