Toepassingen van Artificial Intelligence binnen voorraadbeheer
Kunstmatige intelligentie raakt steeds meer verweven in onze dagelijkse bezigheden. Ook binnen het vakgebied voorraadbeheer, dat steeds complexer wordt, is kunstmatige intelligentie van grote waarde.
Wat maakt voorraadbeheer zo complex?
Voorraadbeheer is zowel een wiskundig als een commercieel vak, waar op universiteiten over de hele wereld al decennia lang studie naar wordt gedaan. Er is veel literatuur beschikbaar over hoe je zo rationeel mogelijk nadenkt over voorraden, rekening houdend met de voorgenoemde basisvariabelen. Desondanks is het vak nog zeker niet uitontwikkeld. De complexiteit van onze professionele wereld groeit exponentieel. Het aantal variabelen die de nodige voorraad beïnvloedt, blijft groeien, in aantal maar ook in onzekerheid. Door zaken als e-commerce, globalisering en de evolutie van de consumentenmarkt is de complexiteit van het vak zodanig toegenomen dat het menselijke, rationele denken niet (altijd) meer toereikend is.
Maar niet enkel de ‘wiskundige’ complexiteit maakt voorraadbeheer moeilijk, ook het toenemend aantal voorraad management processen zorgt voor uitdagingen. Bedrijven gaan meerdere verkoopkanalen bedienen, andere levermodellen aanbieden (dropshipment) of schakels overslaan waarbij groothandels bijvoorbeeld ook rechtstreeks aan consumenten gaan leveren. De hoeveelheid data die hierbij wordt gegenereerd, explodeert en er zijn steeds meer uitzonderingen waarmee rekening moet worden gehouden. Dit managen van uitzonderingen is moeilijker te automatiseren en dus zijn er meer mensen nodig om alles onder controle houden. Maar hoe meer mensen zich met voorraad bemoeien, hoe foutgevoeliger de processen.
Van data naar beslissingen
Het verschil tussen traditioneel voorraadbeheer en machine learning is de manier waarop ze van data naar beslissingen gaan. Bij traditioneel voorraadbeheer maken we een, vaak versimpeld, wiskundig model van de werkelijkheid en passen dat toe op de data. Dit heeft als nadeel dat het niet goed werkt als de werkelijkheid teveel afwijkt van het model. Bij machine learning werken we de andere kant op, daar gaan we uit van de data en gaan van daaruit de werkelijkheid afleiden. Dit heeft als voordeel dat we moeilijkere vraagstukken efficiënt kunnen oplossen en een breed scala aan vraagstukken kunnen aanpakken. Een nadeel is dat machine learning volledig afhankelijk is van de data die voorhanden zijn.
Toepassingen van machine learning
Binnen het vakgebied voorraadbeheer onderscheiden we van oudsher diverse deelgebieden waarvoor in de loop der jaren specifieke, wiskundige oplossingen zijn ontwikkeld. Er zijn bijvoorbeeld statistische technieken om de toekomstige vraag te voorspellen en formules om de optimale bestelgrootte of de veiligheidsvoorraad te berekenen. Mensen zijn geneigd om op dezelfde manier over machine learning na te denken, maar dat is een valkuil. Machine learning is geen technologie die is gericht op specifieke, concrete problemen, maar op onderliggende, abstracte vraagstukken. Dit maakt dat machine learning ook wel een general purpose technology wordt genoemd, iets waaraan binnen het alsmaar complexer wordende voorraadbeheer grote behoefte is.
Ondanks dat de toepassingsmogelijkheden van machine learning niet altijd hard zijn aan te wijzen, zien wij een aantal deelgebieden van voorraadbeheer waarbij de technologie relatief vaak succesvol wordt ingezet. We zetten ze op een rij.
1. Beter forecasten
Voorspellen, beter gekend onder de term forecasting, is het gebied binnen voorraadbeheer dat momenteel de meeste vruchten plukt van machine learning. Dit zijn problemen waarbij de oplossing ligt in het zoeken naar verbanden tussen verschillende variabelen en deze verbanden gebruiken om een taak succesvol uit te voeren.
2. Uitschieter detecteren
Het is belangrijk te herhalen dat machine learning een proces is waarvan de kwaliteit sterk afhangt van de data die worden gebruikt. Om die reden is het detecteren van onregelmatige klanttransacties een sleutelonderdeel voor het voorspellen. Ook daarin kan machine learning veel waarde bieden. Het detecteren van onverklaarbare uitschieters in een dataset is namelijk een taak waarin machine learning algoritmen excelleren en vele malen efficiënter zijn dan mensen. Dit wordt ook wel anomalie-detectie genoemd waarvoor al vele algoritmen zijn ontwikkeld.
3. Sequentieel beslissen
Ook het nemen van sequentiële beslissingen in een omgeving met onzekerheid, is iets waarin machine learning de mens kan “verslaan”. Denk aan bordspellen als schaken, Go en de Atari-spelletjes waarin machine learning een enorm hoog niveau kan halen. De techniek die hier voor wordt ingezet heet deep reinforcement learning. Bij deze techniek gebruikt een machine grote neurale netwerken en om hier met behulp van trial & error de optimale beslispaden in te vinden. Deze strategische spellen zijn vergelijkbaar met voorraadbeheer, waar de vragen “hoeveel” en “wanneer” bestellen periodiek op SKU-niveau genomen moeten worden en daarmee, net als schaken, een sequentieel beslissingsproces vormen. In tegenstelling tot forecasting en outlierdetectie is het nemen van sequentiële beslissingen nog niet zo ver ontwikkeld. Het zal nog wel even duren voordat machine learning bij dit onderdeel van voorraadbeheer veelvuldig wordt ingezet.
4. Promoties managen
Het accuraat voorspellen van verkopen rondom promoties is voor veel bedrijven een grote uitdaging. Retailers, groothandels en ook hun toeleveranciers kunnen een flink concurrentieel voordeel halen uit het goed uitvoeren van promoties. Een goede beschikbaarheid geeft omzetkansen maar er zijn ook grote risico’s aan verbonden. Er is een groter risico op incourantie en er zijn mogelijk negatieve bijeffecten op klantloyaliteit. Dit alles maakt een goede voorspelling van de impact van een promotie extra belangrijk en is het de moeite waard te onderzoeken hoe machine learning dat kan bewerkstelligen.
Wat wordt jouw eerste stap?
De eerste stappen van het toepassen van machine learning is het ontwikkelen van een datastrategie, waarbij de volgende vragen beantwoord moeten worden. Bedrijven moeten namelijk data kunnen vertalen naar waardevolle beslissingen en daarvoor is specifieke kennis nodig. Deze kennis is een combinatie van data science en kennis omtrent het vakgebied voorraadbeheer.
- Welke data willen we per processchakel gaan verzamelen? Een vraag die daaraan vooraf moet gaan is: Wat is de waarde van de beslissingen die we op basis van deze data kunnen nemen?
- Willen we forecast-nauwkeurigheid meten?
- Willen we leveranciers kunnen beoordelen?
- Willen we het bestelgedrag van onze planners analyseren?
- Zijn de data die we willen verzamelen al aanwezig en kunnen we die ontginnen? Als data niet aanwezig zijn of onbereikbaar, is dit het eerste wat je dient op te lossen.
- Hoe ga je de data opslaan? Van het moment dat de juiste data kent en ook kán bereiken, is het belangrijk dat wordt nagedacht over waar en hoe je de data gaat bewaren. Het centraliseren en frequent ophalen van informatie brengt in de praktijk namelijk heel wat vragen met zich mee, zowel technisch als functioneel.
Steven Pauly – researcher Slimstock Belgium
