Slimmer voorraden plannen met AI en ‘machine learning’

Slimmer voorraden plannen met AI en ‘machine learning’

Retailers in allerlei sectoren hebben het gemerkt: door Corona, problemen in de aanvoerketen en andere onvoorziene omstandigheden wordt het steeds lastiger voorraden accuraat te plannen. In plaats van de gebruikelijke statische regels voor voorraadbeheer kan AI veel meer factoren meenemen.

Binnen de retailsector vertrouwen inkopers nog vaak op een op regels gebaseerde aanpak om hen te helpen de voorraden te voorspellen, aanvullen en beheren. Deze regels werken wel, maar vaak alleen als het gaat om consistente, voorspelbare productcategorieën en bekende trends.

Complex en onvoorspelbaar

We zien echter dat het landschap waarin retailers werken steeds complexer en onvoorspelbaarder wordt. Denk bijvoorbeeld aan supplychain-problemen, grondstof- en personeelstekorten, de pandemie en de situatie in Oekraïne. Al deze factoren hebben invloed op de sector en maakt het steeds lastiger om voorraden te beheren en inkopen te voorspellen op basis van de regels die voorheen goed werkten.

Vooral tijdens de pandemie zagen we een trend van retailers die op zoek gingen naar oplossingen in de richting van artificial intelligence (AI) in combinatie met data en analyses, van online supermarkten tot apotheken. AI kent al verschillende toepassingen, denk bijvoorbeeld aan chatbots of het volgen van klantgedrag in winkels. Dit zijn slechts een paar voorbeelden, maar de verwachtingen voor AI zijn hoog en de techniek zal steeds vaker toegepast worden in software, hardware en services.

Toch lijkt de Nederlandse retailsector hier nog niet helemaal op voor te sorteren. In 2021 maakte slechts 14 procent van de retailers gebruik van AI bleek uit onderzoek van het ING Economisch Bureau, terwijl juist deze sector er veel baat bij kan hebben.

Hoe het nu gaat

Zoals eerder gezegd wordt er binnen de retail nog veel gebruik gemaakt van systemen op basis van regels, bijvoorbeeld ‘zodra er nog X aantal van dit product op voorraad is, moeten er Y van besteld worden’. Toch blijkt dit vaak niet meer de ideale methode en kunnen retailers mede daardoor te maken krijgen met over- of understock. Daarnaast kan de hoeveelheid van dit soort regels de pan uit rijzen en is het ontrafelen van alle verbanden en het verkrijgen van een duidelijk inzicht lastig zonder de hulp van AI.

AI kan, in tegenstelling tot regels, relaties leggen. Waar je op regels gebaseerde systemen kunt zien als een spreadsheet met ‘als-dit-dan-dat’-relaties (oftewel: als A gebeurt, doe dan B) gaat AI een stapje verder: ‘Als A en B gebeurd zijn dan heeft dat invloed op C maar ook op de relatie van C op D.’

Voorspellingen doen

Het retaillandschap wordt steeds complexer, waarbij met steeds meer verschillende factoren rekening moet worden gehouden. Het is dan handig als je systeem beschikt over aanpassingsvermogen, wat vaak niet het geval is bij een systeem op basis van regels. Zo’n systeem leert niet in de loop van de tijd, terwijl dit bij AI wel het geval is en dit retailers in staat stelt om proactief te reageren op de verschillende veranderende factoren en mogelijke verstoringen. Het verkrijgen van inzichten en het slimmer worden van het systeem in de loop van de tijd zijn een enorm voordeel AI.

Als we kijken naar productvoorspellingen kunnen we hardloopschoenen als voorbeeld nemen. Stel dat de nieuwe versie van een bepaald model uitkomt. Je hebt enige ervaring met nieuwe edities: je weet ongeveer hoe de markt reageert. Er is een eerdere logica om je mapping op te baseren. Maar wat gebeurt er als je merk een volledig nieuw schoenmodel uitbrengt? Dat is onbekend terrein. Je kunt dan AI inzetten om scenario’s te vergelijken; je kunt voorspellen wat er normaal gesproken gebeurt bij de introductie van een nieuw product, inschatten of het volume er ongeveer hetzelfde uitziet en wat de prijsklasse is.

Om nog een stap verder te gaan: voorspellingen doen voor een compleet nieuw merk is een nog grotere uitdaging. De retailer moet beginnen met het verzamelen en analyseren van data om de huidige processen te bekijken. Helaas zijn de bestaande processen en data daarvoor niet goed genoeg. Er moeten volledig nieuwe relaties worden voorspeld en er moet rekening worden gehouden met een groot aantal factoren. AI kan helpen om snel logica en patronen te herkennen, terwijl het zichzelf voortdurend optimaliseert. Uiteindelijk zal de software de basis onder de knie hebben en kan de retailer de aandacht richten op waar die het hardst nodig is.

Toename AI

Op dit moment zien we een langzame toename van AI-toepassingen in de retailsector, en wordt de technologie met name ingezet bij grote retailbedrijven. Dat die nog beperkt wordt ingezet, komt onder andere door terughoudendheid van retailers om nieuwe technologieën te implementeren. Een gemiste kans, omdat ze hier juist veel baat bij kunnen hebben om hun demand planning te optimaliseren en zo over- of understock kunnen voorkomen.

Een van de redenen die wordt aangedragen voor een langzame implementatie is het tekort aan geschoolde werknemers. Dit kan opgevangen worden door te kiezen voor een SaaS-oplossing. Daarvoor is geen lang en ingewikkeld implementatietraject nodig en het is gebruiksvriendelijk voor de retailer.

Over de auteur: Antoine Brouwer is Director retail solutions bij IG&H.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op sociale media: LinkedIn, Twitter en Facebook.

Source link

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *