Voor wie is deze case interessant?

Voor bedrijven die productkwaliteit willen optimaliseren door hetzij productieparameters hetzij productsamenstelling aan te passen.

‍

‍Welke data heb je nodig?

• Een maatstaf voor kwaliteit: dit is een objectieve meting die de kwaliteit van een product uitdrukt. Alternatief gebruik je bv. een bevraging of smaaktest bij klanten, gebruikers of personeel.
• Productieparameters of productsamenstelling: voor elk product waarvoor je een kwaliteitscijfer hebt, heb je ook de samenstelling of de productieparameters nodig. Zijn je klanten bv. tevreden over een batch paprika chips, dan moet je exact kunnen tracen met welke productieparameters deze batch tot stand is gekomen.

‍

‍De vraag

Het fictieve wijnbedrijf maakt en verkoopt verschillende wijnen. Elk van deze wijnen heeft uiteraard een eigen productieproces en eigen ingrediënten. Traditioneel is het de wijnmeester die de smaak van de wijn bepaalt.

Uiteraard is de wijnmeester iemand met enorm veel expertise die een blijvende rol moet spelen. Toch willen we de smaak van de wijn bepalen met objectieve data. En hiervoor is AI de perfecte oplossing.

‍

“De vraag is: hoe kunnen we de perfecte wijnsmaak voor onze klanten bepalen?”

‍

‍De oplossing

We willen een AI-oplossing ontwikkelen die ons vertelt op welke manier we onze wijn moeten produceren én welke ingrediënten we moeten gebruiken om tot een smaak te komen die onze klanten waardeert.

De oplossing bestaat uit twee deelstappen:

1. Een model ontwikkelen dat op basis van wijnkarakteristieken voorspelt wat de kwaliteitswaardering zal zijn.
2. Ontdekken voor welke wijneigenschappen dit model de hoogste kwaliteitswaardering voorspelt.

We maken hierbij volgende veronderstellingen:

• We hebben 1 klantengroep met een min of meer homogeen profiel. In de praktijk kan je een subgroep van je klanten selecteren of zelfs het individueel profiel van de klant meenemen in het smaakmodel dat we straks zullen bouwen.
• De kwaliteitslabels zijn aangeleverd door een set van klanten/proevers die representatief is voor onze gestelde doelgroep.
• De beschikbare wijneigenschappen zijn onder controle in het productieproces en kunnen onafhankelijk van elkaar ingesteld of gekozen worden.

‍

‍Aan de slag

We beschikken uiteindelijk over een dataset met 1.599 kwaliteitswaarderingen voor verschillende types van wijnen. Deze kwaliteitswaardering is een subjectief cijfer dat gegeven werd door onze klanten.

Naast het kwaliteitscijfer kennen we van elke wijn ook de 11 essentiële eigenschappen.

We gaan vervolgens een model trainen & finetunen waarmee we de kwaliteit van een wijn voorspellen op basis van deze eigenschappen en de waardering van bestaande klanten.

We starten steeds met een aantal verschillende modellen te trainen en met elkaar te vergelijken. Het beste model is in dit geval een XGB-model dat tot 90% van de wijnen accurat voorspelt.

‍

‍Conclusie

Door de resultaten besluit de wijnproducent om een proef-versie van de voorgestelde wijn te produceren. Indien een smaakpanel de wijn inderdaad een hoge score geeft, dan zal deze op de markt gebracht worden.

Om een verbeterronde door te voeren neemt het bedrijf zich voor om nog meer data te verzamelen. Het bedrijf zal vaker smaaktesten afnemen bij klanten en meer data verzamelen over de productie van de wijn, de herkomst van de ingrediënten en de omstandigheden tijdens teelt, transport en opslag.

Met al deze parameters zal het optimalisatiealgoritme meer en meer accurate voorstellen aanbieden rond het produceren van de beste wijn.

Lees ook zeker onze AI-fiches Productieparameters of Productontwikkeling.

‍