Optimal Machine Learning in supply chain management

Naren Agrawal is professor supply chain management en -analyse aan de Santa Clara-universiteit in Californië. Samen met onderzoekers Morris A. Cohen, Rohan Deshpande en Vinayak Deshpande bundelde hij de ervaringen op het werkveld tot een gloednieuwe kijk op supply chain optimalisering. “Bedrijven benaderen supply chain planning meestal vanuit een tweetrapsmodel”, stelt de professor. “Ze genereren in eerste instantie vraagvoorspellingen op basis van historische data. Die informatie situeert zich onder meer in verkoopvolumes en bestellingen, naast economische data en acties van de concurrentie. In een volgende fase gebruiken ze die forecasts als input voor wiskundige modellen, als basis voor het nemen van voorraadbeslissingen. Dat traject omschrijven academici als ‘predict-then-optimize’ (PTO).”

Lacunes

Professor Agrawal geeft aan dat die methode lacunes vertoont. “In een bedrijf circuleren vaak verschillende voorspellingen”, zegt hij. “Een van de bedrijven waar we voor werkten, hanteerde voor verkoopprognoses een ‘rolling forecast’ met een looptijd van twaalf maanden, terwijl het voorraadteam zich op een wekelijkse horizon baseerde. Dat leidt tot verschillende assumpties en uitkomsten, waarbij het niet duidelijk is welke je best volgt. Daarnaast is er sprake van vooringenomenheid. De voorraadafdeling bekijkt de zaken door een conservatieve bril en wil overtollige voorraad vermijden. Sales wil de klant te allen tijde meteen bedienen en pusht voor hogere voorraden. Finance neemt dan weer vooral de voorraadkosten in ogenschouw.”

Een ander aandachtspunt is scenarioplanning. “Hoewel veel bedrijven sinds de coronapandemie scenarioplanning nadrukkelijk in hun planningsprocessen meenemen, vertoont die nog veel tekortkomingen”, vervolgt de professor. “De analyse gebeurt bijvoorbeeld meestal op een zeer geaggregeerd niveau. Het volstaat niet om te weten dat de totale verkoop van een bedrijf mogelijk daalt bij geopolitieke spanningen of een oorlog. Het is cruciaal om de omvang en timing van de impact op elk product, elke klant en elke regio te kennen. Dat zorgt ervoor dat je de passende strategieën kunt uitrollen om de impact te beperken. Daartoe is het belangrijk een gedifferentieerde strategie te ontwikkelen op het vlak van geografie, producten en klanten.”

De som van die gebreken leidt volgens de academicus tot onnauwkeurige prognoses die op hun beurt zorgen voor laattijdige leveringen, voorraadniveaus die slecht op de vraag aansluiten en teleurstellende financiële prestaties.

Rechtstreekse beslissingen

Prof. Agrawal meent dat de door hem en zijn coauteurs ontwikkelde methode een einde maakt aan die tekortkomingen. Terwijl de bestaande modellen zich richten op het maken van nauwkeurigere voorspellingen, koppelt ‘optimal machine learning’ (OML) inputgegevens rechtstreeks aan beslissingen in de supply chain. Het nieuwe model maakt gebruik van machine learning en historische gegevens om volgens de bedenkers superieure aanbevelingen te genereren voor de supply chain. Dat zorgt voor beter onderbouwde keuzes, een hogere snelheid en toegenomen flexibiliteit.

OML omvat drie elementen: een beslissingsondersteunende motor, een digitale tweeling en een end-to-end gegevensarchitectuur.

Prof. Agrawal: “De OML-methodologie houdt rekening met historische gegevens in de hele supply chain. Het gaat om factoren die aan de vraag- of aanbodzijde een belangrijke invloed uitoefenen, zoals prijzen, promoties en het klantenbestand, naast voorraden bij leveranciers, doorlooptijden, capaciteitsbeperkingen en transportvertragingen. OML bepaalt de onderlinge relaties en de wegingsfactoren, wat leidt tot beslissingen over productiehoeveelheden, aanvulorders en voorraadniveaus. Die data zijn essentieel met betrekking tot KPI’s als algemene winst, omzet of winst per regio, klant of productcategorie, de beschikbaarheid van producten, de omloopsnelheid van voorraden, enzovoort.”

Digitale tweeling

De digitale tweeling fungeert als een spil binnen die benadering. “Een gedetailleerde digitale weergave van het volledige supply chain netwerk, alle materiaalstromen en de besluitvormingsprocessen van alle betrokken partijen, geldt als basis voor toekomstige vraag- en aanbodscenario’s en het ontwikkelen van alternatieve strategieën”, vervolgt de professor. “Door de kracht van cloud computing te bundelen met de digitale tweeling, genereer je snel optimale aanbevelingen, zelfs bij heel complexe supply chains. De methodologie houdt – in tegenstelling tot de klassieke modellen – meteen rekening met alle relevante beperkingen binnen de end-to-end supply chain. Een ander voordeel is de mogelijkheid om de impact van historische beslissingen te vergelijken met de werkelijke resultaten. Dat schenkt de gebruiker vertrouwen in het model. Langs die weg analyseer je de prestaties van het systeem op een objectieve manier en effen je het pad voor het testen van alternatieve scenario’s.”

De professor beschouwt een end-to-end gegevensarchitectuur als een cruciale succesfactor voor een OML-model. “Het OML-model gebruikt relevante data uit de gehele supply chain. Op die manier spreekt iedereen dezelfde taal en zijn alle beslissingen gebaseerd op gemeenschappelijke assumpties en datasets. Het opslagsysteem moet in staat zijn gegevens over teams, locaties en producten samen te voegen en het mogelijk maken bijkomende en nieuwe informatie nagenoeg meteen te verwerken en bij te werken.”

Resultaten

Prof. Agrawal en zijn collega’s implementeerden de OML-methodologie bij twee Fortune 500-bedrijven. Een producent van halfgeleiderapparatuur zette het model in voor voorraadoptimalisering en hogere serviceniveaus tegen lagere kosten.

Prof. Agrawal: “Voorheen bedroeg de vullingsgraad er ongeveer 77 procent met voorraadinvesteringen van iets meer dan 135 miljoen dollar. Het OML-systeem verhoogde de vullingsgraad naar bijna 85 procent terwijl de voorraadinvestering niet steeg. Bovendien konden managers zich dankzij de nieuwe aanpak op meer strategische zaken concentreren. De visualisatie leidde daarnaast tot waardevolle inzichten. Bij een consumentenelektronicabedrijf bracht OML dan weer opvallende tekortkomingen op het vlak van voorraadbeheer aan het licht.”

Gesterkt door die gunstige resultaten, richtten de onderzoekers AD3 Analytics op. Die start-up stelt het OML-framework mondiaal ter beschikking voor bedrijven, met als doel een wendbare en flexibele supply chain. “De methodologie is breed toepasbaar”, aldus de professor. “Tegelijk vereist ze een zekere graad van personalisatie om een maximale meerwaarde te genereren. Met AD3 Analytics begeleiden we ondernemingen binnen dat traject. Goed om te weten is dat het model toelaat voortdurend nieuwe data en parameters toe te voegen. Het evolueert dus mee met je organisatie.”

Bedrijfsbreed project

Om bedrijven te helpen bij het opbouwen van flexibiliteit en veerkracht in hun supply chains, vereist OML een passende organisatiestructuur, personeel met de juiste vaardigheden, veranderingen in het planningsproces en een gedetailleerd begrip van de mogelijkheden en valkuilen van machine learning. “OML is veel meer dan een data science-project”, meent prof. Agrawal. “De OML-doelstelling definiëren, zakelijke beperkingen vastleggen, en KPI’s en relevante gegevens identificeren, vereist functionele en operationele analisten met voldoende ervaring in het modelleren van de supply chain. Bij voorkeur betrek je dus ook marketing, verkoop, financiën, logistiek, productie en IT bij dat traject. Bovendien moet het gedragen zijn door het bredere management. Alle partijen moeten vertrouwen op de aanbevelingen van het planningssysteem en niet de behoefte voelen ze te herzien.”

Prof. Agrawal stipt het belang van data management aan om enkel de relevante data uit verschillende bronnen te identificeren, te verzamelen en te raadplegen. “OML staat in schril contrast met traditionele machine learning waarbij je werkelijk alle beschikbare gegevens gebruikt, ongeacht de relevantie voor het bedrijf”, meent hij. “Sommige bedrijven integreren alle data bij het ontwikkelen van machine learning-modellen in de overtuiging dat de modellen uitvissen welke gegevens het belangrijkst zijn.”

Tot slot richt je het S&OP-proces best in op een manier die maximaal gebruikmaakt van de flexibiliteit, snelheid en diepte van de OML-analyses. “Het komt erop aan de typische maandenlange S&OP-cycli te vervangen door snellere en meer reactieve cycli. Om OML optimaal te laten renderen, stem je er dus best jouw organisatiestructuur en beslissingsprocessen op af. Mogelijk doe je ook een beroep op extra expertise op het vlak van cloud computing”, besluit de professor.

KD