VCM_022026_LR

ARTIFICIËLE INTELLIGENTIE

de van een AI-gedreven IBP kuilen volgens IBP-expert Andrea Szilagyi

De stap die organisaties sowieso eerst moe ten zetten, is die van S&OP naar IBP. “Nog even voor alle duidelijkheid: IBP is geen modernere naam voor S&OP”, benadrukt ze. “Het is een overkoepelend raamwerk waarin business planning, sales, finance, sup ply chain en netwerkplanning maandelijks samenkomen rond één geïntegreerd plan. Er zijn dus niet langer meerdere versies van de waarheid in de vorm van het salesplan, het financeplan en het supply plan, met één set van aannames en één beslissingsritme.” Zo’n geïntegreerde aanpak is volgens Andrea Szilagyi voor veel organisaties een noodzaak geworden. “Dat komt omdat de context voor veel bedrijven de laatste jaren fel veranderd is. De combinatie van een volatiele vraag, snel verschuivende verwachtingen van de consument en de talrijke verstoringen in sup ply chains zorgt ervoor dat bedrijven sneller moeten reageren en vooruit moeten kunnen kijken. IBP laat bedrijven toe sneller de juiste keuzes te maken om de strategie en financi ële doelen te realiseren.” Van statistiek naar AI Aan de basis van een stevig IBP-proces ligt een goede forecasting. “Traditionele ‘time series’-modellen, die historische data ana lyseren om toekomstige patronen te voor spellen blijven een belangrijke basis”, aldus de IBP-expert. “Ze worden vaak aangevuld

met causale modellen, waarin externe vari abelen zoals promoties, prijswijzigingen of marketinginvesteringen expliciet worden meegenomen. Daarnaast blijft de nood aan ‘judgmental forecasting’ bestaan, waarbij de menselijke inschatting centraal staat, zeker wanneer data onvolledig of onbetrouwbaar zijn.” AI-ondersteunde forecasting kan daar een nieuwe dimensie aan toevoegen. “In plaats van vooraf gedefinieerde relaties te volgen, leren algoritmen zelf uit grote hoeveelheden data. Ze kunnen complexe, niet-lineaire ver banden detecteren die klassieke modellen vaak missen. Denk hierbij aan regressiemo dellen zoals ‘random forests’. Doordat zij veel modellen tegelijk gebruiken, kom je tot een stabieler en nauwkeuriger geheel. Of aan ‘recurrent neural networks’ (RNN’s), en in het bijzonder LSTM-netwerken (long short-term memory), die ontworpen zijn voor reeksdata zoals tijdsreeksen. LSTM’s zijn bijzonder omdat ze belangrijke informatie lang kunnen vast houden en onbelangrijke informatie kunnen vergeten. Daardoor kunnen LSTM’s bijvoor beeld seizoenen herkennen en trends ont houden”, legt Andrea Szilagyi uit. “Omdat de mogelijkheden zo groot zijn, is het belangrijk na te gaan welke de meeste waarde kunnen toevoegen voor jouw business. Online kun je daarover al heel veel informatie vinden. Het is waardevol om je daar eerst in te verdiepen.”

IBP-expert Andrea Szilagyi: “AI kan onze forecas ting en de manier waarop we plannen wel degelijk verbeteren, maar het succes staat of valt met goe de processen, een sterk leiderschap en een degelijk change management.”

IBP als strategisch raamwerk De centrale boodschap van Andrea Szi lagyi is helder: AI kan onze forecasting en de manier waarop we plannen wel degelijk verbeteren, maar het succes staat of valt met goede processen, sterk leiderschap en een degelijk change management.

23

VALUE CHAIN MANAGEMENT - JANUARI-FEBRUARI 2026