Doorlooptijden voorspellen
Van theorie naar praktijk
AI helpt je de doorlooptijden van orders nauwkeuriger te voorspellen alsook meer factoren in rekeningen te nemen tijdens die voorspellingen. Deze verbeterde voorspellingen resulteren in verschillende voordelen, zoals een hogere klanttevredenheid, nauwkeurigere leveringstijden, een reductie van je voorraad, een robuustere productieplanning en een verhoogde doorvoer.
Toepassingen
De doorlooptijd van een order wordt beïnvloed door een veelvoud aan factoren, zowel intern als extern, beheersbaar als onbeheersbaar, voorspelbaar als onvoorspelbaar. Met andere woorden: wil je een doorlooptijd manueel voorspellen, dan is dat in de praktijk vaak een hele opgave. AI vergemakkelijkt deze opgave voor je.
In de voedingsindustrie vind je bijvoorbeeld een heel deel factoren die het voorspellen van doorlooptijden bemoeilijken. Denk bijvoorbeeld aan kaasproductie. De doorlooptijd van kaasproductie is doorgaans heel gevoelig voor veranderingen in het productieproces, zoals wijzigingen in biomassa-, lactose-, en melkzuurconcentraties. Omdat dit heel fijne veranderingen zijn, is de impact op de doorlooptijden echter vaak moeilijk manueel te voorspellen. Met behulp van AI, kun je deze veranderingen veel dieper analyseren en zo nauwkeuriger de doorlooptijden voorspellen.
Ook bij het groeien van gewassen is de doorlooptijd voorspellen niet altijd even gemakkelijk. Vaak hangt deze groei af van externe variabelen zoals de weersomstandigheden. Deze externe variabelen bemoeilijken een manuele voorspelling, terwijl een nauwkeurige voorspelling je veel inzicht zou geven in het plannen van de oogst en distributie van die oogst. AI maakt het mogelijk om dergelijke externe factoren beter in rekening te nemen. Neem bijvoorbeeld het voorspellen van het optimale oogstmoment van doperwten, waar AI dat optimale moment nauwkeuriger voorspelt zeven dagen op voorhand dan een manuele voorspelling zou doen twee dagen op voorhand.
AI laat je ook toe om moderne productietechnieken zoals “Made To Order” makkelijker toe te passen. De doorlooptijd voorspellen bij Made To Order is moeilijk omdat bij elke order verschillende productieparameters en –processen komen kijken. Hoe groter het aantal verschillen, hoe complexer de doorlooptijd voorspellen wordt. Maar door AI te benutten, kun je met een goede accuraatheid doorlooptijden voorspellen voor Made To Order bestellingen.
Nog een omgeving waar verschillende productieparameters en –processen de doorlooptijd beïnvloeden, zijn restaurants die eten aan huis leveren. Waar klanten eten bestellen via apps met veel concurrerende restaurants, speelt het voorspellen van de levertijd een kritische rol. Je wil zo snel mogelijk je eten aanbieden, maar tegelijkertijd wil je klanten achteraf niet op hun eten laten wachten. De grote verscheidenheid aan maaltijden, onzekerheden in leveringsroutes, alsook de voorspelde vraag op in specifiek moment van bijvoorbeeld de dag of week, kun je met AI allemaal in rekening brengen om de doorlooptijd van een bestelling te voorspellen. Dat maakt plannen makkelijker en verhoogt uiteindelijk je klantentevredenheid. Online voedselleveringsplatformen zoals Ele.me passen dergelijke AI reeds toe.
Vereisten
Data
- Verplicht: Historische doorlooptijden en orderkenmerken
- Optioneel: kenmerken van omstandigheden
- ~Werkomstandigheden: capaciteit, personeel…
- ~Meteorologische omstandigheden
- ~Verkeersdrukte etc.
Hardware
- Standaard dataopslag en -dataverwerkingscapaciteit
Algoritme
- Regressie algoritme of tijdreeks algoritme
- ~Regressie algoritme
- ~~Lineaire regressie
- ~~Recurrent neuraal netwerk (LSTM)
- ~Tijdreeks algoritme
- ~~Univariaat: ARIMA, Exponential smoothing
- ~~Multivariaat: VAR, VARMA
Aandachtspunten
- Sectorspecifieke domeinkennis is vereist. Factoren die een impact hebben op de doorlooptijd zijn zeer sectorspecifiek. De kennis van een domeinexpert is onontbeerlijk om deze factoren correct te identificeren.
- Maak impliciete informatie in je dataset expliciet beschikbaar als attribuut. Feature engineering kan een enorme toegevoegde waarde hebben door factoren die impliciet in de data verborgen zitten, expliciet aan het algoritme mee te geven. Als archetypische voorbeeld verwijzen we naar de vastgoedsector, waar de vraagprijs per oppervlakte een betere voorspeller voor een korte verkooptijd is dan oppervlakte of verkoopprijs op zich.
- Je data bevat een spoor van bedrijfsprocessen. Process mining technieken kunnen gebruikt worden om verdere data enhancement te doen. I.p.v. de doorlooptijd te voorspellen kan je eerst de nodige processtappen voorspellen en aan de hand hiervan de doorlooptijd inschatten.
- De complexiteit van de oplossing kan variëren naargelang de benodigdheden. Wanneer je het probleem benadert als een typisch regressie-probleem, waarbij je op basis van orderkenmerken (en andere kenmerken die je aan het order kan koppelen) een doorlooptijd bepaalt, beperkt de complexiteit van dit probleem zich tot het identificeren van de juiste features. Wanneer je het probleem benadert als een sequentie van gebeurtenissen die uiteindelijk leiden tot een doorlooptijd, moet er aanzienlijk meer tijd gestoken worden in data transformaties en tuning van een neuraal netwerk.
Stappenplan
- Identificeer factoren die een waarschijnlijke impact hebben op doorlooptijd.
- Verzamel gegevens over historische orders en hun reële doorlooptijden.
- Verrijk de gegevens aan hand van input van domein experts
- Train een regressie-algoritme
- ~Splits de data in een training, validatie en test set
- ~Normaliseer de data
- ~Train een model
- ~Finetune het model
- Operationaliseer de oplossing
- ~Bouw een operationele data transformation pipeline
- ~Ontplooi het model
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
