VCM_022024_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

Van forecasts bouwen naar reageren op notificaties Danone transformeert demand planning met machine learning

Tot voor kort doorploegden de planners van Danone tot wel vijftig spreadsheets om voorspellingen aan te leveren. Om die manuele input te reduceren en de voorspellingsnauwkeurigheid verder op te trekken, implementeerde het bedrijf in verschillende regio’s een meer geautomatiseerde demand planning met behulp van machine learning binnen SAP IBP. Dat leidde tot opmerkelijke verbeteringen en een hertekend takenpakket voor de planningsafdeling.

“ Veel van het planningswerk berustte vroeger op Excel-spreadsheets”, stelt Marc Martinez, die de plannings transformatie binnen Danone mee aanstuurt. “Dat werkte naar behoren, maar bood niet langer een antwoord op de gigantische hoeveelheden data die we van daag 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 loca tie-, 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 uit zonderingen en taken met een grotere meer waarde”, licht Marc Martinez de objectieven toe.

Meerwaarde van machine learning

Voor Danone stond van meet af aan vast dat machine learning (ML) de aangewezen tech nologie vormde om die ambities waar te maken. “We kozen voor SAP IBP als onderlig gende software. Die tool stond toen nog niet zo ver als we het vandaag in samenwerking met SAP hebben gebracht. Om de ML-func tionaliteit te integreren was er sprake van co-creatie. In eerste instantie integreerden we onze data in data science tools. Aanvan kelijk pasten we meer dan honderd varia belen in het datamodel toe. Dat hebben we afgeroomd tot dertig variabelen. Daarna

Marc Martinez, global operations transformation director bij Danone: “De forecastnauwkeurigheid nam met één tot vijf procent toe, afhankelijk van de productcategorie. Op productniveau bereikt Danone vandaag een nauwkeurigheid tot 92 procent.”

28

WWW.VALUECHAIN.BE