PLANNEN Het kan met AI (kunstmatige intelligentie - BFG (Bieze) weet al hoe precies

PLANNEN MET ARTIFICIAL INTELLIGENCE ZO DOET BFG WAREHOUSING DAT

BFG Warehousing zet kunstmatige intelligentie (AI) in voor het forecasten van artikelen. Met een AI-tool gekoppeld aan het ERP-systeem plant het inmiddels al ruim duizend artikelen. De prestaties, vooral waar het dervingreductie en aantallen neeverkopen betreft, zijn met tientallen procenten verbeterd.

TEKST FERDI DEN BAKKER

Eigenlijk was het min of meer toevallig, dat BFG (Bieze Food Group) in aanraking kwam met AI (Artifical Intelligence) om de inkoop van artikelen beter te kunnen forecasten. Mark Kornet, manager supply chain & operations en Roza van Sas-Andriesen, teammanager supply chain planning, waren zich aan het voorbereiden op een ERP-implementatie. Kornet: “Bij de overstap van Exact op Microsoft Dynamics AX kwamen we in contact met Q-Intelligence, een vanuit de Erasmus Universiteit gestart bedrijf. De tool FCast hebben we samen met Q-Intelligence doorontwikkeld tot de oplossing die we nu gebruiken.”

WAT KUN JE ER MEE?

“Met AI zijn we veel meer dan op de standaard manier in staat om de inkoop van producten te plannen. Voor ons als foodklant kwam er wel meer dan gemiddeld aan ontwikkelingstijd bij kijken. We hebben te maken met THT. Daarnaast willen wij een forecast kunnen maken op dagniveau. Dat is complex, zeker als je weet dat we maar liefst 250 variabelen kennen.” Kornet geeft een voorbeeld van een veranderende kijk op de wereld die zijn intrede doet bij de onderneming: “Doordat we nu veel preciezer zien welke variabelen invloed hebben op onze voorspellingen, weten we ook dat de invloed van bijvoorbeeld ramadan groter is op diverse artikelen, dan die van het sinterklaasfeest.”

WAREN JULLIE METEEN OVERTUIGD?

Sas-Andriesen: “Ik denk dat we direct potentie zagen in de getoonde mogelijkheden van AI FCast. Daarnaast waren we nieuwsgierig naar de voordelen die de uitrol zou opleveren. En heel simpel gesteld: als we willen doorgroeien, dan hebben we dit soort tools nodig. Maar ook, AI sluit erg goed aan op het ERP.”

HOE VER ZIJN JULLIE NU?

Sas-Andriesen: “Een van de doelen voorafgaand aan de uitrol was om 70 procent van alle artikelen met behulp van AI-forecasting te automatiseren. Daarvan is inmiddels 60 procent gerealiseerd. Het doel is nog niet bereikt, maar we besparen met vijf supply chain planners al wel vijftien uur werk per week.”

HOE KRIJGT DIT EEN VERVOLG?

Kornet: “Een supply chain is nooit af, maar dat geldt ook voor het gebruik van een AI-tool. Het is de kunst om de applicatie – in dit geval machine learning als kunstmatige-intelligentietechnologie – continu te blijven voeden en trainen. Dat is wat we doen met zowel de supply chain planners als met de software. Werken met AI is een leerproces. Soms duurt het iets langer voor een voorspelling goed is. Om een voorbeeld te geven: het maken van een 28-daagse voorspelling kost ongeveer drie kwartier aan tijd, 91 dagen vooruit voorspellen neemt twee uur in beslag. Daarnaast gaat nog veel tijd zitten in de afstemming met de makers van FCast, zeg maar de logistieke versus de theoretische wereld. Het laatste jaar is dit gelukkig wel veel meer in een stroomversnelling gekomen.”

ZIJN ER MEER TASTBARE RESULTATEN?

Kornet: “Zeker. De voordelen van het plannen met AI beperken zich niet alleen tot tijdsbesparing en een dervingreductie. Die laatste besparing bedraagt overigens minimaal 30 procent ten opzichte van voor de start. Maar de kans op nee-verkopen is ook zeker 20 procent kleiner. Minstens zo belangrijk is dat we in wekelijkse performance-overzichten uit onder andere de retail beter scoren dan voorheen. De verbetering bedraagt minimaal een paar procentpunt tot een paar procent en dat zien we terug in ons contact met retailers. Ze betrekken BFG bij de lancering van nieuwe artikelen. Retailers vragen hoe wij die introductie zouden doen.”

WELK NIEUW INZICHT GEEFT DE TOOL?

Sas-Andriesen: “De betere prestaties zijn vooral gebaseerd op twee zaken: enerzijds het vergelijken van producten en productcategorieën met elkaar en anderzijds de toepassing van 250 variabelen per product, elke dag weer opnieuw. Bij het eerste punt leren artikelen binnen de machine learning omgeving van elkaar. Zo leert het ene zuivelartikel van het andere zuivelartikel en ontdekt FCast vervolgens patronen om een volgende voorspelling zelfstandig aan te kunnen passen.” Kornet: “Dit leidt ook tot groot voordeel bij de opstart van nieuwe artikelen. Neem een product als kwark of crème fraîche. Deze artikelen hebben we in het verleden al eens mogen leveren en dus beschikken we over historische data. Die data laten we in de AI-tool lopen en vervolgens hebben we veel sneller een voorspelling van wat we moeten bestellen.”

WAT BETEKENT DIT VOOR DE PLANNERS?

Sas-Andriesen: “De rol van de supply chain planners is verre van uitgespeeld. Bij de uitrol van FCast zijn we juist met hen in gesprek gegaan. Ze hebben nog altijd de mogelijkheid om op basis van uitzonderingen en eigen inzicht bestellingen aan te passen. Het is fijn om te zien dat nu zelfs de meest ervaren supply chain planner tevreden is met de tool. Maar we blijven kritisch kijken naar wat wel en niet mogelijk is. Op basis van data -analyses en gesprekken komen we achter de reden van een keuze. Zo kan een supply chain planner ervoor kiezen om 254 geforecaste eenheden aan te passen naar 240 – dat past goed op een pallet, terwijl het toch beter zou zijn om in dit geval extra lagen op een pallet toe te voegen. Daarmee voorkomen we nee-verkopen.”

WELKE LES WIL JE MEEGEVEN?

Kornet: “Machine learning legt soms pijnlijke misvattingen bloot. In het verleden was de focus gericht op de dagen in aanloop naar een feestdag, nu weten we dat er misschien wel meer winst valt te behalen in de dagen en weken na de feestdagen. Daarnaast zagen we na de livegang van FCast dat we in de forecasting minder specifiek rekening hielden met een bepaalde periode of product. Een andere les die we als logistieke organisatie hebben geleerd is dat de echte voordelen van de AI-tool zichtbaar worden als ze ook worden omarmd door het gehele supply chain team en ze er intensief mee gaan werken. Daarmee verbeter je de forecast zienderogen.”

VIJF JAAR HISTORISCHE DATA

FCast werd voorzien van vijf jaar aan historische data van ruim duizend artikelen waarover BFG Warehousing beschikt. De eerste uitrol omvatte 150 artikelen. Op basis daarvan ging de machine learning technologie zelflerend aan de slag, onder andere met variabelen als weer en weekdag.