De meerwaarde van een AI-gedreven IBP

‘AI powered IBP leader’ Andrea Szilagyi heeft meer dan twintig jaar ervaring in planning en meer dan tien jaar IBP-ervaring in uiteenlopende omgevingen. Ze werkte onder andere bij P&G, Grundfos, Kite Hill en The Clorox Company. Tijdens de Business Planning, Forecasting & S&OP/IBP Conference in Amsterdam deelde ze verschillende inzichten uit haar jarenlange ervaring. Op het moment van haar presentatie was ze net van de VS naar het VK verhuisd en ‘in between jobs’.

IBP als strategisch raamwerk
De centrale boodschap van Andrea Szilagyi is helder: AI kan onze forecasting en de manier waarop we plannen wel degelijk verbeteren, maar het succes staat of valt met goede processen, sterk leiderschap en een degelijk change management.

De stap die organisaties sowieso eerst moeten zetten, is die van S&OP naar IBP. “Nog even voor alle duidelijkheid: IBP is geen modernere naam voor S&OP”, benadrukt ze. “Het is een overkoepelend raamwerk waarin business planning, sales, finance, supply chain en netwerkplanning maandelijks samenkomen rond één geïntegreerd plan. Er zijn dus niet langer meerdere versies van de waarheid in de vorm van het salesplan, het financeplan en het supply plan, met één set van aannames en één beslissingsritme.”

Zo’n geïntegreerde aanpak is volgens Andrea Szilagyi voor veel organisaties een noodzaak geworden. “Dat komt omdat de context voor veel bedrijven de laatste jaren fel veranderd is. De combinatie van een volatiele vraag, snel verschuivende verwachtingen van de consument en de talrijke verstoringen in supply chains zorgt ervoor dat bedrijven sneller moeten reageren en vooruit moeten kunnen kijken. IBP laat bedrijven toe sneller de juiste keuzes te maken om de strategie en financiële doelen te realiseren.”

Van statistiek naar AI
Aan de basis van een stevig IBP-proces ligt een goede forecasting. “Traditionele ‘time series’-modellen, die historische data analyseren om toekomstige patronen te voorspellen blijven een belangrijke basis”, aldus de IBP-expert. “Ze worden vaak aangevuld met causale modellen, waarin externe variabelen zoals promoties, prijswijzigingen of marketinginvesteringen expliciet worden meegenomen. Daarnaast blijft de nood aan ‘judgmental forecasting’ bestaan, waarbij de menselijke inschatting centraal staat, zeker wanneer data onvolledig of onbetrouwbaar zijn.”

AI-ondersteunde forecasting kan daar een nieuwe dimensie aan toevoegen. “In plaats van vooraf gedefinieerde relaties te volgen, leren algoritmen zelf uit grote hoeveelheden data. Ze kunnen complexe, niet-lineaire verbanden detecteren die klassieke modellen vaak missen. Denk hierbij aan regressiemodellen zoals ‘random forests’. Doordat zij veel modellen tegelijk gebruiken, kom je tot een stabieler en nauwkeuriger geheel. Of aan ‘recurrent neural networks’ (RNN’s), en in het bijzonder LSTM-netwerken (long short-term memory), die ontworpen zijn voor reeksdata zoals tijdsreeksen. LSTM’s zijn bijzonder omdat ze belangrijke informatie lang kunnen vasthouden en onbelangrijke informatie kunnen vergeten. Daardoor kunnen LSTM’s bijvoorbeeld seizoenen herkennen en trends onthouden”, legt Andrea Szilagyi uit. “Omdat de mogelijkheden zo groot zijn, is het belangrijk na te gaan welke de meeste waarde kunnen toevoegen voor jouw business. Online kun je daarover al heel veel informatie vinden. Het is waardevol om je daar eerst in te verdiepen.”

Kansen en uitdagingen
en AI-gedreven forecast kan aanzienlijke voordelen met zich meebrengen. Zo krijgen bedrijven realtime zicht op forecasts op item-, klant- en productgroepniveau. Afwijkingen tegenover het budget, vorige cycli of scenario’s worden transparant en zijn voor iedereen toegankelijk. Het is ook mogelijk om forecasts op te bouwen met duidelijke bouwstenen, waardoor het gesprek verschuift van cijfers naar oorzaken en gevolgen. Op die manier worden de samenwerking en besluitvorming vereenvoudigd.

Dergelijke vernieuwende modellen op basis van AI kunnen bijzonder krachtig zijn, maar brengen ook grote uitdagingen met zich mee. “Het is belangrijk om te beseffen dat machine learning niet op je maandelijkse cyclus wacht. Forecasts worden continu herberekend, wat betekent dat planners steeds geconfronteerd worden met veranderende cijfers. Dat vraagt niet alleen de nodige technische maturiteit, maar ook veel organisatorische discipline”, aldus Andrea Szilagyi. “Je moet ook goed kunnen uitleggen aan het leiderschap waarom een forecast bijvoorbeeld op maandag anders is dan op vrijdag. Dat is niet altijd even eenvoudig.”

Tegelijk zijn de technische drempels hoog. “Integratie met bestaande ERP-, planning- en BI-systemen is vaak complex en in de praktijk een van de grootste struikelblokken. Daarnaast is datakwaliteit cruciaal. Machine learning-modellen hebben nood aan vijf tot tien jaar opgeschoonde historische data om betrouwbare patronen te leren. Bovendien blijven uitzonderlijke gebeurtenissen, zoals COVID19 of een explosieve e-commercegroei moeilijk te modelleren. Verder is het belangrijk om na te gaan of je machine learning-model eventueel blinde vlekken heeft die je op een andere manier moet opvangen”, legt Andrea Szilagyi uit. “Ook is een nauwe samenwerking met IT en een data science specialist of team on site noodzakelijk. Belangrijk is ook dat die mensen niet alleen over de nodige kennis beschikken en de data begrijpen, maar ook het businessmodel snappen. Alleen dan kunnen zij het model zo uitbouwen dat het je businessnoden blijft volgen.”

Je mag ook niet licht gaan over het hertrainen van machine learning modellen. “Dat is een erg duur en tijdsintensief proces. Daarom moet je duidelijk voor ogen hebben hoe vaak je wil hertrainen – bijvoorbeeld op maand- of kwartaalbasis – en voor welke items, bijvoorbeeld al je artikelen of enkel je bestverkopende items”, voegt ze eraan toe.

Gedisciplineerde processen
Niet alleen de technologieën moeten op punt staan; zonder solide achterliggende processen heeft een AI-gedreven IBP volgens Andrea Szilagyi geen kans op slagen. Een volwassen IBP- organisatie werkt met een strak, maandelijks ritme, met duidelijke deadlines en besluitvormingsmomenten. Dat klinkt vanzelfsprekend, maar de IBP-expert stelde in de praktijk vast dat zelfs bij multinationals die discipline soms ontbreekt. Zonder vaste cyclus verliest IBP, en dus ook AI-gedreven IBP zijn waarde.

Een tweede cruciaal element is focus op de juiste horizon. “Sales en Operations Execution (S&OE) focust zich op de komende weken en maanden. IBP daarentegen richt zich op de middellange tot lange termijn, vanaf drie maanden tot twee jaar vooruit. Door die twee duidelijk van elkaar te scheiden, vermijd je dat strategische meetings verzanden in het bespreken van details en operationele brandjes blussen”, legt Andrea Szilagyi uit. “Op die manier wordt het ook mogelijk om proactiever te gaan werken en niet enkel te spreken over wat er is gebeurd, maar vooral over wat er moet gebeuren.”

Daarnaast pleit ze voor een fundamentele verschuiving in de dialoog: “In plaats van eindeloos te debatteren over de cijfers, moeten we evolueren naar gesprekken over scenario’s, risico’s en opportuniteiten. Wat gebeurt er als de vraag aantrekt? Wat als een belangrijke klant wegvalt? Wat is dan de impact op volume, omzet, voorraad en cash? Dat is de taal die het leiderschap verwacht.”

“Belangrijk is om daarbij te evolueren naar één enkele forecast, met één nummer en één plan”, vervolgt ze. “Dat vereist ook dat de demand, finance, en commerciële strategie op een meer expliciete manier met elkaar worden verbonden. Een van de grootste algemene uitdagingen in een IBP-proces in dat opzicht blijft change management. IBP confronteert organisaties immers met hun interne fragmentatie. Sales, finance en supply chain hebben nu eenmaal vaak elk hun eigen cijfers, prioriteiten en belangen. Maar zolang sales, finance en supply chain elk aan hun eigen cijfers vasthouden, blijft besluitvorming suboptimaal. Voor alle duidelijkheid, het doel van IBP is niet om die verschillen te negeren, maar om ze samen te brengen in één forecast die door de hele organisatie wordt gedragen.”

Tegelijk moet duidelijk zijn wie de eigenaar van de forecast is. “In mijn ervaring is het best als demand planning die rol opneemt, met expliciete steun van finance en commerciële teams”, meent Andrea Szilagyi.

Forecast Value Added (FVA) helpt om discussies in het forecastproces te objectiveren. Door te meten hoeveel waarde menselijke ingrepen al dan niet toevoegen aan de statistische of AI-forecasting, ontstaat inzicht in welke aanpassingen écht bijdragen tot een betere forecast en betere beslissingen.

Andrea Szilagyi: “Goed om te weten: in stabiele omgevingen kan een puur statistische forecast al vijftig tot zestig procent nauwkeurigheid opleveren. Met machine learning en relevante business input is het mogelijk tot zeventig à tachtig procent te gaan, als er voldoende informatie beschikbaar is. Vaak is het dan ook beter om helemaal niet aan de forecast te raken, tenzij je daar echt gegronde redenen voor hebt.”

Menselijke factor als voorwaarde voor succes
Misschien wel de opvallendste boodschap van Andrea Szilagyi is dat een AI-gedreven IBP-transformatie vooral staat of valt met de mensen: “De introductie van AI verandert de rollen in een organisatie immers fundamenteel. Demand planners moeten daarbij evolueren van data-invoerders naar business planning managers die het verhaal achter de cijfers begrijpen en kunnen uitleggen.”

Die evolutie vraagt een gerichte ‘upskilling’: allereerst natuurlijk inzicht in de machine learning-modellen, in de business en ook financiële kennis, begrip van marges en mix, kennis van consumptiedata, maar ook presentatie- en beïnvloedingsvaardigheden. “Kortom, je moet de taal begrijpen en spreken van de verschillende domeinen. Dat kan een flinke uitdaging betekenen die niet voor iedereen is weggelegd”, weet Andrea Szilagyi. “Vertrouwen opbouwen tussen mens en machine kost ook tijd. Parallelle processen, rolrotaties en gerichte trainingen kunnen helpen de overgang te maken.”

Klaar voor AI-gedreven IBP?
Het mag duidelijk zijn dat de overstap naar een AI-gedreven IBP geen IT-project, maar eerder een strategische transformatie is waarbij alles juist moet zitten.
A. Szilagyi: “Dat vraagt vaak hoge investeringen, datakwaliteit, nieuwe vaardigheden en vooral een organisatiebrede afstemming. De centrale vraag luidt dan ook niet zozeer of ondersteuning met AI mogelijk is, maar vooral of de organisatie er al klaar voor is.”

Voor organisaties die de stap willen wagen, heeft Andrea Szilagyi volgend advies: “Werk intensief crossfunctioneel, zorg ervoor dat je de volledige steun van het leiderschap hebt, creëer en onderhoud een nauwe band met data science, begrijp de economische context en communiceer helder en proactief. Weet ook dat in een wereld van steeds slimmere algoritmen menselijk inzicht de sleutel tot betere beslissingen blijft. En bovenal: wees of zorg voor een goede ‘storyteller’. Je moet bijvoorbeeld goed kunnen uitleggen waarom de forecast is veranderd en wat de gevolgen daarvan kunnen zijn. Want hoe geavanceerd de algoritmen ook worden, het zijn nog steeds mensen die de uiteindelijke beslissingen nemen en die willen weten waarom de cijfers en het plan dat daaruit vloeit de juiste zijn.”
TC