2025 02 VCM

FORECASTING, PLANNING & INVENTORY MANAGEMENT

In dat kader heeft Danone zichzelf enkele concrete doelen gesteld. “Om onze transfor matie te versnellen met schaalbare en duur zame oplossingen, moesten we inzetten op de kracht van data analytics binnen een gehar moniseerd, complex digitaal ecosysteem”, licht Marc Martínez toe. “Dat zou ons in staat stellen de shift te maken van een planning per categorie naar een planning over meerdere categorieën heen. We wilden ook end-to-end visibiliteit creëren en de mogelijkheden ver kennen om aan scenarioplanning te doen. Verder vonden we het belangrijk om solide IBP-processen (integrated business planning) op te zetten, met het oog op betere en snel lere beslissingen en een vlottere toewijzing van resources. Tot slot wilden we komen tot een meer risicobestendige supply chain.” De tools die Danone in huis had, konden evenwel niet meer volgen. “Elk land en elke regio had wel zijn eigen manier van werken, wat zorgde voor heterogene en gedecen traliseerde processen. Over het algemeen waren we te afhankelijk van spreadsheets in het planningsproces. Bovendien kregen onze tools en medewerkers het steeds moeilijker om goed om te gaan met de steeds grotere hoeveelheid data. Er werd dan ook heel wat tijd gespendeerd aan niet-waardetoevoe gende taken, zoals het handmatig koppelen van data uit verschillende systemen”, aldus Marc Martínez. Digitale en menselijke transfor matie hand in hand Het grootschalige programma dat Danone voor demand planning heeft gelanceerd, moest leiden tot een robuuster en geharmo niseerd, digitaal forecastingproces op basis van data analytics en machine learning. De transformatie van de demand planning met machine learning gebeurde in SAP Integrated Business Planning for Supply Chain, toegepast op schaal in meerdere landen, met verschil lende planningshorizonten en detailniveaus.

Om de transformatie in de verschillende landen te ondersteunen, heeft Danone Centers of Excellence gecreëerd.

heeft geïmplementeerd, verzamelt heel ver schillende data, zoals marketinggegevens, promoties, weersvoorspellingen, de geschie denis van producten, tijdsvariabelen en data over investeringen. Intussen neemt Danone ook de consumentenverkoopgegevens mee. In de meeste gevallen wordt bij de voorspel lingen gebruikgemaakt van de machine learn ing techniek ‘gradient boosting’, die de beste resultaten oplevert voor de retailproducten van Danone. Danone combineert forecastingstrategieën op een slimme manier, afhankelijk van het type product en het supply chain model. Daarbij worden zowel machine learning modellen als geavanceerde klassieke sta tistische modellen gebruikt. Bij de machine learning modellen kan de vraag worden uitgesplitst in bouwblokken, wat het mak kelijker maakt om de verkregen forecast uit te leggen. Het detailniveau kan verschillen op basis van het product, de categorie of de noden van de afzonderlijke landen: op basis van dag/week/maand, product, klant en loca tie. De resultaten van de voorspellingen dienen als input voor het IBP-proces “Het proces op zich is niet zoveel veranderd, maar door dat we nu veel meer data hebben, is dat wel

veel rijker geworden”, licht Marc Martínez toe. “In onze tool is het ook mogelijk om risi co’s en opportuniteiten te analyseren en aan innovatiemanagement te doen. We hebben eveneens de mogelijkheid gecreëerd om scenario’s te ontwikkelen. Scenario’s die niet alleen een impact hebben op de volumes, maar ook op de waarde, zodat we de juiste beslissingen voor de afdelingen kunnen nemen. Dat alles vullen we aan met rele vante rapporteringen.” De resultaten die Danone tot nu toe met behulp van het AI-forecastmodel heeft geboekt, zijn zeer positief. Marc Martí nez illustreert de manier van werken aan de hand van een real-life voorbeeld van een SKU op klantniveau op wekelijkse basis (zie figuur). “De lichtblauwe lijn is wat het AI-model als baseline inschat, terwijl de donkerblauwe lijn de totale forecast met de promotie-input weer geeft. De oranje lijn is de werkelijke verkoop, die we achteraf hebben toe gevoegd. Op het moment dat je het wer kelijke volume hebt, kun je nagaan wat de ROI van de input en de promotie is. Die informatie kan dan worden gedeeld met bijvoorbeeld managementteams en key accounts. Op basis van die input kunnen zij dan de financiële impact berekenen,

Het advanced planning system (APS) met AI-gedreven demand planning dat Danone

29

VALUE CHAIN MANAGEMENT - JANUARI-FEBRUARI 2025