Groot potentieel, maar niet altijd noodzakelijk
Machine learning voor voorraadoptimalisering
De kracht van goed supply chain management schuilt vandaag in grote mate in het genereren van waardevolle inzichten uit grote hoeveelheden data. Voor die data-analyse treedt ‘machine learning’ (ML) almaar nadrukkelijker op de voorgrond. ML-algoritmes kunnen zonder handmatige tussenkomst nieuwe patronen vinden en dragen op die manier bij tot een hogere efficiëntie, duurzaamheid, kostenbesparing en klanttevredenheid. “Machine learning kent een groot potentieel, maar het is niet de enige technologie die je supply chain naar een hoger niveau tilt”, meent Steven Pauly, inventory control & forecasting expert bij Slimstock.
Slimstock is een toonaangevende Europese speler op het gebied van voorraadoptimalisering. Namens de Slimstock Academy geeft Steven Pauly masterclasses over machine learning, waar hij de deelnemers meer leert over de toepassingsgebieden, randvoorwaarden en uitdagingen in de praktijk. Hij meent dat, hoewel velen ze in een adem uitspreken, artificiële intelligentie en machine learning significant van elkaar verschillen. “Machine learning betekent dat computersystemen zelf kunnen leren van data”, begint hij. “Die leercomponent stelt de machine in staat verbanden en patronen in een datastructuur te ontdekken zonder die expliciet te vernoemen. Het zorgt voor geoptimaliseerde prestaties en leidt uiteindelijk tot artificiële intelligentie of een machine die een zekere vorm van intelligentie vertoont. Een robot geeft bijvoorbeeld blijk van artificiële intelligentie, maar de manier waarop hij die artificiële intelligentie vergaart, is mogelijk tot stand gekomen met behulp van machine learning.”
Voor Steven Pauly biedt machine learning enkel een toegevoegde waarde wanneer organisaties de algoritmes met de aangewezen data voeden. “Datamanagement is cruciaal”, meent hij. “Al te vaak zien we dat bedrijven machine learning willen implementeren zonder dat ze over het nodige inzicht in hun data en processen beschikken. Zelfs wie nu nog geen ML-projecten plant, maakt best werk van zijn databeheer. Op die manier ben je optimaal voorbereid op toekomstige software-innovaties en tools. Wie de data nadien nog op punt moet zetten, verliest veel tijd en dreigt achterop te hinken.”
Een middel, maar geen doel
Steven Pauly is van mening dat machine learning bij alle aspecten van de supply chain zijn nut kan bewijzen: van optimale routes, over magazijnoptimalisering tot voorraadplanning. “Al hoef je die technologie niet altijd toe te passen. De meeste processen kunnen gewoon met traditionele wiskundige technieken geïnterpreteerd en geanalyseerd worden. Machine learning vormt dus niet dé standaardtechnologie, maar behoort tot de vele middelen om optimale inzichten te genereren. Het geldt nooit als een doel op zich. Uit het scala aan methodes pik je idealiter gewoon de methodologie die je de beste resultaten garandeert.”
Door bedrijven in staat te stellen steeds nauwkeurigere voorspellingen te doen, verbetert machine learning de besluitvormingsprocessen. “Machine learning kan bijvoorbeeld de vraag helpen voorspellen bij de lancering van nieuwe producten”, illustreert Steven Pauly. ‘ML is in staat soortgelijke producten te vinden die eerder al werden gelanceerd. De vraag naar die producten kan dan worden gebruikt om de voorspelling voor het nieuwe product te maken.”
Een ander toepassingsgebied situeert zich op het vlak van de detectie van anomalieën. “Door afwijkingen in klanttransacties, de beschikbaarheid en de voorraadstatus te detecteren, verbetert de robuustheid van andere ondersteunende algoritmes.”
Steven Pauly vermeldt ook de meerwaarde bij het opstellen van promoties. “Om een succesvolle promotiecampagne te realiseren, is een juiste voorraadbeschikbaarheid essentieel. Transfers tussen distributiecentra en winkels moeten vlot en transparant verlopen. Door de voorraad over de gehele supply chain steeds aan de vraag aan te passen met behulp van ‘deep reinforcement learning’, ontwikkelen bedrijven een effectiever promotiebeleid dat de verkoop stimuleert en het risico op ongeplande afprijzing minimaliseert.”
Een van de grootste obstakels bij de adoptie van machine learning is dat het meestal niet kan verklaren waarop een voorspelling is gebaseerd. De algoritmes zijn vaak een black box waarvan de inwendige redenering niet zichtbaar is. “Dat is niet nieuw. Immers, 99 procent van de technieken die bij voorraadbeheer worden gebruikt, zijn gebaseerd op complexe formules of numerieke methoden waarvan je het achterliggende beslissingsproces niet begrijpt”, biedt Steven Pauly tegengewicht.
Mens en machine
Hoewel het doembeeld van mens versus machine vaak opduikt, ziet Steven Pauly geen concurrentiestrijd, maar een wisselwerking. “Machine learning biedt tal van voordelen. Het vergroot de nauwkeurigheid en verwerkt gegevens veel sneller, het automatiseert repetitieve taken en verhoogt de efficiëntie. Op basis van gigantische datasets signaleert de technologie in geen tijd afwijkingen die voor de mens nagenoeg onmogelijk of pas na urenlang speurwerk te detecteren vallen. Tegelijk hebben de meeste processen nog altijd nood aan een menselijke verrijking. Waar machine learning patronen en aberraties afleidt, voelt de salesafdeling de markt bijvoorbeeld beter aan. Bundel beide factoren en je combineert het beste van twee werelden.”
Naast de ontwikkelingen op het vlak van machine learning maken vandaag ook ‘Large Language Models’ en generatieve artificiële intelligentie furore. Dergelijke systemen zijn getraind op grote datasets en gebruiken ML-algoritmes om nieuwe inhoud te genereren. “Large Language Models stellen ons in staat in natuurlijke taal met een database te communiceren. Daardoor kunnen gebruikers van supply chain software heel eenvoudig diepgaande inzichten uit de data halen zonder een programmeerexpert te moeten zijn”, besluit Steven Pauly.
