2025 02 VCM

FORECASTING, PLANNING & INVENTORY MANAGEMENT

FIGUUR Real-life voorbeeld van een forecast via het machine learning gradient boosting model

simulaties uitvoeren en de juiste beslis singen nemen”, legt hij uit.

gingen met de transitie ook enkele uitdagin gen gepaard. Om te beginnen vormden de integratie, het beheer en de kwaliteit van de data een enorme uitdaging. “Meer dan tach tig procent van de vertragingen die we tijdens de implementatie hebben opgelopen had daarmee te maken”, aldus Marc Martínez. “Zo moesten we ‘data lakes’ creëren, maar door de enorme hoeveelheid data werd dat eer der een ‘data ocean’. De meest betekenisvolle data naar boven halen en die data goed mana gen is iets wat je niet mag onderschatten. In het begin hadden we ook problemen met de performantie van het systeem. De eerste keer dat we ons AI-model lieten lopen, deed het er maar liefst achttien uur over en zijn we enkele keren gecrasht. Daarop zijn we nauw gaan samenwerken met een data scientist om de manier waarop we de modellen opzetten in ons platform te verbeteren. We hebben ook nauw samengewerkt met SAP om te komen tot de fast moving planningscycli die we nodig hadden. Zo kunnen we de AI-modellen nu optimaal laten draaien binnen de beschik bare tijd.” “Het is ook belangrijk dat je je data op orde hebt voordat je een project start”, weet Marc Martínez. “Doe je dat niet, dan zal het project team daar maandenlang mee bezig zijn, waar door de eigenlijke implementatie vertraging oploopt. Daarom vragen we aan de landen organisaties en de IT-teams om de data alvast voor te bereiden voordat we er een project team naartoe sturen. Verder is het belangrijk dat je AI en machine learning enkel toepast waar dat mogelijk en zinvol is. Als de hoeveel heid data en/of de kwaliteit ervan niet goed zit, dan zal AI geen waarde toevoegen.”

rate’ – hoe snel de organisatie op klantenorders kan reageren vanuit een ‘make-to-stock’ situa tie – met 0,4 procent is gestegen. Belangrijk is ook dat dit alles wordt gerealiseerd met een veel meer gestroomlijnd proces. Zo worden forecastvoorstellen veertig keer sneller gege nereerd via machine learning in vergelijking met het traditionele forecastproces. Dat bete kent dat het nu in de plaats van 160 uur gemid deld vier uur duurt om de forecast te bereke nen.” De overstap van een manuele forecast naar een geautomatiseerde forecast met AI heeft ook het leven van de demand planners veranderd. “Terwijl er vroeger bij de forecast enkel reke ning werd gehouden met de dimensies ‘SKU’ en ‘locatie’, zijn daar nu de dimensies klant’ en ‘kanaal’ bijgekomen”, verduidelijkt Marc Martí nez. “Dat maakt een meer klantgerichte aanpak mogelijk. Vroeger konden de planners gege vens uit 20.000 datapunten capteren, nu zijn dat er 660 miljoen. Verder zijn ze mee geëvo lueerd van een erg tijdsintensieve en reactieve aanpak naar een proces dat vooral door uitzon deringen en alarmen wordt gedreven. Doordat er door de AI-gedreven forecast tijd is vrijge komen voor de planners, hebben ze nu ook de tijd om zich daarop te focussen. Bovendien werden alle demand processen in SAP IBP geïn tegreerd, zoals forecasting, innovaties, risico’s en opportuniteiten, integratie van promoties. Daardoor zijn manuele datatransfers verleden tijd en konden per land gemiddeld vijftig Excels worden geschrapt.” Data first Hoewel de voorlopige resultaten van de transformatie bij Danone indrukwekkend zijn,

Nu kun je je afvragen of een demand planner ook niet tot dezelfde resultaten zou kunnen komen. “Op zich wel, maar als je weet dat we dit model momenteel op 95.000 product-klan tencombinaties toepassen, in wekelijkse buck ets voor een horizon van anderhalf jaar, dan hoef ik er geen tekening bij te maken dat dit voor onze demand planners niet haalbaar is”, weet Marc Martínez. “AI biedt onze demand planners in feite een superkrachtige tool om dit soort berekeningen te helpen maken.” Veertig keer sneller forecasten Momenteel staat Danone al vrij ver in zijn demand planning transformatie. Intussen wordt al op de nieuwe manier gewerkt in onge veer veertig landen, die 62 procent van de omzet vertegenwoordigen. Dat betekent dat al 250 actieve gebruikers met het nieuwe systeem werken. Sinds de komst van het APS met AI-gedreven demand planning wordt aan vijftig procent van de demand planning niet meer geraakt. Dat past binnen het doel van Danone om zoveel mogelijk te evolueren naar een ‘touchless’ demand planning model. M. Martínez: “De forecastaccuraatheid is tot tien procent gestegen. Doordat we nu ook voor minder populaire producten een betere forecastaccuraatheid hebben, noteert Danone in sommige landen 35 procent minder verspil ling in de zuivelcategorie. Verder is het aandeel SKU’s met een zeer lage performantie in fore castaccuraatheid met dertig procent vermin derd. Dat zorgt er mee voor dat de ‘customer fill

30

WWW.VALUECHAIN.BE