Data Science en Supply Chain: mensen en algoritmen laten samenwerken

Een nieuw tijdperk voor Supply Chain Management

Onder impuls van universitair onderzoek en grote bedrijven zoals Walmart of Procter & Gamble onderging de logistieke sector in de jaren negentig een eerste grote transformatie. Terwijl sommige spelers nog steeds worstelen met de toepassing van best practices, zorgt Big Data nu opnieuw voor een revolutie in de supply chain.

Onder de naam “Supply Chain 4.0” of “Connected Supply Chain” zijn deze veelbelovende ontwikkelingen het werk van teams van Data Scientists die gebruik maken van artificiële intelligentie, blockchain of robotica. Deze technologieën zijn erop gericht de supply chain voor bedrijven flexibeler, voorspelbaarder en winstgevender te maken. Hoe doen ze dat? Door de levertermijn te verkorten, de vraagvoorspelling volledig te automatiseren, of de punctualiteit van de productie en de levering te verbeteren.

De bijdragen van Data Science aan de Supply Chain sector

Beter inspelen op de vraag

Data Science en Machine Learning, die in staat zijn zeer grote en gediversifieerde informatiebronnen te exploiteren, zijn bijzonder interessant voor het opsporen van trends in een zeer grote hoeveelheid gegevens.

In de Supply Chain sector wordt Data Science met name gebruikt voor:

• Zwakke signalen te identificeren die actief moeten worden gevolgd om toekomstgerichte keuzes te ontwikkelen;
• Gegevens uit verschillende bronnen (web,..) te integreren;
• Producten te groeperen volgens verschillende consumptiepatronen;
• De aan elke situatie aangepaste actiestrategie te ontwikkelen.

Optimaliseren van het beheer van logistieke stromen

Wat het voorraadbeheer betreft, kan de gegevensanalyse worden gekoppeld aan bepaalde externe factoren (bevoorradingsproblemen met grondstoffen, goederenverkeer, weersomstandigheden,…) om bedrijven te helpen hun risico’s voor tekorten te verkleinen.

Om de keuze van de transporteurs te vergemakkelijken en de organisatie van de leveringsrondes te optimaliseren, kan rekening worden gehouden met talrijke factoren: kosten, type van de te verwerken producten, specifieke vervoersnormen en -voorwaarden, verpakking, wegverkeer,…

Door taken optimaal te verdelen op basis van de eigen gegevens van het magazijn, dragen AI-algoritmen ook bij tot een betere toewijzing van resources en dus tot betere prestaties.

De klantrelatie verbeteren

Met Data Science wordt ook de relatie die met de consument wordt aangeknoopt, steeds meer gepersonaliseerd. De algoritmen voor Machine Learning zonder toezicht kunnen het klantenbestand zeer fijn segmenteren, zodat voor elk profiel de best mogelijke promoties en diensten kunnen worden aangeboden.

In combinatie met de analyse van klantenfeedback leveren deze segmentatiegegevens waardevolle informatie op over hoe de klanttevredenheid kan worden verbeterd, wat in elke supply chain een belangrijk punt blijft.

Samenwerking tussen mens en machine: een cruciale kwestie voor Data Science

Van gegevens naar actie

In elk proces van artificiële intelligentie is de autonomie die aan de machine wordt gegeven progressief. Dit diagram van Gartner laat zien hoe het werk dat aan de systemen wordt toevertrouwd (in blauw) geleidelijk aan het menselijk handelen (in groen) vervangt.

De samenwerking tussen mensen en machine verloopt in 4 belangrijke fases:

1. De analyse van de gegevens door de machine (Analytics);
2. De menselijke input die nodig is om de gegevens te interpreteren (Human input);
3. Het daaruit voortvloeiende besluit (Decision);
4. Het omzetten naar een concrete actie (Action).

Na verloop van tijd neemt de mate van autonomie van de machine toe, totdat volledig vertrouwen in het systeem is bereikt. Maar om de machine in staat te stellen even goede beslissingen te nemen als de mens, is een fase van samenwerking tijdens de verschillende stadia van algoritme-ontwikkeling essentieel. Deze fase is min of meer lang en uitgebreid, afhankelijk van de gewenste mate van autonomie.

De verschillende soorten algoritmen

Afhankelijk van de aard en de diepgang van de samenwerking tussen mens en machine zijn er drie grote families van algoritmen voor machine learning: leren onder toezicht, leren zonder toezicht en leren van bekrachtiging.

Leren onder toezicht

In de supergeviseerde modus werken de algoritmen met gegevens die door mensen zijn gekozen op basis van hun kenmerken en hun gekende invloed op het resultaat. Bijvoorbeeld: de curve van de buitentemperatuur beïnvloedt de verkoop van dranken, of het aantal te verzenden bestellingen beïnvloedt de orderpicking in het magazijn. Voorspellingsmodellen voor de verkoop maken gebruik van dit type algoritme.

De intelligentie wordt in dit geval hoofdzakelijk door de mens geleverd. De machine wordt dan hoofdzakelijk gebruikt voor haar rekencapaciteiten op basis van verschillende reeksen gegevens.

Leren zonder toezicht

Het doel is hier 2 specifieke doelstellingen te bereiken:

• Clusters creëren, d.w.z. groepen van individuen met gelijksoortig gedrag, om verfijnde en dus bijzonder efficiënte beheersregels vast te stellen;
• Via de machine ontdekken welke gegevens een invloed hebben op de prestaties van de supply chain: de theoretische benadering die men als professional heeft verworven, volstaat niet altijd om bepaalde fenomenen die de doeltreffendheid van een magazijn kunnen beïnvloeden, op te sporen en te verklaren. De machine, die in staat is zelfs zwakke signalen op te sporen, in real time en continu, vormt een krachtige vector voor de analyse van de operaties en dus voor de verbetering van de processen.

In beide gevallen wordt de machine gebruikt om de diagnose te stellen, terwijl de mens betrokken is bij de evaluatie van de gegevens en het bepalen van de maatregelen die naar aanleiding daarvan moeten worden genomen.

Leren van bekrachtiging

Deze algoritmen, die hoofzakelijk worden gebruikt door spraakassistenten en robotica, draaien op een cyclus van ervaring, en het verbeteren van hun prestaties bij elke herhaling. Het is de meest geavanceerde wijze van samenwerking tussen mens en machine. Via een scoringsprincipe leren mensen het systeem geleidelijk de beste beslissingen te nemen. Hij brengt er dus zijn ervaring op over en het leert zich aan te passen aan vele verschillende situaties.