VCM_022026_LR

ARTIFICIËLE INTELLIGENTIE

Het mag duidelijk zijn dat de overstap naar een AI-gedreven IBP geen louter technologische update, maar eerder een strategische transformatie is waarbij alles juist moet zitten.

Kansen en uitdagingen Een AI-gedreven forecast kan aanzienlijke voordelen met zich meebrengen. Zo krijgen bedrijven realtime zicht op forecasts op item-, klant- en productgroepniveau. Afwijkingen tegenover het budget, vorige cycli of scena rio’s worden transparant en zijn voor iedereen toegankelijk. Het is ook mogelijk om forecasts op te bouwen met duidelijke bouwstenen, waardoor het gesprek verschuift van cijfers naar oorzaken en gevolgen. Op die manier worden de samenwerking en besluitvorming vereenvoudigd. Dergelijke vernieuwende modellen op basis van AI kunnen bijzonder krachtig zijn, maar brengen ook grote uitdagingen met zich mee. “Het is belangrijk om te beseffen dat machine learning niet op je maandelijkse cyclus wacht. Forecasts worden continu herberekend, wat betekent dat planners steeds geconfronteerd worden met veranderende cijfers. Dat vraagt niet alleen de nodige technische maturiteit,

maar ook veel organisatorische discipline”, aldus Andrea Szilagyi. “Je moet ook goed kun nen uitleggen aan het leiderschap waarom een forecast bijvoorbeeld op maandag anders is dan op vrijdag. Dat is niet altijd even een voudig.” Tegelijk zijn de technische drempels hoog. “Integratie met bestaande ERP-, planning- en BI-systemen is vaak complex en in de prak tijk een van de grootste struikelblokken. Daarnaast is datakwaliteit cruciaal. Machine learning-modellen hebben nood aan vijf tot tien jaar opgeschoonde historische data om betrouwbare patronen te leren. Bovendien blijven uitzonderlijke gebeurtenissen, zoals COVID19 of een explosieve e-commerce groei moeilijk te modelleren. Verder is het belangrijk om na te gaan of je machine learn ing-model eventueel blinde vlekken heeft die je op een andere manier moet opvan gen”, legt Andrea Szilagyi uit. “Ook is een nauwe samenwerking met IT en een data sci

ence specialist of team on site noodzakelijk. Belangrijk is ook dat die mensen niet alleen over de nodige kennis beschikken en de data begrijpen, maar ook het businessmodel snappen. Alleen dan kunnen zij het model zo uitbouwen dat het je businessnoden blijft volgen.” Je mag ook niet licht gaan over het hertrai nen van machine learning modellen. “Dat is een erg duur en tijdsintensief proces. Daarom moet je duidelijk voor ogen hebben hoe vaak je wil hertrainen – bijvoorbeeld op maand- of kwartaalbasis – en voor welke items, bijvoor beeld al je artikelen of enkel je bestverko pende items”, voegt ze eraan toe. Gedisciplineerde processen Niet alleen de technologieën moeten op punt staan; zonder solide achterliggende processen heeft een AI-gedreven IBP volgens Andrea Szilagyi geen kans op slagen. Een vol wassen IBP- organisatie werkt met een strak,

24

WWW.VALUECHAIN.BE