Efficiënter forecasten binnen klantgerichte supply chain

Als toonaangevend Frans voedingsmiddelenbedrijf focust Danone zich op drie hoofdsegmenten: zuivel- en plantaardige producten (goed voor een aandeel van 52%), waters (17%) en gespecialiseerde voedingsproducten, zoals babyvoeding (31%). Bekende merken van de producent zijn Activia, Actimel, Alpro, Nutricia, Nutrilon, Evian en Volvic. Die producten worden gemaakt in meer dan 350 fabrieken wereldwijd en opgeslagen en verdeeld via meer dan 450 magazijnen en distributiefaciliteiten. Danone is in meer dan 120 landen actief en telt ongeveer 100.000 medewerkers in zo’n 57 landen.

Net als voor veel andere bedrijven wordt ook de complexiteit voor Danone steeds groter. Zo blijkt uit de New York Fed Global Supply Chain Pressure Index (GSCPI) dat de complexiteit in de afgelopen vijf jaar sterker is toegenomen dan in de laatste twintig jaar. “We moeten ons ook geen illusies maken: wereldwijde supply chains zullen onderhevig blijven aan verstoringen”, vertelt Marc Martínez tijdens de Reuters Supply Chain Conference in Amsterdam. “Het is dan ook cruciaal dat we onze supply chain zo weerbaar en responsief mogelijk maken. Daarbij kunnen nieuwe technologieën, de beschikbare data en goed getrainde medewerkers helpen.”

Supply chain planning op de schop

Om die reden besloot Danone zijn supply chain planning over een andere boeg te gooien.
Marc Martínez: “Binnen onze end-to-end supply chain planningstransformatie wilden we tot een datagestuurde supply chain komen. Die moet ervoor zorgen dat we evolueren van een productgedreven supply chain naar een supply chain waar de klant centraal staat. Dat vereist een evolutie van een reactieve naar een proactieve supply chain en van een volume- naar een waardegedreven supply chain.”

In dat kader heeft Danone zichzelf enkele concrete doelen gesteld. “Om onze transformatie te versnellen met schaalbare en duurzame oplossingen, moesten we inzetten op de kracht van data analytics binnen een geharmoniseerd, complex digitaal ecosysteem”, licht Marc Martínez toe. “Dat zou ons in staat stellen de shift te maken van een planning per categorie naar een planning over meerdere categorieën heen. We wilden ook end-to-end visibiliteit creëren en de mogelijkheden verkennen om aan scenarioplanning te doen. Verder vonden we het belangrijk om solide IBP-processen (integrated business planning) op te zetten, met het oog op betere en snellere beslissingen en een vlottere toewijzing van resources. Tot slot wilden we komen tot een meer risicobestendige supply chain.”

De tools die Danone in huis had, konden evenwel niet meer volgen. “Elk land en elke regio had wel zijn eigen manier van werken, wat zorgde voor heterogene en gedecentraliseerde processen. Over het algemeen waren we te afhankelijk van spreadsheets in het planningsproces. Bovendien kregen onze tools en medewerkers het steeds moeilijker om goed om te gaan met de steeds grotere hoeveelheid data. Er werd dan ook heel wat tijd gespendeerd aan niet-waardetoevoegende taken, zoals het handmatig koppelen van data uit verschillende systemen”, aldus Marc Martínez.

Digitale en menselijke transformatie hand in hand

Het grootschalige programma dat Danone voor demand planning heeft gelanceerd, moest leiden tot een robuuster en geharmoniseerd, digitaal forecastingproces op basis van data analytics en machine learning. De transformatie van de demand planning met machine learning gebeurde in SAP Integrated Business Planning for Supply Chain, toegepast op schaal in meerdere landen, met verschillende planningshorizonten en detailniveaus.

Het advanced planning system (APS) met AI-gedreven demand planning dat Danone heeft geïmplementeerd, verzamelt heel verschillende data, zoals marketinggegevens, promoties, weersvoorspellingen, de geschiedenis van producten, tijdsvariabelen en data over investeringen. Intussen neemt Danone ook de consumentenverkoopgegevens mee. In de meeste gevallen wordt bij de voorspellingen gebruikgemaakt van de machine learning techniek ‘gradient boosting’, die de beste resultaten oplevert voor de retailproducten van Danone.

Danone combineert forecastingstrategieën op een slimme manier, afhankelijk van het type product en het supply chain model. Daarbij worden zowel machine learning modellen als geavanceerde klassieke statistische modellen gebruikt. Bij de machine learning modellen kan de vraag worden uitgesplitst in bouwblokken, wat het makkelijker maakt om de verkregen forecast uit te leggen. Het detailniveau kan verschillen op basis van het product, de categorie of de noden van de afzonderlijke landen: op basis van dag/week/maand, product, klant en locatie.

De resultaten van de voorspellingen dienen als input voor het IBP-proces “Het proces op zich is niet zoveel veranderd, maar doordat we nu veel meer data hebben, is dat wel veel rijker geworden”, licht Marc Martínez toe. “In onze tool is het ook mogelijk om risico’s en opportuniteiten te analyseren en aan innovatiemanagement te doen. We hebben eveneens de mogelijkheid gecreëerd om scenario’s te ontwikkelen. Scenario’s die niet alleen een impact hebben op de volumes, maar ook op de waarde, zodat we de juiste beslissingen voor de afdelingen kunnen nemen. Dat alles vullen we aan met relevante rapporteringen.”

De resultaten die Danone tot nu toe met behulp van het AI-forecastmodel heeft geboekt, zijn zeer positief. Marc Martínez illustreert de manier van werken aan de hand van een real-life voorbeeld van een SKU op klantniveau op wekelijkse basis (zie figuur). “De lichtblauwe lijn is wat het AI-model als baseline inschat, terwijl de donkerblauwe lijn de totale forecast met de promotie-input weergeeft. De oranje lijn is de werkelijke verkoop, die we achteraf hebben toegevoegd. Op het moment dat je het werkelijke volume hebt, kun je nagaan wat de ROI van de input en de promotie is. Die informatie kan dan worden gedeeld met bijvoorbeeld managementteams en key accounts. Op basis van die input kunnen zij dan de financiële impact berekenen, simulaties uitvoeren en de juiste beslissingen nemen”, legt hij uit.

Nu kun je je afvragen of een demand planner ook niet tot dezelfde resultaten zou kunnen komen. “Op zich wel, maar als je weet dat we dit model momenteel op 95.000 product-klantencombinaties toepassen, in wekelijkse buckets voor een horizon van anderhalf jaar, dan hoef ik er geen tekening bij te maken dat dit voor onze demand planners niet haalbaar is”, weet Marc Martínez. “AI biedt onze demand planners in feite een superkrachtige tool om dit soort berekeningen te helpen maken.”

Veertig keer sneller forecasten

Momenteel staat Danone al vrij ver in zijn demand planning transformatie. Intussen wordt al op de nieuwe manier gewerkt in ongeveer veertig landen, die 62 procent van de omzet vertegenwoordigen. Dat betekent dat al 250 actieve gebruikers met het nieuwe systeem werken.

Sinds de komst van het APS met AI-gedreven demand planning wordt aan vijftig procent van de demand planning niet meer geraakt. Dat past binnen het doel van Danone om zoveel mogelijk te evolueren naar een ‘touchless’ demand planning model.

M. Martínez: “De forecastaccuraatheid is tot tien procent gestegen. Doordat we nu ook voor minder populaire producten een betere forecastaccuraatheid hebben, noteert Danone in sommige landen 35 procent minder verspilling in de zuivelcategorie. Verder is het aandeel SKU’s met een zeer lage performantie in forecastaccuraatheid met dertig procent verminderd. Dat zorgt er mee voor dat de ‘customer fill rate’ – hoe snel de organisatie op klantenorders kan reageren vanuit een ‘make-to-stock’ situatie – met 0,4 procent is gestegen. Belangrijk is ook dat dit alles wordt gerealiseerd met een veel meer gestroomlijnd proces. Zo worden forecastvoorstellen veertig keer sneller gegenereerd via machine learning in vergelijking met het traditionele forecastproces. Dat betekent dat het nu in de plaats van 160 uur gemiddeld vier uur duurt om de forecast te berekenen.”

De overstap van een manuele forecast naar een geautomatiseerde forecast met AI heeft ook het leven van de demand planners veranderd. “Terwijl er vroeger bij de forecast enkel rekening werd gehouden met de dimensies ‘SKU’ en ‘locatie’, zijn daar nu de dimensies klant’ en ‘kanaal’ bijgekomen”, verduidelijkt Marc Martínez. “Dat maakt een meer klantgerichte aanpak mogelijk. Vroeger konden de planners gegevens uit 20.000 datapunten capteren, nu zijn dat er 660 miljoen. Verder zijn ze mee geëvolueerd van een erg tijdsintensieve en reactieve aanpak naar een proces dat vooral door uitzonderingen en alarmen wordt gedreven. Doordat er door de AI-gedreven forecast tijd is vrijgekomen voor de planners, hebben ze nu ook de tijd om zich daarop te focussen. Bovendien werden alle demand processen in SAP IBP geïntegreerd, zoals forecasting, innovaties, risico’s en opportuniteiten, integratie van promoties. Daardoor zijn manuele datatransfers verleden tijd en konden per land gemiddeld vijftig Excels worden geschrapt.”

Data first

Hoewel de voorlopige resultaten van de transformatie bij Danone indrukwekkend zijn, gingen met de transitie ook enkele uitdagingen gepaard. Om te beginnen vormden de integratie, het beheer en de kwaliteit van de data een enorme uitdaging. “Meer dan tachtig procent van de vertragingen die we tijdens de implementatie hebben opgelopen had daarmee te maken”, aldus Marc Martínez. “Zo moesten we ‘data lakes’ creëren, maar door de enorme hoeveelheid data werd dat eerder een ‘data ocean’. De meest betekenisvolle data naar boven halen en die data goed managen is iets wat je niet mag onderschatten. In het begin hadden we ook problemen met de performantie van het systeem. De eerste keer dat we ons AI-model lieten lopen, deed het er maar liefst achttien uur over en zijn we enkele keren gecrasht. Daarop zijn we nauw gaan samenwerken met een data scientist om de manier waarop we de modellen opzetten in ons platform te verbeteren. We hebben ook nauw samengewerkt met SAP om te komen tot de fast moving planningscycli die we nodig hadden. Zo kunnen we de AI-modellen nu optimaal laten draaien binnen de beschikbare tijd.”

“Het is ook belangrijk dat je je data op orde hebt voordat je een project start”, weet Marc Martínez. “Doe je dat niet, dan zal het projectteam daar maandenlang mee bezig zijn, waardoor de eigenlijke implementatie vertraging oploopt. Daarom vragen we aan de landenorganisaties en de IT-teams om de data alvast voor te bereiden voordat we er een projectteam naartoe sturen. Verder is het belangrijk dat je AI en machine learning enkel toepast waar dat mogelijk en zinvol is. Als de hoeveelheid data en/of de kwaliteit ervan niet goed zit, dan zal AI geen waarde toevoegen.”

Belang van change management

Marc Martínez maakt ook duidelijk dat technologie weliswaar een belangrijke facilitator is om de digitale transformatie te ontgrendelen, maar dat ook de mensen, de organisatie en de processen mee moeten evolueren om van een succesvolle transitie te kunnen spreken. “Dat hebben we tijdens de transformatie aan den lijve ondervonden”, zegt hij. “Change management en de adoptie van de systemen vormen een belangrijke uitdaging. Zelfs al is je nieuwe tool veel beter dan de traditionele aanpak, er zullen altijd gebruikers zijn die het moeilijk hebben om van de oude manier van werken af te stappen. We merken ook dat er binnen de organisatie een groot verschil bestaat tussen de landen waar het change management goed is aangepakt en de landen waar dat minder goed is gelopen. Een andere uitdaging was de ‘upskilling’ van de mensen die de verandering zouden sturen. We hebben fors geïnvesteerd in trainingen en het verbeteren van de competenties om naadloos met de nieuwe technologie te kunnen werken.”

Om de adoptie te ondersteunen en ervoor te zorgen dat er zo efficiënt mogelijk met het nieuwe systeem wordt gewerkt, worden gebruikers er ook op getraind de forecast enkel aan te passen als de aanpassingen ook zinvol zijn. Aansluitend daarop wordt nauwkeurig opgevolgd welke aanpassingen waarde toevoegen en welke de forecast eerder verslechteren. Het is belangrijk dat de medewerkers nauw bij die opvolging worden betrokken. Ook het aantal records dat volledig volgens een ‘touchless forecast’ wordt gepland, wordt gemonitord. Daar worden ook KPI’s aan gekoppeld. “In sommige categorieën bereiken we een forecastaccuraatheid tot negentig procent op SKU-niveau. Dan is de kans dat planners waarde kunnen toevoegen door de forecast aan te passen, niet bijzonder groot. Daar moeten ze zich bewust van zijn als ze besluiten om toch iets te veranderen”, voegt Marc Martínez eraan toe.

Belangrijk was ook dat de oude processen in de verschillende landen op een efficiënte manier een upgrade kregen. “Daarom hebben we een wereldwijd operationeel model gecreëerd dat helpt om de procesmatige veranderingen door te voeren. Dat doen we systematisch voordat we het technische luik aanpakken”, aldus Marc Martínez.

Verder moest Danone beslissen hoe het zou omgaan met de complexiteit en de specifieke kenmerken van de verschillende landen waar de nieuwe manier van werken werd ingevoerd.

M. Martínez: “We willen daar wel rekening mee houden, maar tegelijk willen we zoveel mogelijk bij de standaard blijven. Daarom hanteren we een 80-20-aanpak, waarbij we voor tachtig procent bij het kernmodel blijven en voor twintig procent maatwerk toelaten. Maar dan moeten die aanpassingen wel het kernmodel verbeteren. Dat model laat ons toe snel en efficiënt op te schalen. Mochten we dat niet hebben, zouden we nooit op dezelfde manier kunnen vooruitgaan.”

Om de transformatie in de verschillende landen te ondersteunen, heeft Danone Centers of Excellence gecreëerd. “In het globale Center of Excellence wordt het hele programma gemanaged”, licht Marc Martínez toe. “Elke keer dat we een regio uitrollen, zetten we daar meteen ook een regionaal Center of Excellence op, dat in nauw contact staat met het globale Center of Excellence. De rol van de Centers of Excellence bestaat erin de adoptie te stimuleren, continue verbeteringen door te voeren om de opgedane kennis op een goede manier beheren en te waken over de standaardisatie en harmonisatie. “Op die manier willen we op termijn steeds efficiënter gaan werken met het complexe model dat we hebben uitgebouwd.”

TC