Machine learning ondersteunt datagedreven aanpak

Philips introduceerde in 2016 het SSP-programma om de traditionele aanpak van duurzaamheidsaudits te vervangen. “In de industrie is het gebruikelijk om een derde partij naar leveranciers te sturen. Die gaat na of alles in kannen en kruiken is en maakt een rapport op”, vertelt Bob Ruers, supplier sustainability & human rights director bij Philips. “Het probleem dat zich daarbij stelt, is dat er regelmatig een directe relatie tussen de leverancier en de klant ontbreekt. Het gebruik van externe partijen kan daarbij zorgen voor een grotere complexiteit, minder transparantie en een grotere kans dat gebreken niet direct aan het licht komen. Daarnaast is het vertrouwen om openheid te geven niet altijd een gegeven.”

Open communicatie met leveranciers

Zeven jaar geleden koos Philips voor een koerswijziging. “Die omslag kwam er op eigen initiatief, want duurzaamheid is een belangrijk onderdeel van de strategie van Philips”, gaat Bob Ruers verder. “We bouwden de samenwerking met externe partijen af en intensiveerden de directe samenwerking met onze leveranciers. We maakten hen duidelijk dat we samen naar ontwikkelpunten op duurzaamheidsvlak zouden kijken en waar nodig ondersteuning zouden bieden bij het verbeteren ervan, op basis van transparantie en vertrouwen. Aanvankelijk reageerden de leveranciers enigszins terughoudend, maar toen ze eenmaal hadden vastgesteld dat we onze belofte nakwamen, sprongen ze massaal op de kar. Onze benadering bleek te lonen, want er kwamen tal van verbeterpunten aan de oppervlakte. Hoewel het grote aantal potentiële optimaliseringsmogelijkheden ook voor ons zeer groot bleek, vormde het de aanzet tot een succesvol verbetertraject.”

Een referentiekader fungeert als de basis binnen het SSP-programma. Het bevat zowel internationale normen als door Philips gestelde eisen op het vlak van managementsystemen, milieu, gezondheid en veiligheid, bedrijfsethiek en menselijk kapitaal. Voor elk van die categorieën identificeert Philips het maturiteitsniveau van de leverancier. “We laten de leveranciers daartoe een vragenlijst invullen, die ze met bewijsstukken moeten staven. Die antwoorden verifiëren we zelf, om de situatie nadien al dan niet ter plaatse te observeren”, legt Bob Ruers uit. “Het resultaat van de SSP-beoordeling is een duurzaamheidsscore voor de leverancier die varieert van 0 tot 100. Op basis van die opdeling komen er leveranciersspecifieke voorstellen voor verbetering naar voren.”

Hoe werkt het SSP dashboard?

De linker kolom van het dashboard bevat verschillende componenten: milieu, gezondheid en veiligheid, ethiek en menselijk kapitaal (zie afbeelding). De maturiteit is opgebouwd van links naar rechts. “Om een bepaalde verbetering te implementeren, heb je bijvoorbeeld eerst nood aan een beleid en procedures. Risicocontrole kan dan weer enkel voor procedures die daadwerkelijk geïmplementeerd zijn. Logischerwijze liggen de scores in de linker kolommen hoger dan in de rechter”, legt Bob Ruers uit. “De kunst bestaat erin op basis van het gewicht dat we aan die resultaten toekennen een totaalscore te genereren. Nog mooier wordt het wanneer je de impact van een verbetering op de deel- en totaalscores kunt inschatten.”

“We stelden vast dat optimalisering bij leveranciers uit eenzelfde sector en regio in veel gevallen ongeveer hetzelfde resultaat opleverde. Maar het handmatig analyseren van die informatie, waaruit een verbeterplan voortvloeit, bleek net als het inschatten van de impact van die verbeteringen op het maturiteitsniveau erg arbeidsintensief”, blikt Bob Ruers terug. Daarom richtte het duurzaamheidsteam van Philips zich op een reductie van die workflow. “We ontwikkelden een reproduceerbare methodologie om de impact van een actie op het verbeterplan te voorspellen. Door het gebruik van machine learning (ML) konden we die taak voor een groot deel automatiseren”, legt Stef Herrebout uit. Hij hielp in het kader van zijn masterthesis aan TU Eindhoven bij de uitrol van het project bij Philips en trad er na zijn studies vast in dienst als supplier sustainability officer.

De machine learning-dimensie

Om het effect van een verbetering na te gaan, baseert het algoritme zich op de impact van acties uit het verleden. “We analyseerden het verschil tussen de situatie voor en de situatie na optimalisering. Daardoor konden de machine learning-algoritmes voorspellingen maken voor wanneer we bij een andere leverancier vergelijkbare acties zouden toepassen. Bleken de acties de maturiteitsscore voldoende op te krikken, dan pasten we ze in het verbeterplan in. In het andere geval zochten we alternatieven met een hoger effect”, stipt Stef Herrebout aan.

Als onderdeel van zijn thesis besteedde de onderzoeker veel aandacht aan de keuze van het juiste algoritme. “Het adaptieve boosting-algoritme met weging van belang en een kleinere set eigenschappen presteerde uiteindelijk het best en benadert de huidige (menselijke) prestaties nagenoeg volledig”, zegt hij. “Dat hoeft ook niet te verwonderen, aangezien het algoritme getraind is op basis van data uit de menselijke analyses uit het verleden. We stellen bovendien vast dat het ML-model zich doorgaans iets conservatiever opstelt en geen ruimte biedt voor overambitieuze prognoses. Maar het grootste voordeel schuilt ongetwijfeld in de efficiëntie. Het ML-model levert binnen een tijdsspanne van een minuut vergelijkbare resultaten op ten opzichte van een manueel opgesteld plan dat al snel drie uren in beslag neemt.”

Eigen input

Hoewel de automatische voorspelling de menselijke inbreng terugdringt, wijst Bob Ruers op het belang van de input van de eigen experts. “De datasets zijn momenteel geografisch nog te beperkt. Dat betekent dat er mogelijk plaatselijke aandachtspunten naar voren treden. Bovendien kun je je leveranciers ook niet zomaar een datasheet voorleggen en is er nood aan persoonlijke interactie. Dankzij de grote tijdswinst kunnen we net meer aandacht aan dergelijke aspecten besteden.”

KD