Kan AI de veranderende vraag opvangen?

Als het gaat over de toekomst van demand planning, dan rolt het begrip artificiële intelligentie vlot over de tongen. Sommigen denken zelfs dat de technologie al onze forecastingproblemen zal kunnen oplossen. Om alle voeten op de grond te houden, geeft Eric Wilson ons het volledige plaatje mee: vanwaar we komen, waar we nu staan en hoe hij de toekomst ziet evolueren.

Starten doet hij in het jaar 2006. “De MAPE (mean absolute percentage error), die wordt gebruikt om de forecastaccuraatheid te berekenen, bedroeg toen ongeveer 27% op SKU-niveau, bij een forecast van een maand ver. Als we dat percentage met het cijfer vandaag vergelijken, ligt dat ondanks alle technologische ontwikkelingen niet veel hoger”, vertelt hij. “Ook had 12% van de bedrijven destijds een departement dat zich op forecasting toespitste, vandaag is dat amper 10%. Dat cijfer is dus zelfs gedaald.”

Veranderende behoeften vragen om meer externe data

Een belangrijke ontwikkeling in het jaar 2008 was wel de opmars van ‘offshoring’ en ‘outsourcing’. Dat had ook een grote impact op de planning. Verder zagen bedrijven het koopgedrag van consumenten veranderen. Aankopen werden zorgvuldiger gepland en veel meer mensen gingen een boodschappenlijstje gebruiken. Vanuit het perspectief van marketing en demand planning vroeg die evolutie om een aangepaste aanpak.
Eric Wilson: “Een manier om dat te doen, was om zo dicht mogelijk bij de vraag van de klant te komen. Dat kon aan de hand van POS-data (point of sales) en een beter begrip van de klant. Op dat vlak was er nog werk aan de winkel. In 2008 stelden we bij IBF vast dat slechts 1% van de bedrijven klantendata als basis voor het planningsproces gebruikte. En minder dan 2% deed aan klantensegmentatie op basis van de winstgevendheid.”

Tien jaar later, in 2018, deed IBF daar opnieuw onderzoek naar. Wat bleek? Ondanks de ‘sense of urgency’ om externe data – inclusief POS-data – beter te gaan gebruiken, bleek niet veel meer dan een vijfde van de bedrijven al externe data te gebruiken in hun statistisch forecastingproces. Verder bleek nog maar 19% in staat te zijn alternatieve planningsscenario’s te hanteren.

“Zorgwekkend was dat anno 2018 maar liefst 43% van de bedrijven nog steeds Excelsheets, al dan niet in combinatie met ‘add-ins’, gebruikten als belangrijkste bron voor hun planning en forecasting. Slechts 8% integreerde al machine learning modellen in het forecastingproces”, vervolgt Eric Wilson. “Nog verontrustender was dat lang niet alle bedrijven (76%) de fouten in hun forecast op regelmatige basis rapporteerden en als KPI’s gebruikten. Bovendien was slechts een derde van de ondernemingen die dat wel deden tevreden over de accuraatheid van hun forecast.”

En toen sloeg het coronavirus toe. Supply chains werden ondersteboven gekeerd en de onzekerheid in ketens escaleerde wereldwijd.
E. Wilson: “Consumenten gingen ineens helemaal anders winkelen. Plots steeg het percentage online verkopen met 70%. Ook opvallend is dat de merkentrouw toen naar schatting met 75% afnam. Tijdens de pandemie schakelden consumenten opvallend vaak over naar andere merken en winkels. Met de inflatie en de financiële bezorgdheden die daarop volgden, gingen ze ook veel bewuster winkelen. Consumenten staan er nu veel vaker dan vroeger bij stil of ze wel waar voor hun geld krijgen.”

Zo werd het opnieuw een prioriteit om het gedrag van de consument te begrijpen en tijdig op veranderende noden in te spelen. Kortom, de geschiedenis herhaalde zich.
E. Wilson: “Opnieuw moesten bedrijven zo dicht mogelijk bij hun klanten zien te komen door relevante externe data te verzamelen. Als antwoord op de grotere onzekerheid gingen ondernemingen ook hun strategie herbekijken. Uit onderzoek bleek dat toen ruim de helft (53%) zich bereid toonde over te stappen naar ‘dual sourcing’ van hun grondstoffen. Daarnaast overwoog 40% nearshoring in combinatie met een bredere leveranciersbasis. Bijna de helft (47%) zei dat ze hun voorraden wilden verhogen om een veiligheidsbuffer te hebben. En aangezien de brede waaier ‘stock keeping units’ steeds moeilijker te managen viel, plande 33% een reductie van het aantal SKU’s en een betere segmentatie van items en klanten. Dat moest hen helpen te focussen op de meest winstgevende items en klanten.”

Artificiële intelligentie als redder in nood?

Moraal van het verhaal: verandering was de voorbije tien jaar in feite een constante. En als we naar de toekomst kijken, zal dat niet anders zijn. Het komt er dan ook op aan zo goed mogelijk op die veranderingen in te spelen. In die context is het niet verwonderlijk dat de komst van artificiële intelligentie een geschenk uit de hemel lijkt. Krantenkoppen zoals ‘Chatbots zetten de stap naar supply chains’ of ‘Artificiële intelligentie kan een revolutie betekenen voor supply chain optimalisering’ zorgen er mee voor dat de verwachtingen hooggespannen zijn.

Dat er binnen forecasting en demand planning veel van AI wordt verwacht, blijkt ook uit onderzoek van IBF. Zo wordt AI veruit het meest genoemd als er wordt gevraagd naar technologieën die de komende jaren de grootste impact zullen hebben in het domein (zie figuur).

Efficiëntie versus accuraatheid

Sowieso krijgen we dankzij AI vlotter toegang tot data en kunnen we berekeningen sneller en efficiënter uitvoeren. Daarnaast heeft AI de kracht om met meer precisie te forecasten. Met andere woorden, ofwel kunnen we onszelf als doel stellen met AI efficiënter te gaan werken, ofwel kunnen we met AI onze precisie verbeteren. Intussen zijn er al heel wat ‘use cases’ voor verbeteringsmogelijkheden vanuit beide perspectieven.

Op basis van de use cases stelt Eric Wilson dat AI het meeste kans op slagen heeft als het doel erin bestaat aan efficiëntie te winnen. Als voorbeeld haalt hij een project aan bij een grote, niet nader genoemde organisatie in de ‘consumer packaged goods’. “Dat bedrijf heeft AI-technologie ingezet om bepaalde stappen in het forecastingproces efficiënter uit te voeren en te bundelen. Op die manier konden honderd mensen worden uitgespaard. De forecast werd zo wel minder accuraat, maar dat woog niet op tegen de veel hogere efficiënte en de kostenbesparingen die AI met zich meebracht”, illustreert hij.

Wel waarschuwt Eric Wilson voor een gevaar dat inherent is aan AI-oplossingen. “Neem nu ChatGPT. Het antwoord dat je daar op je vraag krijgt, is informatief en doorgaans goed geschreven, maar vaak mist de content diepte en perspectief”, meent hij. “Bovendien kan AI op zichzelf geen fundamenteel nieuwe ideeën genereren. De technologie kan evenmin de activiteiten die tot nieuwe ideeën leiden ondersteunen, zoals interactief ideeën uitwisselen met anderen. Om content te genereren, kijkt AI in eerste instantie naar wat anderen hebben gedaan. Op basis daarvan krijg je als het ware een gemiddelde voorgeschoteld van wat de technologie heeft gevonden. Met andere woorden, AI leidt tot middelmatigheid. Je moet je dan ook afvragen in welke mate je afhankelijk wilt worden van een technologie die doet wat anderen al hebben gedaan. Vraag je bijvoorbeeld aan ChatGPT een definitie van Sales & Operations Planning, dan krijg je als antwoord “een proces om supply en demand te helpen plannen”. Is dat waar? Zeker. Maar een matuur S&OP-proces is veel meer dan dat. Dat is een businessproces dat alle functionele gebieden tracht te aligneren op basis van een aantal op elkaar afgestemde aannames. Zo wordt het mogelijk op een gecoördineerde manier beslissingen te nemen. Als je bij je S&OP-proces niet verder denkt dan de eerste definitie, dan vrees ik dat je er nooit het maximum uit zult halen.”

De mogelijke impact van werken met AI illustreert Eric Wilson met een ludiek voorbeeld: “Om beenham klaar te maken, volgen wij in onze familie een recept van mijn grootmoeder. Daarin staat dat we de uiteinden van de ham moeten afsnijden, wat we ook allemaal netjes doen wanneer we een ham bereiden. Tot mijn dochter zich afvroeg waarom we die stukken wegsnijden… Het antwoord van mijn grootmoeder luidde: “omdat haar pan te klein was voor een volledige ham”. Dat wij dat in de familie blindelings bleven doen, was dus onzinnig. Dit is ook een reëel gevaar als je met AI aan de slag gaat: dat je zaken gaat doen “omdat AI het zegt”.”

Mensen, processen en data eerst

Kortom, bij forecasting en demand planning kan AI-technologie zeker een helpende hand zijn, maar we mogen de kar niet voor het paard spannen. Dat is verleidelijk, want de technologie wordt steeds toegankelijker. Denken we maar aan ChatGPT. De achterliggende generatieve AI bestaat al vele jaren, het is vooral de gebruikersinterface die de oplossing innovatief maakt. Dat is uiteraard een goede zaak, maar houdt wel het risico in dat mensen er blindelings mee aan de slag gaan.
E. Wilson: “Ook in de toekomst zullen de mensen en de processen veruit het belangrijkst blijven. Enkel als die beide goed zitten, kunnen we met AI het gewenste resultaat bereiken. Kritische vragen stellen en begrijpen waarom AI doet wat het doet is daarbij essentieel. Verder moet je AI op de juiste data loslaten. Zoals altijd geldt ook hier ‘garbage in, garbage out’. Besef ook dat AI erg ‘data hungry’ is. Je hebt een trainingset nodig, een validatieset, een testdataset, zoveel mogelijk historische data, enz. Bepaal vooraf waar je al die data zult halen. Maar met de juiste en voldoende data kan AI een uitstekend middel zijn om patronen te identificeren, meerdere opties te analyseren en het grotere plaatje te zien.”

Ook belangrijk is om het ‘first things first’-principe voor ogen te houden. “Als je schulden hebt, ga je ook geen hippe sportwagen kopen, maar los je eerst je schulden af”, verduidelijkt Eric Wilson “Hetzelfde geldt voor AI. Sommige bedrijven laten AI los op onvoldoende getrainde mensen, twijfelachtige processen en gebrekkige data. Dat is om problemen vragen. Die bedrijven raad ik aan eerst hun zaken intern op orde te krijgen. Dat kan bijvoorbeeld door bijkomende opleidingen te organiseren, de processen te begrijpen en bij te sturen en vervolgens het data-aspect aan te pakken. Pas daarna kun je de mogelijkheden van AI gaan ontdekken.”

Effect van AI op zakelijk succes

Tot slot gidst Eric Wilson ons door een aantal mogelijkheden die AI bedrijven biedt. “Artificiële intelligentie kan bijvoorbeeld helpen aan ‘micro targeting’ te doen”, zegt hij. “Op die manier kun je als onderneming gerichte, gepersonaliseerde boodschappen naar je klanten sturen. In een wereld waar de ‘brand loyalty’ op losse schroeven staat en gepersonaliseerde ervaringen steeds belangrijker worden, is dat een goede manier om klanten te winnen. Verder kan AI productontwikkelingen in goede banen helpen leiden. Een mooi voorbeeld daarvan vinden we bij Coca-Cola, dat kiosken introduceerde waar consumenten verschillende smaken van drankjes kunnen combineren. De keuzes die de consumenten maken, gaan dan naar het moederschip in Atlanta, Georgia. Op basis van de data van die kiosken bleek dat de combinatie Cherry-Sprite erg populair was. Niet alleen wist Coca-Cola op die manier zeker dat het een combinatie was die zou aanslaan, het bedrijf had meteen ook een goed beeld van waar die smaak het best zou verkopen.”

Ook kan artificiële intelligentie risicomanagement ondersteunen. Zo kan AI de waarschijnlijkheid berekenen dat bepaalde zaken gaan gebeuren. Met die informatie kun je je deterministische ‘single-point forecast’ verrijken om te evolueren naar een probabilistische forecast.

E. Wilson: “De telecomsector, bijvoorbeeld, waar klanten vlot van leverancier wisselen, kan bijvoorbeeld AI inzetten om aan klantenbehoud te doen. Aan de hand van een vooraf vastgelegde beslissingsboom kan ‘advanced analytics’ aangeven bij welke klanten die contact opnemen met het callcenter het risico het grootst is dat ze zullen vertrekken. Dan weten de medewerkers al zodra ze de telefoon opnemen op welke klanten ze moeten focussen.”

AI kan ook helpen bij je SKU-management. De meeste bedrijven voeren wel ABC-analyses uit, maar met de juiste algoritmes wordt het ook makkelijker om hiërarchische clusters te gaan definiëren. Zo kun je bijvoorbeeld beter inschatten welke SKU’s nu wel winstgevend zijn, maar dat in de toekomst misschien niet meer zullen zijn. Daarnaast wordt AI nu al geregeld gebruikt met het oog op ‘scheduled maintenance’. Dat kan door AI het risico op uitval te laten bepalen op basis van het gebruik. Zo wordt preventief onderhoud een stuk efficiënter.

Eric Wilson voorspelt dat AI ook steeds vaker zal worden toegepast om scenarioplanning te ondersteunen: “In dat kader wordt het uiteraard cruciaal dat je de impact van externe variabelen goed begrijpt”, benadrukt hij. “Voor alle duidelijkheid, tijdreeksen zijn erg interessant en nuttig, maar niet alle data zijn tijdgerelateerd. Toch blijft meer dan de helft van de bedrijven daaraan vastklampen, terwijl de deterministische ‘type forecast’ die daaruit voortvloeit je nooit zal brengen tot de predictive analytics die je nodig hebt om goed met de groeiende onzekerheden in de supply chain te kunnen omgaan.”

Hoe dat werkt, illustreert Eric Wilson met een voorbeeld: “Een verhuizing is bijvoorbeeld een ‘leading indicator’ voor de verkoop van matrassen. Als matrassenfabrikanten is het dan ook zinvol dat je probeert te voorspellen wanneer mensen gaan verhuizen, want dan kopen ze gegarandeerd ook een nieuwe matras. Zo kun je veel beter inschatten hoeveel matrassen je over enkele maanden zult verkopen dan wanneer je je louter op historische gegevens baseert. Het komt er dan ook op aan buiten je vier muren te gaan zoeken naar leading indicators. Nog beter is het als je de variabelen kunt beïnvloeden, want dan kun je je verkoop als het ware sturen.”

Weg met het nieuwe normaal

We kunnen besluiten dat AI wel degelijk toegevoegde waarde biedt, maar enkel als de basis – de mensen, processen en data – goed zitten. “Daarnaast moeten we er rekening mee houden dat de wereld continu verandert. Daarom heb ik het ook niet zo voor het begrip ‘het nieuwe normaal’, want op een bepaald moment zal dat nieuwe normaal plaats maken voor een ander nieuw normaal”, aldus Eric Wilson. “We kunnen ons beter focussen op een continu veranderende situatie. Omdat ook technologieën continu evolueren, investeren we ook best in ‘tech forward’ en datagedreven processen. Op die manier zul je de ‘shiny pennies’ die leveranciers voorschotelen ook op een kritischer manier benaderen. Pas dan kun je op een slimme manier aan een toekomstbestendige strategie gaan werken, met technologieën die daarop zijn afgestemd.”

TC