Operationele efficiëntie
Voorraadoptimalisatie voor ultraverse voeding
In de ultraverse voedingssector kan voorraadoptimalisatie de grootste winstimpact opleveren en tegelijk kostbare middelen besparen. Ontdek hoe we vraagvoorspellingen en voorraadoptimalisatie met AI automatiseerden voor een Belgische verkoper van ultraverse voeding.
Om de vertrouwelijkheid te beschermen, kunnen we specifieke details aanpassen. Onze belangrijkste bijdrage geven we altijd correct weer.
Context & doelstellingen
Een Belgisch bedrijf stelde vast dat meer dan 5% van zijn ultraverse producten onverkocht werd weggegooid. Dat betekende jaarlijks honderdduizenden euro's verlies. De producten konden in de verschillende winkels maximaal drie dagen worden bewaard voordat ze bedierven.
Het bedrijf had grote problemen met voorspellingen door:
een grote variatie aan producten met hoge verkoopvolumes,
frequente wijzigingen in het assortiment,
en de sterke onderlinge vervangbaarheid van producten,
wat zorgde voor inconsistente verkoopgegevens door de tijd heen.
De grootste uitdaging was de inefficiëntie van handmatige vraagvoorspellingen, die veel tijd kostten en foutgevoelig waren. Ons doel was de vraagvoorspellingen met AI te automatiseren en verbeteren. We zagen twee belangrijke kansen voor voorraadoptimalisatie:
Voorraadoverschotten verminderen: de klant had flexibele productiecapaciteit nodig en moest op korte termijn personeel kunnen aanwerven om vraagschommelingen op te vangen.
Voorraadtekorten verminderen: de klant hield voorraden laag om verspilling te beperken, maar riskeerde daardoor gemiste verkoop wanneer de vraag groter was dan het aanbod.
Met een voorspellend algoritme wilden we precieze vraagvoorspellingen leveren die historische verkoop, het weer en marketingacties meenemen.
Aanpak
Onze oplossing begon met een grondige contextanalyse en nauwe samenwerking met de klant, om aan de verwachtingen te voldoen en de projectimpact te maximaliseren.
We volgden een belangrijke contactpersoon tijdens het werk om de oplossing op de grootste kansen af te stemmen, de uitdagingen te begrijpen en vertrouwen in het eindresultaat op te bouwen.
3 voorspellingslagen
Eerst voorspelden we de vraag per product voor meerdere dagen vooruit met een globaal voorspellingsmodel. Omdat er veel verkoopdata beschikbaar waren, bouwden we het model met de volledige dataset. Belangrijk was de opsplitsing in ‘gewone’ dagen en ‘feestdagen’, omdat voorspellingen voor gewone dagen betrouwbaarder waren.
Daarna optimaliseerden we de productieorders met belangrijke bedrijfsregels. We bepaalden de productieaantallen op basis van de verwachte voorraad één dag vooruit en de voorspelde vraag.
Ten derde voorspelden we de vraag per product en winkel één dag vooruit met de voortschrijdende mediaan van de verkoop per product.
Modelarchitectuur
We voorspelden de vraag per product nauwkeurig door onze oplossing voor voorraadoptimalisatie in twee delen op te splitsen.
Modelarchitectuur
1. Het basismodel
Het basismodel was niet met AI getraind: we berekenden gewoon de voortschrijdende mediaan van de verkoop per product over de laatste 4 weken. Dat gaf een eenvoudige, robuuste berekening van de basisverkoop die we later met een AI-model konden combineren. Deze laag werkt als een normalisatiestap, zodat één model elk product kan voorspellen.
2. Een vermenigvuldigingsfactor
De vermenigvuldigingsfactor is daarentegen een met AI getraind model. Dat kreeg de vorm van een globaal voorspellingsmodel dat we op de laatste 14 maanden historische data trainden. Vervolgens pasten we de factor op de basiswaarde toe om de uiteindelijke voorspelde vraag te verkrijgen.
Met dit model konden we verschillende extra factoren meenemen die de verkoopvraag beïnvloeden, zoals het weer, productkenmerken, feestdagen, schoolvakanties en het verschil tussen weekend en weekdagen. Zoals alle AI-modellen vraagt deze aanpak voldoende data voor nauwkeurige voorspellingen. Dat was een echte uitdaging doordat de klant geregeld veel verschillende producten introduceerde en verving, maar we konden die uiteindelijk oplossen.
Een andere belangrijke succesmaatstaf voor dit voorraadoptimalisatieproject was het geschatte verlies door voorraadtekorten. Veel retailers hebben moeite met die berekening, omdat voorraadtekorten moeilijk te detecteren zijn en veel gemiste verkoop kunnen veroorzaken. We ontwikkelden een unieke methode om vast te stellen wanneer een product in een winkel ontbrak en het bijbehorende volume aan gemiste verkoop te berekenen.
Resultaten
Onze oplossing liet veelbelovende resultaten zien.
De testfase van het model leverde een van de best presterende maanden tot dan toe op voor de klant, zowel voor voorraadoverschotten als voor voorraadtekorten.
Vóór en na de invoering van het model: impact op voorraadtekorten en -overschotten
Omdat zowel voorraadoverschotten als voorraadtekorten betrouwbaar in geld konden worden uitgedrukt, zag de klant een tastbare winstverbetering.
De opsplitsing van de data in ‘gewone’ dagen en ‘feestdagen’ hielp het bedrijf de productie-inspanningen efficiënter te richten. Producten met voldoende historische data voor gewone dagen hadden de hoogste voorspellingszekerheid, met een gemiddelde fout van minder dan 20%.
De klant zag positieve resultaten voor alle belangrijke projectdoelen en de oplossing werd een centraal onderdeel van zijn supplychainplanning. Hij merkte zelfs dat de prestaties afnamen wanneer hij de vraagvoorspellingen van het algoritme overschreef.
Conclusie
We richtten ons op een praktische, werkende oplossing, niet alleen op een proof of concept. Dat vroeg een robuuste maar eenvoudige aanpak, ontwikkeld in nauwe samenwerking met de klant en via snelle iteraties.
Het resultaat: een oplossing op maat van de knelpunten van de klant, snel ingevoerd en met maximale impact.
Om de vertrouwelijkheid te waarborgen, kunnen we bepaalde details in onze klantcases aanpassen.