ABC-analyse
Van theorie naar praktijk
ABC-analyse is een methodiek om artikelen in verschillende categorieën in te delen die elk op hun eigen manier kunnen behandeld en opgevolgd worden, bijvoorbeeld belangrijke en minder belangrijke artikelen. AI bied je meer flexibiliteit in welke factoren je opneemt in je analyse, wat leidt tot o.a. een gebalanceerde voorraad, een verhoging van het service-level, het vermijden van obsolete stock, efficiënter locatiebeheer en een sterker productengamma.
Toepassingen
In een ABC-analyse gebruik je typisch een opdeling waarin de A-categorie, een klein deel van de producten, verantwoordelijk is voor een groot deel van het resultaat, terwijl de B- en C-categorie een groot deel van de producten omhelst, maar slechts beperkt bijdraagt aan het resultaat. Zowel de criteria die gebruikt worden voor de opdeling als de grenzen die daarbij gehanteerd worden zijn arbitrair. Een analyse blijft traditioneel ook beperkt tot simpele criteria zoals jaarlijkse opbrengst en eenheidskosten.
Het toepassen van AI tijdens een ABC-analyse laat je toe om meer criteria in rekening te brengen en meer gedetailleerde resultaten te bekomen. Deze gedetailleerde resultaten kunnen leiden tot bijvoorbeeld een betere fysieke indeling van het magazijn, wat tot meer efficiëntie leidt. Overigens kun je een ABC-analyse ook combineren met andere AI-technieken zoals vraagvoorspelling (zie toepassing vraagvoorspelling), wat je toelaat om niet enkel beslissingen te nemen op basis van historische gegevens, maar ook op basis van toekomstige vooruitzichten.
Vereisten
Data
- Productkenmerken
- ~Indien reeds bekend voor aankoop, kan ook voor nieuwe, nog niet verkochte producten een ABC-analyse gemaakt worden
- Uitkomsten van ABC-analyses op gekende producten
Hardware
- Standaard dataopslag en -verwerking
Algoritme
- Classificatie-algoritme
- ~Lineaire regressie
- ~Decision tree / random forest
- ~Extreme gradient boosting
- ~Neuraal netwerk
Aandachtspunten
- Start simpel. Je begint best eerst met eenvoudige voorspellingsalgoritmes zoals lineaire regressie en decision tables. Pas als deze geen accurate voorspellingen kunnen maken, schakel je over op xgb en pas finaal neurale netwerken.
- Beleidskeuzes spelen een rol. De uitkomst van de ABC-analyse kan onderhevig zijn aan bepaalde beleidsbeslissingen (voorraadkost per eenheid, verkoopprijs). Het classificatiealgoritme zou gebruikt kunnen worden om te analyseren of de ABC-categorie verandert gegeven een verschillende beleidskeuze.
- Transparantie kan nuttig zijn. Transparante methodes zoals lineaire regressie en decision trees laten je toe om achteraf inzicht te krijgen in welke factoren een belangrijke rol spelen bij het classificeren van een product. Indien je vooral gefocust bent op het classificeren van nieuw aan te kopen producten, dan is deze transparantie geen vereiste.
- Jij bepaalt de richting. ML algoritmes hebben altijd een bepaald doel nodig. M.a.w. ze kunnen gebruikt worden om een (1) bepaalde afhankelijke variabele (zoals bijv. kost) te optimaliseren of (2) om patronen tussen gekende variabelen te ontdekken. Het algoritme kan dus niet zelf bepalen welk resultaat je het best zou optimaliseren met je ABC-indeling. Het kan enkel een indeling maken om (1) een gekozen resultaat te optimaliseren of (2) op basis van vorige ABC-classificaties leren hoe je nieuwe producten moet classificeren op basis van eigenschappen die een grote voorspellende kracht hebben.
Stappenplan
- Verzamel de resultaten van voorgaande, manuele ABC analyses
- Verzamel productkenmerken van de producten die de ABC analyse ondergaan hebben
- ~Indien je de ABC analyse straks wil uitvoeren voor nieuwe producten, selecteer dan enkel eigenschappen die gekend zijn op moment van aankoop
- Train een classificatiealgoritme op de verzamelde dataset
- ~Splits je dataset in een training en test set
- ~Train en finetune een algoritme
- ~Beoordeel prestaties, besteed aandacht aan verkeerd voorspelde producten
- Operationaliseer je ML model
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
