VCM_022024_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

altijd noodzakelijk

Mens en machine Hoewel het doembeeld van mens versus machine vaak opduikt, ziet Steven Pauly geen concurrentiestrijd, maar een wisselwerking. “Machine learning biedt tal van voordelen. Het vergroot de nauwkeurigheid en verwerkt gegevens veel sneller, het automatiseert repe titieve taken en verhoogt de efficiëntie. Op basis van gigantische datasets signaleert de technologie in geen tijd afwijkingen die voor de mens nagenoeg onmogelijk of pas na urenlang speurwerk te detecteren val len. Tegelijk hebben de meeste processen nog altijd nood aan een menselijke verrij king. Waar machine learning patronen en aberraties afleidt, voelt de salesafdeling de markt bijvoorbeeld beter aan. Bundel beide factoren en je combineert het beste van twee werelden.” Naast de ontwikkelingen op het vlak van machine learning maken vandaag ook ‘Large Language Models’ en generatieve artificiële intelligentie furore. Dergelijke systemen zijn getraind op grote datasets en gebruiken ML-algoritmes om nieuwe inhoud te genereren. “Large Language Models stellen ons in staat in natuurlijke taal met een database te communiceren. Daardoor kunnen gebruikers van supply chain software heel eenvoudig diepgaande inzichten uit de data halen zonder een pro grammeerexpert te moeten zijn”, besluit Steven Pauly. KD

over magazijnoptimalisering tot voorraad planning. “Al hoef je die technologie niet altijd toe te passen. De meeste processen kunnen gewoon met traditionele wiskundige technie ken geïnterpreteerd en geanalyseerd worden. Machine learning vormt dus niet dé stan daardtechnologie, maar behoort tot de vele middelen om optimale inzichten te genereren. Het geldt nooit als een doel op zich. Uit het scala aan methodes pik je idealiter gewoon de methodologie die je de beste resultaten garandeert.” Door bedrijven in staat te stellen steeds nauw keurigere voorspellingen te doen, verbetert machine learning de besluitvormingsproces sen. “Machine learning kan bijvoorbeeld de vraag helpen voorspellen bij de lancering van nieuwe producten”, illustreert Steven Pauly. ‘ML is in staat soortgelijke producten te vin den die eerder al werden gelanceerd. De vraag naar die producten kan dan worden gebruikt om de voorspelling voor het nieuwe product te maken.” Een ander toepassingsgebied situeert zich op het vlak van de detectie van anomalieën. “Door afwijkingen in klanttransacties, de beschikbaarheid en de voorraadstatus te detecteren, verbetert de robuustheid van andere ondersteunende algoritmes.” Steven Pauly vermeldt ook de meerwaarde bij het opstellen van promoties. “Om een succes volle promotiecampagne te realiseren, is een juiste voorraadbeschikbaarheid essentieel.

Transfers tussen distributiecentra en winkels moeten vlot en transparant verlopen. Door de voorraad over de gehele supply chain steeds aan de vraag aan te passen met behulp van ‘deep reinforcement learning’, ontwikkelen bedrijven een effectiever promotiebeleid dat de verkoop stimuleert en het risico op onge plande afprijzing minimaliseert.” Datamanagement is cruciaal. Men wil machine learning, maar heeft niet het nodige inzicht in data en processen. Dat werkt niet. Een van de grootste obstakels bij de adoptie van machine learning is dat het meestal niet kan verklaren waarop een voorspelling is gebaseerd. De algoritmes zijn vaak een black box waarvan de inwendige redenering niet zichtbaar is. “Dat is niet nieuw. Immers, 99 procent van de technieken die bij voorraad beheer worden gebruikt, zijn gebaseerd op complexe formules of numerieke methoden waarvan je het achterliggende beslissings proces niet begrijpt”, biedt Steven Pauly tegengewicht.

23

VALUE CHAIN MANAGEMENT - FEBRUARI 2024