VCM Oktober_converted.pdf OK

VISIE

te allen tijde meteen bedienen en pusht voor hogere voor raden. Finance neemt dan weer vooral de voorraadkosten in ogenschouw.” Een ander aandachtspunt is scenarioplanning. “Hoewel veel bedrijven sinds de coronapandemie scenarioplanning nadruk kelijk in hun planningsprocessen meenemen, vertoont die nog veel tekortkomingen”, vervolgt de professor. “De analyse gebeurt bijvoorbeeld meestal op een zeer geaggregeerd niveau. Het volstaat niet om te weten dat de totale verkoop van een bedrijf mogelijk daalt bij geopolitieke spanningen of een oorlog. Het is cruciaal om de omvang en timing van de impact op elk product, elke klant en elke regio te kennen. Dat zorgt ervoor dat je de passende strategieën kunt uitrollen om de impact te beperken. Daartoe is het belangrijk een gediffe rentieerde strategie te ontwikkelen op het vlak van geografie, producten en klanten.” De som van die gebreken leidt volgens de academicus tot onnauwkeurige prognoses die op hun beurt zorgen voor laat tijdige leveringen, voorraadniveaus die slecht op de vraag aansluiten en teleurstellende financiële prestaties. Rechtstreekse beslissingen Prof. Agrawal meent dat de door hem en zijn coauteurs ontwik kelde methode een einde maakt aan die tekortkomingen. Terwijl de bestaande modellen zich richten op het maken van nauwkeurigere voorspellingen, koppelt ‘optimal machine learning’ (OML) inputgegevens rechtstreeks aan beslissingen in de supply chain. Het nieuwe model maakt gebruik van machine learning en historische gegevens om volgens de bedenkers superieure aanbevelingen te genereren voor de supply chain. Dat zorgt voor beter onderbouwde keuzes, een hogere snel heid en toegenomen flexibiliteit. OML omvat drie elementen: een beslissingsondersteunen​- de motor, een digitale tweeling en een end-to-end gegevens- architectuur. Prof. Agrawal: “De OML-methodologie houdt rekening met histo rische gegevens in de hele supply chain. Het gaat om factoren die aan de vraag- of aanbodzijde een belangrijke invloed uitoe fenen, zoals prijzen, promoties en het klantenbestand, naast voorraden bij leveranciers, doorlooptijden, capaciteitsbeper kingen en transportvertragingen. OML bepaalt de onderlinge relaties en de wegingsfactoren, wat leidt tot beslissingen over productiehoeveelheden, aanvulorders en voorraadniveaus. Die data zijn essentieel met betrekking tot KPI’s als algemene winst, omzet of winst per regio, klant of productcategorie, de

beschikbaarheid van producten, de omloopsnelheid van voor raden, enzovoort.”

Digitale tweeling De digitale tweeling fungeert als een spil binnen die benade ring. “Een gedetailleerde digitale weergave van het volledige supply chain netwerk, alle materiaalstromen en de besluitvor mingsprocessen van alle betrokken partijen, geldt als basis voor toekomstige vraag- en aanbodscenario’s en het ontwik kelen van alternatieve strategieën”, vervolgt de professor. “Door de kracht van cloud computing te bundelen met de digi tale tweeling, genereer je snel optimale aanbevelingen, zelfs bij heel complexe supply chains. De methodologie houdt – in tegenstelling tot de klassieke modellen – meteen rekening met alle relevante beperkingen binnen de end-to-end supply chain. Een ander voordeel is de mogelijkheid om de impact van historische beslissingen te vergelijken met de werkelijke resultaten. Dat schenkt de gebruiker vertrouwen in het model. Langs die weg analyseer je de prestaties van het systeem op een objectieve manier en effen je het pad voor het testen van alternatieve scenario’s.” De professor beschouwt een end-to-end gegevensarchitec tuur als een cruciale succesfactor voor een OML-model. “Het OML-model gebruikt relevante data uit de gehele supply chain. Op die manier spreekt iedereen dezelfde taal en zijn alle beslissingen gebaseerd op gemeenschappelijke assumpties en datasets. Het opslagsysteem moet in staat zijn gegevens over teams, locaties en producten samen te voegen en het mogelijk maken bijkomende en nieuwe informatie nagenoeg meteen te verwerken en bij te werken.” Resultaten Prof. Agrawal en zijn collega’s implementeerden de OML-methodologie bij twee Fortune 500-bedrijven. Een producent van halfgeleiderapparatuur zette het model in voor voorraadoptimalisering en hogere serviceniveaus tegen lagere kosten. Prof. Agrawal: “Voorheen bedroeg de vullingsgraad er onge veer 77 procent met voorraadinvesteringen van iets meer dan 135 miljoen dollar. Het OML-systeem verhoogde de vullings graad naar bijna 85 procent terwijl de voorraadinvestering niet steeg. Bovendien konden managers zich dankzij de nieuwe aanpak op meer strategische zaken concentreren. De visu alisatie leidde daarnaast tot waardevolle inzichten. Bij een consumentenelektronicabedrijf bracht OML dan weer opval lende tekortkomingen op het vlak van voorraadbeheer aan het licht.”

9

VALUE CHAIN MANAGEMENT -OKTOBER 2024