17 Sep Machine Learning in the Supply Chain
Het Internet of Things (IoT) transformeert de supply chain. Elke schakel van de keten genereert enorme hoeveelheden data die verdere optimalisatie van allerlei processen mogelijk maken. Maar hoe haal je de relevante informatie uit al die data? Voor mensen is dit als zoeken naar een speld in een hooiberg. Machine learning kan uitkomst bieden.
Machine learning (ML) is een verzamelterm voor systemen en algoritmes die van data kunnen leren, er patronen in herkennen en op basis daarvan nauwkeurige voorspellingen doen. ML heeft de afgelopen jaren een grote vlucht genomen. Tegenwoordig maakt iedereen vrijwel dagelijks gebruik van ML-technologie. Bijvoorbeeld als je een zoekopdracht uitvoert via Google, een serie uitzoekt op Netflix of online je winkelmandje vult.
Machine learning en het IoT
Consumententoepassingen als deze zijn het meest zichtbaar, maar de echte ML-revolutie voltrekt zich in het bedrijfsleven. Organisaties beschikken doorgaans over enorme hoeveelheid ongestructureerde en gestructureerde data over hun supply chain. Daardoor zien ze door de bomen het bos niet meer. Deze ontwikkeling wordt versterkt door de opkomst van het IoT. Sensoren vergroten die databerg verder, en generen allerlei gegevens. Van machines in de fabriek en de transportmiddelen tot de verpakkingen en het product zélf. Het resultaat is een nog grotere poel data over de bedrijfsprocessen.
Vaak gaat het om data met een timestamp, gevangen in silo’s. Het is daardoor lastig om de data in verband te brengen met de achterliggende businessprocessen, laat staan om daar conclusies uit te trekken. Machine learning kan helpen om in deze enorme databergen patronen te ontdekken. Zo kan deze technologie context geven en de data koppelen aan businessprocessen. Daarmee brengt ML inzichten en verbanden naar de oppervlakte die met het blote oog niet zichtbaar zijn.
Geen doel op zich
Dataverzameling is geen doel op zich. Het gaat erom dat je big data omzet in bruikbare informatie voor de business. Die data-analyse moet bovendien zeer nauwgezet en realtime plaatsvinden, zodat de informatie actueel en betrouwbaar is. ML-technologie zorgt ervoor dat organisaties kunnen beschikken over ‘actionable’ inzichten. Zodat de gehele keten en de klanten ook echt profiteren van het IoT.
Laten we even inzoomen op de digitale supply chain. ML creëert in elke schakel van de keten nieuwe mogelijkheden om slimmer, sneller en beter te werken. Een aantal voorbeelden:
1. Prognoses
Predictive analytics zorgt voor betere prognoses op het gebied van bijvoorbeeld inkoop, sales en marketing. Een groot voordeel ten opzichte van traditionele forecasting is dat machine learning veel meer (typen) data laat meewegen. Zo kun je de vraag naar een product voorspellen op basis van historische verkoopcijfers, de marktomstandigheden, het sentiment op social media en tal van andere variabelen. Ook kunnen de algoritmes automatisch rekening houden met de nauwkeurigheid van eerdere prognoses.
ML maakt deze voorspellende kwaliteiten beter naarmate de tijd verstrijkt en de historische dataset groeit. Het algoritme ‘leert’ van het verleden en kan zo nog beter anticiperen op de markt.
2. Logistiek
Sensoren maken inzichtelijk waar producten zich bevinden en wat de status ervan is. Denk bijvoorbeeld aan thermometers die continu registreren of voedingsmiddelen op de juiste temperatuur gekoeld worden. Ook de transportmiddelen kunnen gegevens uitzenden over hun locatie, snelheid en het brandstofverbruik. Realtime analyse van deze data helpt onder meer bij het waarborgen van de kwaliteit van goederen en het anticiperen op logistieke problemen. ML-algoritmen kunnen relaties ontdekken tussen bijvoorbeeld temperatuur en brandstofverbruik en hierin patronen ontdekken. Dat levert waardevolle informatie voor allerlei optimalisaties. Door machine learning gaat dit bovendien steeds beter.
3. Onderhoud
Als een machine, voertuig of onderdeel kapot gaat, kan dat de hele keten verstoren. Tijdig onderhoud verkleint het risico op plotselinge uitval, maar hoe richt je dit zo efficiënt mogelijk in?
Het antwoord is predictive maintenance. Stel dat er continu een hapering plaatsvindt in een airco-unit, verlichting of remsysteem. Door met bijvoorbeeld dataloggers en machine learning-algoritmen continu een vinger aan de pols te houden, komen patronen naar de oppervlakte. Het systeem leert bijvoorbeeld dat er in 80 procent van de gevallen binnen 24 uur na een bepaalde temperatuurstijging een storing optreedt. Dankzij het herkennen van dit soort patronen uit enorme hoeveelheden data kan een organisatie tijdig ingrijpen en storingen verhelpen voordat ze optreden.
4. Orders en betalingen
Machine learning komt eveneens van pas bij het stroomlijnen van financiële processen, zoals het afhandelen van facturen of het verwerken van orders. Het is bijvoorbeeld mogelijk om een systeem te trainen zodat het binnenkomende betalingen ook zonder ordernummer kan koppelen aan openstaande facturen, bijvoorbeeld op basis van lopende orders en de transactiegeschiedenis. Hierdoor hoeven organisaties minder werk uit te besteden en houdt de afdeling finance meer tijd over voor strategische taken.
Een andere waardevolle toepassing van ML op de commerciële afdeling is bijvoorbeeld het matchen van tenders. Bij het binnenkomen van een grote tender is tijd van essentieel belang. ML kan een tender razendsnel matchen aan eerdere tenders en zo de organisatie alvast de nodige informatie verschaffen over bijvoorbeeld vereisten of matchende producten. Dat bespoedigt het tenderproces.
5. Klantcontact
De moderne consument eist een vloeiende, probleemloze customer journey. Elke teleurstellende interactie met de klant – bijvoorbeeld via de app, mobiele website, social media, per e-mail of telefonisch – kan een reden zijn om af te haken. Machine learning stelt organisaties in staat om data uit alle touchpoints samen te voegen en te analyseren, zodat een 360-gradenbeeld van de klant ontstaat. Ook kan de klantenservice worden versterkt met chatbots die de klant steeds beter leren begrijpen en adviseren.
Een goed voorbeeld van slim gebruik van ML op de winkelvloer is realtime gezichtsherkenning. Moderne customer experience-platforms kunnen dankzij ML-algoritmen gezichten van klanten herkennen op videobeelden, maar ook hun emotie bepalen aan de hand van hun gezichtsuitdrukking. Op die manier kun je als retailer beoordelen hoe klanten reageren op bijvoorbeeld aanbiedingen op de winkelvloer.
De potentie van machine learning is enorm, zeker als de technologie is geïntegreerd in een gebruiksvriendelijk platform waar alle data samenkomen. Het interpreteren van de informatie en deze vertalen naar creatieve oplossingen voor de digitale supply chain is namelijk nog steeds mensenwerk. Voor nu in ieder geval.
Bron: https://blogs.sap.nl/zo-verbetert-machine-learning-de-digitale-supply-chain