De rol van AI in forecasting
Hoe AI processen transformeert, maar eerst pijnpunten blootlegt
De toepassing van artificiële intelligentie in bedrijfsprocessen is al langer een veelbesproken onderwerp. Zeker op het vlak van forecasting heeft AI flink wat potentieel. Casestudies bij onder meer Hapag-Lloyd, Beiersdorf en AB InBev tonen dat aan, maar op een algemene doorbraak is het nog wachten.
Dat artificiële intelligentie zich aan een rotvaart ontwikkelt, hoeft geen betoog. Iedereen is het erover eens dat AI weldra een integraal onderdeel van onze samenleving zal zijn. Maar de meningen over de opkomst ervan zijn verdeeld: enthousiastelingen zien een nieuwe wereld met eindeloze mogelijkheden en een razendsnelle verwerking van informatie, anderen huiveren bij de mogelijke impact van AI op ons leven. Hoe dan ook is verandering onvermijdelijk en luidt de vraag vooral: hoe kunnen we AI op de juiste manier benutten en het volledige potentieel ervan verwezenlijken?
Wat forecasting betreft, ligt dat potentieel heel hoog. Met behulp van machine learning kunnen we de analyse van historische data automatiseren en voorspellingen opstellen, maar ook risico’s in kaart brengen nog voordat de eerste tekenen zich voordoen. Bedrijfsdoelen opstellen, budgetten toewijzen en uitgaven plannen gebeurt zo een stuk sneller en nauwkeuriger.
Implementatie blijft uitdaging
Althans, dat is de theorie. Tijdens een panelgesprek over de rol van AI in productie en forecasting van de Association for Supply Chain Management (ASCM), bleek dat experts het erover eens zijn dat – ondanks de buzz rond AI – veel supply chains nog altijd worstelen met het correct implementeren van de technologie. “Het gebruik van AI voor forecasting komt vandaag in vele vormen voor”, aldus Sven Crone, professor aan de Lancaster University Management School. “Veel bedrijven hebben pilootprojecten lopen of hebben een ‘proof of concept’ klaar, andere doen de eerste testen met AI in hun productieomgeving.”
Bedrijven als Hapag-Lloyd en Beiersdorf zijn al meer dan tien jaar met artificiële intelligentie bezig en wisten een voorsprong op te bouwen door AI in hun forecastingmodellen te gebruiken. Onder meer Johnson & Johnson en AB InBev hebben interessante casestudies lopen waarbij AI consumententrends helpt voorspellen aan de hand van gegevens uit het verleden. Uit recente forecastingcompetities, georganiseerd door het International Institute of Forecasters, bijvoorbeeld, blijkt telkens opnieuw dat statische forecastingmethodes zonder AI op korte termijn de concurrentie van methodes mét AI niet meer zullen doorstaan.
Kantelmoment
De meeste bedrijven bevinden zich nog in de beginfase van de implementatie van machine learning in hun forecastingmodellen. “De uitdagingen zijn talrijk: van een gebrek aan AI-vaardigheden en de beschikbaarheid van nauwkeurige data, tot de kosten van bijhorende software en systemen, naast de nauwkeurigheid van de uiteindelijke AI-algoritmen”, zegt Sven Crone. “We zien ook dat leveranciers van AI-software vaak enthousiaster zijn dan de klanten omdat die laatsten de basisbeginselen vaak nog niet of slechts gedeeltelijk onder de knie hebben. Dat vertaalt zich onder meer in de selectie van de meetgegevens. Ook proefprojecten die vroegtijdig stoppen of geen vervolg kennen, zijn meer regel dan uitzondering.”
Volgens de experts lijdt het toch geen twijfel dat een breed gedragen gebruik van forecastingmodellen gebaseerd op AI er gauw zit aan te komen. Modellen op basis van machine learning worden almaar slimmer en accurater, maar ook toegankelijker. “Vandaag bevinden we ons op het kantelpunt. De druk voor bedrijven om op de trein te springen is nog net niet hoog genoeg, ook omdat er geen snelle en grote winsten mee te behalen zijn”, stelt Christoph Bergmeir, die als onderzoeker verbonden is aan het departement computerwetenschappen en artificiële intelligentie aan de universiteit van Granada.
Data, mensen en skills
De experts zien nog een aantal redenen waarom bedrijven voorlopig eerder terughoudend zijn. In de eerste plaats menen ze dat de data waarover de bedrijven beschikken die bedrijven zelf in de weg staan. “Zelfs met een spreadsheet in Excel kan AI voor toegevoegde waarde zorgen, maar vooral voor meer nauwkeurigheid dan wanneer je zelf met de gegevens aan de slag gaat om voorspellingen te doen”, aldus Nicolas Vandeput, auteur en oprichter van SKU Science, een onlineplatform voor supply chain forecasting. “Bedrijven die menen dat hun data niet goed genoeg zijn om met behulp van machine learning aan forecasting te doen, kunnen ook niets beginnen met tools voor data-analyse”, meent hij.
Dat brengt ons bij het punt dat bedrijven over de juiste kennis en vaardigheden moeten beschikken om zelf met de basisdata aan de slag te gaan.
Sven Crone: “Bedrijven als Beiersdorf zetten hier al meer dan tien jaar op in. Momenteel doorloopt de organisatie een verbetertraject omdat ze vaststelde dat haar ERP-systemen nog niet voldoende datagedreven waren om historische data, maar ook andere gegevens zoals weersvoorspellingen, maximaal te benutten.” Het noopt hem tot de conclusie dat systemen en data op de eerste plaats komen, gevolgd door de juiste mensen met de juiste skills.
Geen magische black box
Heel wat bedrijven zien AI als dé oplossing voor tal van problemen. Hoewel het enthousiasme zeker niet onterecht is, moeten ze hun verwachtingen temperen. “Er zijn miljoenen manieren om AI te gebruiken om businesscases op te lossen, maar niet alles werkt”, weet Christoph Bergmeir. “Bedrijven mogen niet verwachten dat AI een zwarte doos is die alles oplost. Voor veel projecten zijn bijkomende interne en externe middelen nodig. Dat zien we ook bij bedrijven die al over een team van data-ingenieurs beschikken. Investeren in die middelen is nodig, maar tegelijk moeten bedrijven niet alles zelf willen doen en verticaal integreren.” Een mogelijke oplossing ligt in het inzetten van multidisciplinaire en ‘agile’ teams. “Die bieden de mogelijkheid om snel en zelfstandig te handelen en te experimenteren zonder dat daar een verhoging van de ‘headcount’ tegenover staat.”
Specifiek voor forecasting en vraagplanning staat vast dat menselijke tussenkomst nodig is om te bepalen welke data er in de AI-modellen horen en welke niet. “Vraag- en supply planning kunnen grotendeels automatisch verlopen, waarbij menselijke tussenkomst in theorie enkel bij uitzonderingen vereist is. Wanneer algoritmes foutieve uitkomsten produceren, is het nodig bepaalde metrics te herbekijken. Bovendien mag je niet op een enkele voorspelling vertrouwen en moeten medewerkers in staat zijn verschillende uitkomsten naast elkaar te leggen en te interpreteren”, zegt Sven Crone.
Veranderende rollen
Zeker in sectoren zoals de retail, waar bedrijven duizenden producten met een korte levenscyclus vervaardigen, is innovatie erg belangrijk. “Organisaties hebben er te maken met wekelijkse voorraadveranderingen en hun geïntegreerde sales- en operations planning schiet vaak tekort, met een mismatch tussen de realiteit en wat vooropgesteld was tot gevolg”, klinkt het. “Om dat recht te trekken, zijn er flink wat menselijke tussenkomsten nodig en botst ook de uitvoering van de vooropgestelde verkoop en operations op zijn limieten. Innovatie met behulp van AI kan niet alleen een rol spelen bij het voorspellen van de vraag en consumentenvoorkeuren, maar kan ook voor verbeteringen zorgen op het vlak van ‘product lifecycle management’. Zo zal het in de nabije toekomst bijvoorbeeld mogelijk zijn snelle aanpassingen door te voeren met prompts die via generatieve AI tot stand komen.”
Vaak horen we dat AI jobs zal vervangen. Geldt dat ook voor medewerkers die bij forecasting en vraagplanning betrokken zijn?
Christoph Bergmeir: “Hun rol zal veranderen. De kennis die vandaag aanwezig is, kan de basis vormen voor de ontwikkeling van een chatbot waaraan medewerkers simpelweg vragen stellen om vervolgens commando’s uit te voeren. We moeten dus ook nadenken over de manier waarop we vandaag kennis overbrengen en welke skills in de toekomst nodig zullen zijn. Functieomschrijving, jobinhoud, levenslang leren: we zullen alles moeten herdenken.”
Menselijke expertise behouden is cruciaal. Het risico bestaat dat de afhankelijkheid van AI de vaardigheden van medewerkers om probleemoplossend te denken aantast. Dat geldt ook in de academische wereld, waar AI en tools zoals ChatGPT het onderzoek en de vaardigheden van studenten beïnvloeden. De voornaamste uitdaging bestaat er volgens de experts dan ook in vooral geen expertise te verliezen, ook wanneer forecasting en vraagplanning in 95 procent van de gevallen volledig automatisch verlopen met behulp van AI. De vergelijking tussen een vliegtuigpiloot en de automatische pilootfunctie is snel gemaakt.
De implementatie en het gebruik van AI in forecasting is daarnaast een kwestie van veranderingsmanagement. Zijn organisaties die bijvoorbeeld hun eerste statische modellen net op poten hebben gezet ook klaar om meteen een volgende stap te zetten, richting het gebruik van AI? Experts wijzen erop dat het belangrijk is op microniveau met lokale initiatieven te beginnen en voortrekkers te vinden binnen de organisatie om flexibele en multidisciplinaire teams te vormen.
Tekortkomingen voorgoed aanpakken
Ook Abe Eshkenazi, CEO bij ASCM, gaat dieper in op de toekomstige rol van AI in de organisatie van logistieke ketens. De revolutie op het gebied van prognoses en vraagplanning die AI door middel van meer nauwkeurigheid en efficiëntie teweeg zal brengen, is volgens hem vooral belangrijk gezien de lessen die de sector uit de coronacrisis heeft getrokken. “Supply chains opereerden met een vals gevoel van zekerheid: heel efficiënt en met een snelle en betrouwbare levering tegen redelijke kosten”, zegt hij. “De pandemie heeft belangrijke gebreken blootgelegd, zoals een gebrek aan zichtbaarheid, transparantie en traceerbaarheid, en heeft de behoefte aan een veerkrachtige en flexibele infrastructuur benadrukt.”
AI bezit het potentieel om die tekortkomingen aan te pakken door enorme hoeveelheden gegevens in real time te verwerken en inzicht te verschaffen in mogelijke verstoringen vooraleer ze zich voordoen. “AI kan ons helpen vraagsignalen beter te begrijpen. Toch moeten we een slag om de arm houden”, stelt Abe Eshkenazi. Volgens hem hebben organisaties snel de neiging om de werkelijke impact van AI en machine learning op korte termijn te overschatten en het omgekeerde te doen op lange termijn. “Historisch gezien heeft de logistieke sector nieuwe technologieën altijd snel omarmd door de constante nood aan meer efficiëntie. Maar op het vlak van AI ligt de uitdaging in het integreren van de mogelijkheden in de brede organisatie.”
Waarin verschilt AI dan van andere technologische innovaties, zoals robotica, die intussen wijdverspreid zijn? “AI heeft deze keer een sterke invloed op de rol van kenniswerkers en niet zozeer op die van handarbeiders.” Los van hoe die impact er concreet uit zal zien, benadrukt ook Abe Eshkenazi het risico van te veel op AI te vertrouwen zonder voldoende menselijk toezicht. “Kritisch denken en probleemoplossende vaardigheden zijn essentieel om AI-gegevens correct te interpreteren”, meent hij. “Studies tonen aan dat organisaties weliswaar veel in technologie en analyse investeren, maar vaak nalaten die cruciale menselijke vaardigheden te ontwikkelen.” Dat leidt volgens de CEO niet alleen tot blindelings vertrouwen, maar ook tot onderbenutting van het potentieel van AI-tools.
FF
Premium
Deze inhoud is enkel leesbaar voor ingelogde Value Chain abonnees.
Heeft u een abonnement op het Value Chain informatiepakket? Meldt u aan via onderstaande knop en lees het gewenste artikel of magazine online.