Van forecasts bouwen naar reageren op notificaties

“Veel van het planningswerk berustte vroeger op Excel-spreadsheets”, stelt Marc Martinez, die de planningstransformatie binnen Danone mee aanstuurt. “Dat werkte naar behoren, maar bood niet langer een antwoord op de gigantische hoeveelheden data die we vandaag verwerken. Bovendien vroeg de hoge cadans aan disrupties waaraan onze supply chain is blootgesteld om een oplossing die het mogelijk maakt sneller te schakelen. We beoogden een end-to-end benadering die zowel onze competitiviteit, efficiëntie als duurzaamheid ten goede zou komen.”

“Vroeger lag de focus sterk op het product, terwijl de planning vanuit een klantgerichte benadering idealiter is ingericht op locatie-, kanaal- en klantenniveau. Hoe hoger die accuraatheid, hoe beter we ook onze resultaten aan de hand van een ‘profit & loss-statement’ (P&L) konden voorspellen. Een andere doelstelling was de verschuiving voor onze planners van taken met een lage toegevoegde waarde, naar een focus op uitzonderingen en taken met een grotere meerwaarde”, licht Marc Martinez de objectieven toe.

Meerwaarde van machine learning

Voor Danone stond van meet af aan vast dat machine learning (ML) de aangewezen technologie vormde om die ambities waar te maken. “We kozen voor SAP IBP als onderliggende software. Die tool stond toen nog niet zo ver als we het vandaag in samenwerking met SAP hebben gebracht. Om de ML-functionaliteit te integreren was er sprake van co-creatie. In eerste instantie integreerden we onze data in data science tools. Aanvankelijk pasten we meer dan honderd variabelen in het datamodel toe. Dat hebben we afgeroomd tot dertig variabelen. Daarna migreerden we die input van het data science-platform naar het schaalbare SAP IBP.”

Marc Martinez omschrijft machine learning als een technologiefacilitator. “ML helpt modellen te creëren die tot heldere inzichten leiden op uiteenlopende niveaus: van marketing tot promoties en met verschillende ‘planning horizons’. Sommige ML-modellen openen de weg naar meer tactische voorspellingen, terwijl andere zich meer toespitsen op operationele data of ‘demand sensing’. Voor onze zuivelproducten draaien we nu meer responsieve modellen die op dagelijkse basis voorspellen.”

Wat de ML-toepassing van Danone volgens Marc Martinez eveneens onderscheidt, is de uitlegbaarheid ervan. “In veel gevallen werkt machine learning als een zwarte doos”, meent hij. “De algoritmes genereren resultaten, maar hoe ze tot die conclusies komen, valt moeilijk te achterhalen. Dat is met onze ontwikkelde oplossing wel mogelijk. We kunnen elk datapunt aan onze voorspellingen linken en de opsplitsing maken tussen bijvoorbeeld standaardvoorwaarden en promoties. Dat type informatie heeft ons zeker geholpen om het project bedrijfsbreed uit te rollen. De business wil immers weten wat er achter de cijfers schuilgaat.”

Van pilot naar algemene implementatie

Danone is gespecialiseerd in drie categorieën: essentiële zuivel- en plantaardige producten, water en gespecialiseerde voeding. “Voor elk van die categorieën rolden we in eerste instantie pilootprojecten uit”, blikt Marc Martinez terug. “We identificeerden telkens specifieke noden. Door de pilootopzet in verschillende landen te introduceren, brachten we ook de aandachtspunten per markt in kaart. Die noden integreerden we telkens binnen het totaalproject, waardoor we onze modellen op grote schaal kunnen uitrollen.”

Die pilootprojecten draaiden parallel met de spreadsheetvoorspellingen die Danone vroeger hanteerde. “Daardoor konden we onze resultaten benchmarken en de modellen verder bijsturen”, aldus Marc Martinez. “Naast de vertrouwde KPI’s als voorspellingsnauwkeurigheid en ‘bias’, hanteren we met ‘forecast added value’ een nieuwe prestatiewaardemeter. Met die KPI gaan we na in welke mate de aanpassingen door onze planners op de ML-modellen tot nog betere resultaten leiden. Door de nieuwe forecastprocedure is hun takenpakket grondig hertekend. Ze focussen zich niet langer op het bouwen van voorspellingen, maar eerder op het reageren op meldingen en uitzonderingen. Op die manier ontstaat er een naadloze samenwerking tussen mens en software.”

Vandaag verloopt ongeveer 43 procent van de demand planning-activiteiten met behulp van het nieuwe model. Dat vertegenwoordigt in sommige regio’s wekelijks meer dan 660 miljoen forecasts. Binnen Europa genereert het model voorspellingen voor alle productcategorieën.

Hogere forecastnauwkeurigheid en afvalreductie

De resultaten spreken voor zich. De forecastnauwkeurigheid nam met één tot vijf procent toe, afhankelijk van de productcategorie. Op productniveau bereikt Danone vandaag een nauwkeurigheid tot 92 procent. “Dat resulteert in een gunstige impact op de ‘case fill rate’ (CFR), voorraadreductie, een daling van de verloren producten en een hogere logistieke efficiëntie. De tijd om forecasts te genereren ligt veertig maal lager dan voorheen.” Marc Martinez wijst eveneens op de duurzame impact. “De verbetering van de planning met behulp van machine learning leidde voor de categorie zuivelproducten in sommige landen tot een afvalvermindering met 35 procent.”

Het demand planning-project bewijst ook zijn voordelen voor de IT-afdeling. De cloudoplossing, een geharmoniseerd model in alle landen, leidde tot een daling van de ondersteuningskosten. “De toepassing kent een lage complexiteit voor onze IT-teams, lagere upgradekosten en een vereenvoudigde gebruiksomgeving”, duidt Marc Martinez.

Geleerde lessen

De positieve resultaten stemmen onze gesprekspartner uiteraard tevreden. Wanneer we hem vragen naar de lessen die hij uit het project meeneemt, wijst hij meteen op de datadimensie. “Die dimensie valt niet te onderschatten”, weet hij. “Je kunt het allerbeste model bouwen, maar zonder de aangewezen data zul je er nooit voldoende waarde uit halen. Niet alleen de hoeveelheid data is van tel, maar ook de kennis over de structuur en de kwaliteit van de data.”

Een andere cruciale factor is ‘change management’. “We hebben dit project uitgerold binnen meer dan dertig verschillende business units met een eigen manier van werken. Wanneer je dezelfde technologie implementeert voor een projectteam met identieke activiteiten, maar in een ander land, is de kans reëel dat het in het ene land succes kent en in het andere niet. Daarom hebben we binnen elk land een aangepast change management-programma opgezet.”

Nog een laatste element waar Marc Martinez de aandacht op vestigt, is performantiemanagement. “Je moet de systeemperformantie van meet af aan meenemen in het design van een project. Om de impact te duiden: we evolueerden in verschillende landen van 20.000 datapunten naar meer dan 66 miljoen datapunten. Die exponentiële groei vergt een grote focus op wat echt telt. Het is een verhaal van data, processen en technologie, aangestuurd door de supply chain en IT.”

KD