VCM Oktober_converted.pdf OK

VISIE

Het nieuwe model maakt gebruik van machine learning en historische data om volgens de bedenkers superieure aanbevelingen te genereren voor beslissingen in de supply chain. Bron: Pixabay

logistiek, productie en IT bij dat traject. Bovendien moet het gedragen zijn door het bredere management. Alle partijen moeten vertrouwen op de aanbevelingen van het plannings systeem en niet de behoefte voelen ze te herzien.” Prof. Agrawal stipt het belang van data management aan om enkel de relevante data uit verschillende bronnen te identi ficeren, te verzamelen en te raadplegen. “OML staat in schril contrast met traditionele machine learning waarbij je werkelijk alle beschikbare gegevens gebruikt, ongeacht de relevantie voor het bedrijf”, meent hij. “Sommige bedrijven integreren alle data bij het ontwikkelen van machine learning-modellen in de overtuiging dat de modellen uitvissen welke gegevens het belangrijkst zijn.” Tot slot richt je het S&OP-proces best in op een manier die maximaal gebruikmaakt van de flexibiliteit, snelheid en diepte van de OML-analyses. “Het komt erop aan de typische maan denlange S&OP-cycli te vervangen door snellere en meer reactieve cycli. Om OML optimaal te laten renderen, stem je er dus best jouw organisatiestructuur en beslissingsprocessen op af. Mogelijk doe je ook een beroep op extra expertise op het vlak van cloud computing”, besluit de professor. KD

Gesterkt door die gunstige resultaten, richtten de onderzoe kers AD3 Analytics op. Die start-up stelt het OML-framework mondiaal ter beschikking voor bedrijven, met als doel een wendbare en flexibele supply chain. “De methodologie is breed toepasbaar”, aldus de professor. “Tegelijk vereist ze een zekere graad van personalisatie om een maximale meerwaarde te genereren. Met AD3 Analytics begeleiden we ondernemingen binnen dat traject. Goed om te weten is dat het model toelaat voortdurend nieuwe data en parameters toe te voegen. Het evolueert dus mee met je organisatie.” Bedrijfsbreed project Om bedrijven te helpen bij het opbouwen van flexibiliteit en veerkracht in hun supply chains, vereist OML een passende organisatiestructuur, personeel met de juiste vaardigheden, veranderingen in het planningsproces en een gedetailleerd begrip van de mogelijkheden en valkuilen van machine learn ing. “OML is veel meer dan een data science-project”, meent prof. Agrawal. “De OML-doelstelling definiëren, zakelijke beperkingen vastleggen, en KPI’s en relevante gegevens iden tificeren, vereist functionele en operationele analisten met voldoende ervaring in het modelleren van de supply chain. Bij voorkeur betrek je dus ook marketing, verkoop, financiën,

10

WWW.VALUECHAIN.BE