Rekening houden met 150 verschillende factoren

Unilin Group telt meer dan 8.200 medewerkers, verspreid over 105 locaties en meer dan 30 productievestigingen. Het bedrijf boekte in 2022 een omzet van 3,1 miljard euro. Het Amerikaanse Mohawk is sinds 2005 de referentieaandeelhouder van het West-Vlaamse bedrijf. De insulation-afdeling produceert en levert uTherm-isolatieplaten en dakelementen voor groothandels en aannemers.

Nood aan meer accurate inzichten

De vraag naar een demand forecastingprogramma rees vanuit de nood aan korte leveringstijden voor producten waarvan de vraag erg seizoensgebonden is. “Om het hele jaar door een goede service te kunnen bieden, moet er steeds voldoende voorraad zijn. Onze beperkte opslagoppervlakte en de lange leveringstermijnen van leveranciers bieden op dat vlak de nodige uitdagingen. Bepaalde grondstoffen hebben een leveringstermijn van vijf tot zes maanden. Het is dus belangrijk om de vraag nauwkeurig in te schatten en er onze bestellingen, voorraden en leveringen op af te stemmen.” Aan het woord is Tallin Van Rie. Zij ging in september 2021 als data scientist bij Unilin Group aan de slag, onder meer met het oog op de ontwikkeling van het forecastingmodel voor de insulation-afdeling. Dat model trad in juni 2022 officieel in werking.
 
Het supply chain team bij Unilin is altijd op zoek naar de balans. Voordat het forecastingprogramma startte, was de insulation-afdeling afhankelijk van de kennis en ervaring van de medewerkers.
Tallin Van Rie: “Als een productieplanner niet beschikbaar was of het bedrijf verliet, nam die persoon zijn inzichten met zich mee. Bovendien leidde het systeem tot onnauwkeurigheden. Te grote productieorders zorgden voor overstock. Of we hadden niet de juiste producten in het magazijn, waardoor we niet tijdig konden leveren. Dat wil je uiteraard vermijden.”
 
Dakisolatie verkoopt het best in de zomer, maar kent logischerwijze een lagere vraag tijdens het bouwverlof. “Maar er zit nog meer achter de verkoopcijfers”, aldus Tallin Van Rie. De eerste opgave bestond er dan ook in een lijst met mogelijke voorspellende factoren te doorkammen. “Aan de hand van statistische toetsen stelde ik vast welke invloeden significant waren”, gaat Tallin Van Rie verder. “Het forecastingmodel dat we uitbouwden, houdt rekening met honderdvijftig verschillende factoren die de vraag kunnen beïnvloeden, bijvoorbeeld: weerberichten, de bouwbarometer, grondstof- en energieprijzen, financiële beperkingen in de industrie of indicatoren van de Europese Unie zoals het huidige aantal werven in België, coronaperiodes of zelfs politieke indicatoren.”

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 ChatGPT 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 algoritme 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 prototype. Een proces van trial en error. We voorspelden 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 enkele maanden van kleine aanpassingen, konden 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 creëren 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 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 internationale 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 datapunten toe, zoals relevante grondstofprijzen of ‘stock prices’ van Yahoo Finance, bijvoorbeeld. Het model laat toe dat gemakkelijk te doen.”
 
Het forecastingmodel wordt door het hele bedrijf gedragen. “De productieplanners gebruiken het model op korte termijn om de productie te plannen. De supply chain manager kijkt naar de voorspellingen van de volgende twee maanden en de aankoopafdeling gebruikt het model om via de productieorders de grondstofprijzen te zien en leveringen in te plannen”, schetst Tallin Van Rie. Al die partijen waren betrokken bij de ontwikkeling van het model, net als het salesteam en onrechtstreeks ook finance. “Het was niet evident om iedereen meteen aan boord te krijgen en van een methodiek gebaseerd op manuele input, ervaring en buikgevoel over te schakelen op een zelflerend model”, aldus de data scientist. “Bovendien bots je in het begin onvermijdelijk op enkele ‘bugs’. We hebben medewerkers op een ludieke manier warm gemaakt voor data science, onder meer door middel van een ontspannen lunchmeeting met 75 collega’s.”

​Vertrouwen creëren

Toen het model eenmaal gelanceerd was, bouwde Tallin Van Rie het vertrouwen op met behulp van concrete cijfers die de waarde van het project bewijzen. “Tijdens de maandelijkse supply chain meetings bespreken we de KPI’s, zoals de gemiddelde absolute afwijking die we elke week bijhouden”, vertelt ze. “Om de accuraatheid van de modellen op te volgen, vindt er altijd een manuele verificatie in OMP plaats. Omdat we ook van werkwijze veranderd zijn – naar OMP – is het moeilijk om de vergelijking te maken met de situatie van vroeger, maar er ligt wel gemiddeld minder voorraad in de magazijnen sinds we de forecasting toepassen. Dat is een indicatie dat we goed bezig zijn.”
 
Tallin Van Rie kreeg van de managers het vertrouwen om de nieuwe functie vrij in te vullen. “Dat was een groot voordeel”, meent ze. “Ik kon kiezen voor een methode waarmee ik ervaring had. Dankzij een eigen model bleven we onafhankelijk en konden we veel beter begrijpen hoe forecasting met machine learning werkt. Ik slaagde erin het vertrouwen op te bouwen, wat nu resulteert in verschillende andere data science projecten los van supply chain, zoals voor aankoop en R&D.”

​Gouden tip

Tot slot geeft Tallin Van Rie nog een belangrijke tip mee voor bedrijven die ook een demand forecastingmodel overwegen. “Je mag het belang van ‘data governance’ niet onderschatten”, waarschuwt ze. “Elke medewerker moet dezelfde naamgevingen of scheidingstekens gebruiken. Maar wanneer data zich werkelijk ‘all over the place’ bevinden, is datamodellering een erg complexe oefening.”