VCM_042023_LR

SUPPLY CHAIN PLANNING

verschillende factoren insulation-divisie

Van prototype naar uitgewerkt model Een ander belangrijk aspect was de keuze van het forecastingmodel. “Het best passende model is bedrijfsafhankelijk”, weet Tallin Van Rie. “Ik toetste verschillende mogelijkheden af en maakte een selectie uit de tien modellen die ik kende, en probeerde die uit. Daarbij stelde ik vast dat een grotere complexiteit niet altijd tot de beste resultaten leidt. Sommige modellen uit de academische wereld zijn nog niet altijd klaar voor gebruik in de praktijk. Zo gebruikten we even het transformermodel waarop Chat GPT is gebaseerd. Dat bleek veel te complex. Een eenvoudiger model is vaak functioneler.” Vervolgens kwam het belang van data cleaning en een goede data-input naar voren. “Het algo ritme kent aan de hand van machine learning een gewicht toe aan variabelen, op basis van negen jaar aan historische datasets. Maar in de praktijk bleken de beschikbare data niet altijd uniform. Er manifesteerden zich bijvoorbeeld verschillen op het vlak van naamconventies. Zo werkte de ene medewerker met euro’s en een komma als scheidingsteken, terwijl de andere dollars en een punt gebruikte.” Het duurde acht maanden om het model uit te bouwen en een stabiele dataset te verkrijgen. T. Van Rie: “In het begin testten we een proto type. Een proces van trial en error. We voorspel den bijvoorbeeld eerst in functie van de dag waarop een product moest worden geleverd, maar het bleek efficiënter om te forecasten op het moment dat het product klaar moest zijn in het magazijn, een tweetal dagen eerder dus. Na

Het forecastingmodel van Unilin houdt rekening met 150 verschillende factoren die de vraag kunnen beïn vloeden, zoals weerberichten, de bouwbarometer, grondstof- en energieprijzen, financiële beperkingen in de industrie of indicatoren van de Europese Unie.

automatisch inlezen. Wekelijks voeren we die gegevens manueel in. Elke dag genereren we via API’s informatie van externe databases, om bijvoorbeeld het weerbericht van de volgende week op te vragen. Een Excelbestand met inter nationale energieprijzen wordt automatisch aan het forecastingmodel toegevoegd via een dagelijkse mail van een consultancybureau. We vragen ook salesmedewerkers in buitenlandse vestigingen om input. Continu voegen we data punten toe, zoals relevante grondstofprijzen of ‘stock prices’ van Yahoo Finance, bijvoorbeeld. Het model laat toe dat gemakkelijk te doen.”

enkele maanden van kleine aanpassingen, kon den we de testfase afronden.”

Datapunten voortdurend uitgebreid

“We voorspellen wekelijks met een horizon van acht weken. Voor de eerste drie weken gebeurt dat op materiaalniveau, daarna creë ren we een gegroepeerd beeld en gaat het om de fabrieksbezetting”, licht Tallin Van Rie toe. “De data-invoer verloopt automatisch vanuit de interne SAP-database of externe databases, behalve voor een tiental factoren die we niet

19

VALUE CHAIN MANAGEMENT - APRIL 2023