{"id":14552,"date":"2021-06-29T15:00:08","date_gmt":"2021-06-29T13:00:08","guid":{"rendered":"https:\/\/www.tradecloud1.com\/?p=14552"},"modified":"2021-07-15T19:40:16","modified_gmt":"2021-07-15T17:40:16","slug":"ai-case-study-1-demand-forecasting-using-artificial-intelligence","status":"publish","type":"post","link":"https:\/\/tradecloud.hdnk.nl\/nl\/ai-case-study-1-demand-forecasting-using-artificial-intelligence\/","title":{"rendered":"AI case study 1: Demand Forecasting met behulp van Artificial Intelligence"},"content":{"rendered":"


\nThe Business Problem
\n<\/b><\/h2><\/div>

Een van de grootste uitdagingen voor bedrijfsleiders vandaag de dag is de volatiliteit van de vraag in relatie tot het voorspellen van de vraag. Terwijl de beschikbaarheid van data blijft toenemen, worden de aankooppatronen van klanten steeds complexer en daardoor moeilijker te detecteren of te voorspellen (Symphony Retail, n.d.).<\/p>\n

Er zijn te veel factoren die de vraag be\u00efnvloeden, vari\u00ebrend van weerschommelingen tot posts van social media influencers, waardoor klanten vaak van gedachten veranderen. Erger nog, dingen die de intenties van klanten be\u00efnvloeden, gebeuren meestal vrij onverwacht (Alexsoft, 2019). Traditionele prognoses zijn slechts zo nauwkeurig als de gegevens, modellen, middelen en mensen die ze moeten interpreteren (Symphony Retail, n.d.). Dus, hoe kan er gereageerd worden op deze uitdagingen?<\/p>\n<\/div>

The Solution<\/b><\/h2><\/div>


\nAI-powered demand forecasting
\n<\/b><\/h3><\/div>

Een antwoord op de volatiliteit van de vraag is vraagvoorspelling met behulp van Artificial Intelligence. Traditioneel is het voorspellen van de vraag een vorm van predictive analytics, waarbij het proces van het inschatten van de vraag wordt geanalyseerd aan de hand van historische gegevens (Dilmegani, 2021). Met behulp van AI kunnen organisaties gebruik maken van Machine Learning algoritmes om veranderingen in de consumentenvraag zo nauwkeurig mogelijk te voorspellen. Deze algoritmes kunnen automatisch patronen herkennen, ingewikkelde relaties in grote datasets identificeren en signalen van vraagfluctuatie opvangen. Zie figure 1 voor een side-by-side vergelijking tussen traditionele en ML forecasting methodes.<\/p>\n

Doorgaans gebruiken organisaties deze vorm van AI om ineffici\u00ebnties te vermijden die worden veroorzaakt door een verkeerde afstemming van vraag en aanbod in het hele operationele proces. Dit zal nooit 100% accuraat zijn (Alexsoft, 2019). toch kan het bedrijven de mogelijkheid bieden om de supply chain kosten aanzienlijk te verlagen en verbeteringen aan te brengen in de financi\u00eble- en personeelsplanning, winstmarges en risicobeoordelingsbeslissingen (Dilmegani, 2021).<\/p>\n<\/div>

<\/div>\n
\n\n\n\n\n\n\n\n\n\n\n
<\/th>\nTraditional
\nforecasting<\/th>\n		Machine Learning
\nforecasting<\/th>\n<\/tr>\n<\/thead>\n
Ability to consider
\nnumerous variables
\nand data sources<\/td>\n		Adding extra variables<\/span>
\nand sources requires<\/span>
\nsubstantial effort<\/span><\/td>\n		Multiple variables<\/span>
\nand sources can be<\/span>
\nsmoothly<\/span>
\nincorporated<\/span>
\nthanks to the high<\/span>
\nlevel of automation<\/span><\/td>\n<\/tr>\n
Volume of manual
\nwork<\/td>\n		High<\/span><\/td>\nLow<\/span><\/td>\n<\/tr>\n
Amount of data
\nrequired<\/td>\n		Small<\/span><\/td>\nLarge<\/span><\/td>\n<\/tr>\n
Maintenance
\ncomplexity<\/td>\n		Low<\/span><\/td>\nHigh<\/span><\/td>\n<\/tr>\n
Technology
\nrequirements<\/td>\n		Low<\/span><\/td>\nHigh<\/span><\/td>\n<\/tr>\n
Best fit<\/td>\nMid \/ long-term<\/strong>
\nplanning<\/strong>
\nEstablished products<\/strong>
\nStable demand<\/strong><\/td>\n		Short \/ mid-term<\/strong>
\nplanning<\/strong>
\nNew products<\/strong>
\nVolatile demand<\/strong>
\nscenarios<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Figure 1: vergelijking tussen traditionele en ML forecasting methodes<\/p>\n

Source: (Alexsoft, 2019)<\/em><\/h3><\/div>


\nVoorbeeld
\n<\/b><\/h3><\/div>

Een voorbeeld uit de praktijk is te vinden bij Danone Group<\/a>, een Franse fabrikant van voedingsmiddelen. Danone implementeerde een machine learning systeem om betere vraagvoorspellingen te doen. Het bedrijf had behoefte aan nauwkeurigere en betere vraagvoorspellingen, vanwege de korte houdbaarheid van zijn verse producten en de sterk veranderende vraag (Brosset, et al.). Danone maakt gebruik van veel promoties en media-evenementen. Meer dan 30% van het totale volume wordt verkocht via promotionele aanbiedingen zoals kortingen en folders, waardoor de vraagvoorspellingen enigszins ad hoc zijn (Best Practice AI, n.d.).<\/span><\/p>\n

Het ge\u00efmplementeerde machine learning systeem bij Danone, zorgde niet alleen voor betere prognoses, maar ook voor een betere planning tussen verschillende afdelingen, zoals verkoop, supply chain, financi\u00ebn en marketing. Dit systeem verbeterde de effici\u00ebntie en de voorraadbalans, waardoor Danone haar beoogde serviceniveaus voor de voorraden op kanaal- en winkelniveau kon behalen (Brosset, et al.).<\/p>\n<\/div>

Voordelen<\/b><\/h2><\/div>

Hieronder worden de belangrijkste voordelen benoemd die vraagvoorspelling met AI kan opleveren voor elk bedrijf in de productie-industrie:<\/p>\n