Mythes werden doorgeprikt bij de presentatie van Johan van Hemert tijdens Supply Chain Execution Day. AI verbetert forsecasting, maar werkt alléen met de volgende tips.
Een inkoopbeslissing is altijd een beslissing over de toekomst. Je bestelt vandaag wat je verwacht morgen nodig te hebben. Bestel je te veel, dan groeit de voorraad. Bestel je te weinig, dan ontstaan tekorten, spoedbestellingen en extra werk. De logische reactie is vaak: we moeten nauwkeuriger voorspellen. Maareen hogere forecast accuracy is niet automatisch de belangrijkste winst. Minstens zo belangrijk is dat organisaties beter begrijpen wat ze voorspellen, welke informatie werkelijk relevant is en wanneer ze op een forecast kunnen vertrouwen.
AI kan daarbij een belangrijke rol spelen. Niet als magische vervanger van bestaande forecastingmethoden, maar als hulpmiddel om patronen sneller te herkennen, relevante signalen van ruis te onderscheiden en forecasting veel gerichter te automatiseren. Een assortiment bestaat uit totaal verschillende werkelijkheden. Sommige producten hebben een zeer stabiele vraag. Andere verkopen vooral in bepaalde seizoenen, reageren sterk op promoties of worden maar enkele keren per jaar verkocht. Dat betekent dat één forecastingmethode voor het hele assortiment vrijwel nooit optimaal is. AI kan helpen onderscheid te maken tussen bijvoorbeeld:
De uitdaging verschuift daarmee van één zo nauwkeurig mogelijke forecast maken naar per product bepalen welk vraagpatroon speelt en welke voorspellingsmethode daarbij past.
AI maakt het mogelijk om veel meer informatie bij een voorspelling te betrekken. Naast historische verkopen kunnen bijvoorbeeld prijs, promoties, voorraadbeschikbaarheid, weersomstandigheden of economische ontwikkelingen worden meegenomen. Maar meer data leidt niet vanzelf tot betere voorspellingen. Een temperatuurstijging kan bijvoorbeeld grote voorspellende waarde hebben voor de verkoop van ijs, maar nauwelijks relevant zijn voor een groot deel van het overige assortiment. Hetzelfde geldt voor economische indicatoren, promotiedata of prijsveranderingen.
De belangrijkste vraag is daarom niet hoeveel data beschikbaar is, maar welke data daadwerkelijk voorspellende waarde heeft.
Mogelijke databronnen zijn bijvoorbeeld:
AI kan helpen om tussen al deze gegevens verbanden te herkennen en te bepalen welke factoren voor welke producten relevant zijn.
Een andere uitdaging is de kwaliteit van historische verkoopdata. Stel dat van een artikel vorige week niets is verkocht. Betekent dat dat er geen vraag was? Niet noodzakelijk. Het product kan ook niet op voorraad zijn geweest. Wie uitsluitend historische verkoop gebruikt, loopt dan het risico een verkeerde conclusie te trekken: het forecastingmodel ziet nul verkopen en verlaagt de verwachte toekomstige vraag, terwijl er in werkelijkheid misschien juist sprake was van een tekort. AI forecasting vraagt daarom om een goede interpretatie van data. Verkoop is wat daadwerkelijk verkocht is; vraag is wat de klant had willen kopen. Dat onderscheid kan een grote invloed hebben op de kwaliteit van een forecast.
Nieuwe producten vormen een bijzonder forecastingprobleem: er is nog geen eigen verkoopgeschiedenis. Maar dat betekent niet dat er geen informatie beschikbaar is. Een nieuw artikel heeft kenmerken die kunnen worden vergeleken met bestaande of eerder geïntroduceerde producten. Denk bijvoorbeeld aan:
AI kan deze informatie gebruiken om vergelijkbare producten te vinden en daarmee een eerste vraagprofiel op te bouwen. Zodra de eerste echte verkoopgegevens beschikbaar komen, kan de voorspelling vervolgens steeds verder worden aangepast. Forecast accuracy blijft belangrijk. Maar uiteindelijk is forecasting geen doel op zich. Een forecast moet leiden tot betere supply-chainbeslissingen.
Een iets nauwkeurigere voorspelling heeft weinig waarde wanneer planners vervolgens honderden uitzonderingen handmatig moeten beoordelen. Omgekeerd kan een systeem dat misschien niet voor ieder artikel de mathematisch perfecte voorspelling produceert veel waarde opleveren wanneer het betrouwbaar automatisch kan bepalen welke producten géén aandacht nodig hebben. De praktische winst van AI forecasting kan daarom veel breder zijn:
Ook de rol van de planner verandert. In plaats van iedere forecast afzonderlijk te bekijken, kan AI helpen bepalen waar menselijke aandacht nodig is. Een systeem kan bijvoorbeeld een groot deel van het assortiment automatisch verwerken en alleen die situaties naar voren halen waarin sprake is van een relevante afwijking, onzekerheid of gebeurtenis. De planner verschuift daarmee van alles controleren naar ingrijpen waar het ertoe doet. Dat maakt forecasting nauwkeuriger en beter schaalbaar.
Een organisatie kan dan onderscheid maken tussen:
Wie AI voor forecasting wil inzetten, zou daarom niet uitsluitend naar een verbetering van forecast accuracy moeten kijken. Relevanter is de impact op het totale planningsproces. Belangrijke criteria zijn:
AI haalt de onzekerheid niet uit de supply chain. Dat hoeft ook niet. De werkelijke belofte van AI forecasting is dat organisaties beter leren voorspellen waar dat kan, onzekerheid eerder herkennen waar dat nodig is en hun mensen inzetten waar menselijk oordeel daadwerkelijk het verschil maakt. Dat maakt de beste forecast uiteindelijk niet noodzakelijk de forecast met het laagste foutpercentage, maar de forecast die tot de beste beslissing leidt.
Als u meer wilt weten over AI-prognoses, adviseren wij u graag.