VCM_022023_LR

VISIE

Potentieel van data en mach Nicolas Vandeput geeft tips voor een optimaal fore

Zowel de wereldwijde supply chain als de consumentenvraag wijzigen sneller dan ooit tevoren. Een nauw keurige voorspelling van die evoluties vormt bijgevolg een stevige uitdaging voor elke onderneming. Nico las Vandeput helpt organisaties bij de ontwikkeling van hun forecastmodellen en publiceert binnenkort zijn derde boek over het onderwerp. In wat volgt, geeft hij een kijk op enkele belangrijke do’s en don’ts.

N icolas Vandeput omschrijft zichzelf als een gepassioneerde supply chain data scientist, gespecialiseerd in demand forecasting en voorraadop timalisering. Onder de noemer Sup Chains staat hij bedrijven bij in de ontwikkeling en optimalisering van hun vraagvoorspellings technieken. “Ik stel vast dat het belang van forecasting en voorraadoptimalisering nog toe neemt”, steekt hij van wal. “Bedrijven hebben het vandaag lastig om de impact van de prijs zetting op de klantenvraag in te schatten. Ze begrijpen dat wie erin slaagt het effect nauw keurig in te schatten, meteen een belangrijke stap zet richting supply chain optimalisering.” Het eerste boek van Nicolas Vandeput had als titel ‘Data science for supply chain forecas ting’. In hoeverre treedt het aspect data science op de voorgrond? “Data zijn cru ciaal”, vertelt hij. “Wie data van promoties bijvoorbeeld optimaal aanwendt, kan tot tien procent aan voorspellingsnauwkeurig heid winnen. Wanneer ik bedrijven bezoek, geven ze vaak aan dat ze promoties in hun voorspellingsmodel meenemen. Helaas blijken ze amper over historische data over het effect van die acties te beschikken. Veel organisaties kijken ook maar drie jaar terug in de

tijd, terwijl een horizon van vijf jaar doorgaans betere resultaten oplevert.” Machine learning Onderzoeks- en adviesbureau Gartner voor spelde in 2019 dat intelligente algoritmen en artificiële intelligentie tegen 2023 een inge bouwde of toegevoegde component zouden vormen binnen een kwart van alle supply chain technologieoplossingen. “Hoewel veel bedrijven beweren machine learning toe te passen in hun forecastingmodellen, blijkt dat in realiteit tegen te vallen”, zegt Nicolas Vandeput. “Nochtans biedt het veel mogelijkheden om aan nauw keurigheid te winnen en de menselijke inbreng te reduceren. Naar mijn mening heb je geen nood aan een leger van planners. Machine learn ing modellen genereren een grote waarde uit data over verkoop, promotie en prijs. De toege voegde waarde van de menselijke inbreng situ eert zich vooral op het vlak van voeling met de business. De planners gaan de dialoog aan met de klanten en leveranciers, een vaardigheid die machine learning niet bezit. Ze merken het best wat binnen de markt leeft en signaleren bijvoor beeld of een product furore maakt op sociale media. Het detecteren van die uitzonderingen en afwijkingen biedt een waardevolle aanvulling op de softwaremodellen.”

Nicolas Vandeput: “Ik raad organisaties af MAPE als KPI te hanteren aangezien ze een voorspel lingsonderschatting van de vraag beloont.”

Bewuste onderschatting Nicolas Vandeput adviseert het voorspellings model niet nodeloos ingewikkeld te maken. “Het heeft geen nut vijftig macro-economische varia belen toe te wijzen voor een inschatting van de

6

W W W . V A L U E C H A I N . B E