In de ultraverse voedingsmiddelenindustrie heeft voorraadoptimalisatie het potentieel om de grootste impact op de winst te hebben, terwijl kostbare grondstoffen worden bespaard.

Een Belgisch bedrijf ontdekte dat gemiddeld 6% van hun eindproducten niet snel genoeg werd verkocht en moest worden weggegooid. Dit resulteerde in honderdduizenden euro's verlies per jaar.

De grootste uitdaging voor onze klant was de inefficiëntie van het nauwkeurig voorspellen van hun vraag. Ze vertrouwden op handmatige methoden, die tijdrovend en foutgevoelig waren.

Ons doel was om de voorspelling van de vraag voor onze klant te automatiseren en te verbeteren met behulp van AI. Het belangrijkste was dat we overtollige voorraden konden terugdringen en tegelijkertijd stockouts konden voorkomen.

Context en doelstellingen

Onze klant produceerde ultraverse producten. Dit betekende dat de producten maximaal drie dagen bewaard konden worden in een van de ruim 20 winkels voordat ze weggegooid moesten worden.

Er was een grote verscheidenheid aan producten met een hoog verkoopvolume, frequente veranderingen in de dagelijkse catalogus van producten die te koop waren en een hoge mate van substitueerbaarheid van de producten. Dit leidt tot inconsistente verkoopgegevens in de tijd en maakt het voorspellen van de vraag een uitdaging.

Met behulp van AI had onze oplossing het grootste potentieel om onze klant op twee manieren van dienst te zijn:

1. Er is potentieel voor verbeterde efficiëntie door het verminderen van te grote voorraden. Onze klant moet zeer flexibel zijn in zijn productiemogelijkheden en op zeer korte termijn kunnen inhuren om aan de vraag te kunnen voldoen.

2. Er is potentieel om de voorraad te verminderen. Onze klant streeft naar een zeer laag voorraadniveau omdat ze geen overtollige producten willen weggooien. Dit kan echter ook leiden tot een lagere verkoop als ze niet genoeg van een product maken om aan de vraag te voldoen.

Daarom moest onze oplossing een goede balans vinden in de geproduceerde hoeveelheid om overvoorraad en uitval te minimaliseren.

Door een voorspellend algoritme te ontwikkelen, wilden we nauwkeurige vraagvoorspellingen doen op basis van verschillende factoren, zoals historische verkopen, het weer en marketingevenementen.

Benadering

Onze oplossing begon met een diepgaande duik in de context en een nauwe samenwerking met de klant. We moesten ervoor zorgen dat de voorgestelde oplossing aansloot bij wat de klant verwachtte en dat het project de grootste impact zou hebben.

Om dit te kunnen doen, hebben we een belangrijk contactpunt met de klant nauwlettend gevolgd, zodat de oplossing duidelijk was afgestemd op waar de grootste impact kon worden verkregen. We moesten er ook voor zorgen dat we hun pijnpunten begrepen en dat de klant wist dat hij op het eindresultaat kon vertrouwen.

We gebruikten drie voorspellingslagen

Eerst voorspelden we de vraag per product voor 6 dagen vooruit met behulp van een globaal voorspellingsmodel. Er waren veel verkoopgegevens beschikbaar, dus we konden dit model baseren op alle beschikbare gegevens.

Het belangrijkste is dat we besloten om de verkoopgegevens op te splitsen in "normale" en "feestelijke" dagen. De reden hiervoor is dat er meer vertrouwen was in de voorspelling voor dagen die geen feestdag waren.

Ten tweede optimaliseerden we de productieorders aan de hand van belangrijke bedrijfsregels. We bepaalden de hoeveelheid die de klant moest produceren op basis van de huidige verwachte voorraad één dag vooruit en de voorspelde vraag.

Ten derde voorspelden we de vraag per product en winkel voor 1 dag vooruit met behulp van de voortschrijdende mediaan van de verkoop van elk product.

Modelarchitectuur

We konden de vraag naar elk product nauwkeurig voorspellen door onze oplossing in twee delen op te splitsen:

• Het basismodel

• Een vermenigvuldiger

Modelarchitectuur

Het basismodel was niet AI-getraind. Het gaf ons een eenvoudige en robuuste berekening van de basisomzet die we later konden integreren met een AI-getraind model. Het fungeert als een normalisatiestap, waardoor de voorspelling van elk product met één model kan worden gedaan.

Hoe hebben we het basismodel gedefinieerd? Het werd simpelweg berekend als de voortschrijdende mediaan van de verkopen per product voor de afgelopen 4 weken.

De vermenigvuldiger daarentegen is een door AI getraind model. Dit nam de vorm aan van een globaal voorspellingsmodel dat we trainden op de historische gegevens van de laatste 14 maanden. Vervolgens pasten we de vermenigvuldigingsfactor toe op de basislijn om de uiteindelijke voorspelde vraag te verkrijgen.

Met dit model konden we verschillende extra factoren opnemen die de vraag naar verkoop konden beïnvloeden. We namen bijvoorbeeld het weer, productinformatie, of het een nationale of schoolvakantie was en zelfs of de verkoop in het weekend of doordeweeks plaatsvond mee.

Maar zoals bij alle AI-gebaseerde modellen is de enige beperking dat we voldoende gegevens nodig hebben om voorspellingen te doen. Aangezien onze klant regelmatig een grote verscheidenheid aan producten introduceert en roteert, kan dit een echte uitdaging vormen.

Daarnaast was een belangrijke maatstaf voor het succes van het project het geschatte verlies als gevolg van voorraaduitval. Voor veel bedrijven in de detailhandel kan het moeilijk zijn om deze metriek te berekenen. Dit komt omdat het vaak moeilijk te detecteren is en kan leiden tot grote omzetverliezen.

We ontwikkelden een unieke manier om te detecteren wanneer een product ontbrak in een winkel en hoeveel verkoop daardoor werd gemist.

Resultaten

Onze oplossing liet veelbelovende resultaten zien.

De testfase van het model resulteerde in een van de best presterende maanden tot nu toe voor onze klant in termen van overstock en stockout.

Voor en na de invoering van het model: impact op stockout en overstock

Zowel overstock als stockout konden betrouwbaar worden omgezet in een monetaire waarde. Zo kon onze klant tastbare verbeteringen in zijn winst vaststellen.

We ontdekten dat het segmenteren van de gegevens tussen "normale" en "feestelijke" dagen onze klant in staat stelde om zijn productie-inspanningen het meest efficiënt te richten. Producten die over voldoende historische gegevens beschikten en in het segment "normale" dagen vielen, hadden het meeste vertrouwen in de voorspellingen. We zagen een gemiddelde fout van slechts 17% in deze categorie.

Onze klant realiseerde een positieve impact op alle belangrijke doelstellingen van het project. Bovendien werd de oplossing een centraal onderdeel van hun supply chain planning. En dat niet alleen, onze klant merkte zelfs op dat wanneer ze de vraagsuggesties van het algoritme overschreven, ze slechtere resultaten zagen.

Conclusie

Tijdens de ontwikkeling van dit project hebben we er alles aan gedaan om een oplossing te leveren waarmee onze klant meteen aan de slag kon, in plaats van alleen een theoretisch proof of concept.

Hiervoor moesten we een oplossing ontwikkelen die zowel robuust als eenvoudig was. Hiervoor moesten we zeer nauw samenwerken met de klant, zodat we ons model snel konden itereren en verbeteren.

Dankzij onze aanpak konden we heel snel een werkende oplossing ontwikkelen. We stemden deze direct af op de pijnpunten waar de klant mee te maken had, wat leidde tot een oplossing met de grootst mogelijke impact.

-

Geschreven door Joleen Bothma