VCM_062026_LR

FORECASTING, PLANNING & INVENTORY MANAGEMENT

van dat soort externe macro-economische data met een bepaalde kostprijs, namelijk ont wikkeling of aankoop.” Prof. dr. Sagaert wijst op de valkuil van ‘spu rious correlation’ bij de selectie van leading indicators. “Spurious correlation houdt in dat we verbanden zien waar er eigenlijk geen zijn, bijvoorbeeld door seizoenaliteiten. Stel dat er tijdens de zomermaanden minder geprodu ceerd wordt en dat een andere indicator aan toont dat er minder yoghurt verbruikt wordt omdat mensen op reis gaan. Het yoghurt verbruik willen we niet als leading indicator gebruiken voor een specifiek B2B-product. Beide elementen worden gedreven door het zelfde seizoenseffect, maar daarom is er nog geen correlatie.” Daarnaast stelt prof. dr. Sagaert dat je van een puntvoorspelling naar een probabilistische forecasting wil evolueren. “Daarbij voorspel je niet alleen een verwachte waarde, maar ook een onzekerheidsinterval met bijvoorbeeld 80 tot 95 procent zekerheid dat je zoveel produc ten nodig hebt. Het houdt ook verband met servicelevels.” Voor een bedrijf met een hiërarchische struc tuur, met bovenaan de totale verkoop en eron der verschillende business units, elk met een of meerdere producten, betekent dat het vol gende: je maakt voor elk product een proba bilistische forecast en je kunt dat ook doen op het niveau van productfamilies, productiesites, business units en het totale niveau. Prof. dr. Y. Sagaert : “Kijken we naar macro-eco nomische leading indicators, dan is de waar schijnlijkheid dat één specifiek product afhan kelijk is van een macro-economisch event erg laag. Leading indicators worden doorgaans relevant op een iets hoger niveau van aggrega tie, niet op een individueel productniveau. Op het productniveau zijn promoties, specifieke events en seizoensgebonden patronen rele vant en houden we dus de historische infor matie. Op het bovenste niveau kijken we naar macro-economische trends, de marktevolutie en die van klantsectoren. De som van alle fore casts op productniveau is nooit gelijk aan de

FIGUUR 3 Semantische algoritmen

Alternatieve clustering • Statistische clustering (knn) • Populariteitsindex • Hiërarchische groepering

deelgroepen sequentieel te analyseren, krijgen we betere prestaties op het vlak van forecast, accuraatheid, bias en voorraadbeheer. Hebben we geen semantisch algoritme, dan kunnen we statistische clustering doen, bijvoorbeeld op basis van de populariteitsindex.” Uit die aanpak blijkt dat het selecteren van de juiste leading indicators een grotere impact heeft dan het gekozen model. Een concreet voorbeeld: voor een producent van autoban den in België bleek de registratie van nieuwe auto’s in Zweden een relevante leading indica tor. Zonder vakkennis van die markt werd dat statistisch gedetecteerd. “We dachten dat het een AI-hallucinatie was, want het ging tenslotte om de Belgische markt, maar de supply chain manager bevestigde dat Zweden traditioneel een voorlopende markt is voor België op het vlak van auto’s en banden. Dus zonder de input van een expert vooraf selecteerde het model de juiste indicator.” Wat is uiteindelijk de impact op voorraadbe heer en supply chain planning? “Uit casestudies blijkt dat deze aanpak leidt tot respectievelijk negentien en zestien procent verbetering in bias en accuraatheid. Stappen we daarbij over van een puntvoorspelling naar een probabilistische fore cast, dan resulteert dat in een voorraadverbetering van 22 procent, met behoud van het servicelevel. Een externe softwareleverancier die een deel van dat algoritme implementeerde, rapporteerde dat de klantretentie steeg van 69 naar 95 procent”, besluit prof. dr. Sagaert. “Dit soort algoritmen raakt steeds sterker ingeburgerd in de industrie.” LV

forecast op totaalniveau, omdat verschillende statistische elementen een rol spelen. Daarom introduceren we een nieuw algoritme dat die zaken op elkaar afstemt.” Om beide niveaus coherent samen te brengen, wordt gewerkt met een model dat simultaan leert van boven naar beneden en van bene den naar boven. Macro-economische inzichten druppelen zo door naar het productniveau, waardoor je met incidentinformatie, marktin telligentie, sectorinformatie en promoties op productniveau de voorraad beter kunt aanstu ren. Van betere forecast naar minder voorraad Een grote uitdaging bij het werken met leading indicators is de schaal: wereldwijd zijn er veel potentiële variabelen beschikbaar. Een AI-mo del heeft begeleiding nodig om de juiste te selecteren. In de praktijk blijkt dat wanneer een supply chain manager of vakexpert een grove voorselectie maakt door aan te geven welke variabelen voor een bepaalde sector relevant zijn, de modelprestaties significant verbeteren. Prof. dr. Y. Sagaert: “Om die menselijke vak kennis gedeeltelijk te automatiseren, wordt gebruikgemaakt van een semantisch algo ritme, een bouwblok van generatieve AI. Dat algoritme groepeert variabelen op basis van inhoudelijke samenhang: alles over industriële productie, alles over de rubber- of bouwsec tor, enzovoort. Vervolgens splitsen we de grote database op in kleine groepen en selecteert een statistisch kernmodel (LASSO) per deel groep de meest relevante indicatoren. Door die

30

WWW.VALUECHAIN.BE