VCM_022024_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

migreerden we die input van het data scien ce-platform naar het schaalbare SAP IBP.”

ten, maar hoe ze tot die conclusies komen, valt moeilijk te achterhalen. Dat is met onze ontwikkelde oplossing wel mogelijk. We kunnen elk datapunt aan onze voorspellin gen linken en de opsplitsing maken tussen bijvoorbeeld standaardvoorwaarden en pro moties. Dat type informatie heeft ons zeker geholpen om het project bedrijfsbreed uit te rollen. De business wil immers weten wat er achter de cijfers schuilgaat.” Danone is gespecialiseerd in drie catego rieën: essentiële zuivel- en plantaardige pro ducten, water en gespecialiseerde voeding. “Voor elk van die categorieën rolden we in eerste instantie pilootprojecten uit”, blikt Marc Martinez terug. “We identificeerden telkens specifieke noden. Door de pilootop zet in verschillende landen te introduceren, brachten we ook de aandachtspunten per markt in kaart. Die noden integreerden we telkens binnen het totaalproject, waardoor we onze modellen op grote schaal kunnen uitrollen.” Die pilootprojecten draaiden parallel met de spreadsheetvoorspellingen die Danone vroe ger hanteerde. “Daardoor konden we onze resultaten benchmarken en de modellen ver der bijsturen”, aldus Marc Martinez. “Naast de vertrouwde KPI’s als voorspellingsnauw keurigheid en ‘bias’, hanteren we met ‘fore cast added value’ een nieuwe prestatiewaar demeter. Met die KPI gaan we na in welke mate de aanpassingen door onze planners op de ML-modellen tot nog betere resultaten leiden. Door de nieuwe forecastprocedure is hun takenpakket grondig hertekend. Ze focussen zich niet langer op het bouwen van voorspellingen, maar eerder op het reage ren op meldingen en uitzonderingen. Op die manier ontstaat er een naadloze samenwer king tussen mens en software.” Vandaag verloopt ongeveer 43 procent van de demand planning-activiteiten met behulp van het nieuwe model. Dat vertegenwoor Van pilot naar algemene implementatie

Marc Martinez omschrijft machine learning als een technologiefacilitator. “ML helpt model len te creëren die tot heldere inzichten leiden op uiteenlopende niveaus: van marketing tot promoties en met verschillende ‘planning horizons’. Sommige ML-modellen openen de weg naar meer tactische voorspellingen, terwijl andere zich meer toespitsen op ope rationele data of ‘demand sensing’. Voor onze zuivelproducten draaien we nu meer respon sieve modellen die op dagelijkse basis voor spellen.” Wat de ML-toepassing van Danone volgens Marc Martinez eveneens onderscheidt, is de uitlegbaarheid ervan. “In veel gevallen werkt machine learning als een zwarte doos”, meent hij. “De algoritmes genereren resulta

digt in sommige regio’s wekelijks meer dan 660 miljoen forecasts. Binnen Europa gene reert het model voorspellingen voor alle pro ductcategorieën. Hogere forecastnauwkeurigheid en afvalreductie De resultaten spreken voor zich. De forecast nauwkeurigheid nam met één tot vijf procent toe, afhankelijk van de productcategorie. Op productniveau bereikt Danone vandaag een nauwkeurigheid tot 92 procent. “Dat resul teert in een gunstige impact op de ‘case fill rate’ (CFR), voorraadreductie, een daling van de verloren producten en een hogere logistieke efficiëntie. De tijd om forecasts te genereren ligt veertig maal lager dan voor heen.” Marc Martinez wijst eveneens op de duurzame impact. “De verbetering van de Danone is gespecialiseerd in drie categorieën: essentiële zuivel- en plantaardige producten, ge specialiseerde voeding en water. Voor elk van die categorieën rolde het bedrijf eerst pilootprojecten uit, waarbij het specifieke noden identificeerde. Die noden integreerde het vervolgens in het totaalproject om zijn modellen op grote schaal te gaan uitrollen.

Danone is gespecialiseerd in drie categorieën: essentiële zuivel- en plantaardige producten, ge specialiseerde voeding en water. Voor elk van die categorieën rolde het bedrijf eerst pilootprojecten uit, waarbij het specifieke noden identificeerde. Die noden integreerde het vervolgens in het totaalproject om zijn modellen op grote schaal te gaan uitrollen.

30

WWW.VALUECHAIN.BE