Toepassingen
.

Leverancierselectie

Van theorie naar praktijk

Het is belangrijk een leverancier te kiezen die bij de noden van jouw bedrijf past. Factoren zoals de productkwaliteit, tijdige leveringen, en de beschikbaarheid van de leveranciers spelen bij deze keuze een belangrijke rol. AI helpt een juiste balans te vinden tussen al deze verschillende factoren en geeft je een rangschikking van de meest geschikte leveranciers, keurt verschillende leveranciers goed of niet goed, of voorziet je met een verdeelmodel die specifieke orders bij de juiste leveranciers plaatst.

Toepassingen

De juiste leveranciers kiezen voor je productieproces kan een enorme strategische meerwaarde betekenen. In de voedingsindustrie heb je echter al snel een hele reeks criteria waaraan een leverancier moet voldoen, wat een leverancierselectieproces niet makkelijk maakt. Ook heb je vaak vage factoren zoals markvariaties die het selectieproces beïnvloeden, maar waar je zelf geen rechtstreekse controle over hebt. Hoewel dergelijke factoren een manueel selectieproces bemoeilijken, bestaan er AI-analyses die specifiek vage factoren in rekening kunnen nemen om de juiste leverancier te selecteren. Wanneer je al een tijd samenwerkt met een leverancier, kan een dergelijke AI-analyse je overigens ook een idee geven van hoe goed die leverancier in de toekomst nog bij je zal passen.

Een concreet voorbeeld: bij de selectieprocedure van leveranciers van jonge cheddarkaas paste een cheddarkaas verwerkingsbedrijf verschillende AI-technieken toe om de performantie van de leveranciers te evalueren. Op basis van verschillende factoren zoals de prijs en de klantenservice, slaagde dit bedrijf erin om een AI met een hoge accuraatheid (90%+) de juiste leverancier te laten selecteren.  

De dag van vandaag zijn echter misschien niet enkel de klassieke factoren zoals prijs en klantenservice relevant, maar ook de duurzaamheid. Deze relatief nieuwe factor brengt een heel nieuwe dynamiek met zich mee. Om deze dynamiek te integreren in het leveranciersselectieproces, is er een toenemende interesse om AI te benutten. Dat kan op verschillende manieren, denk bijvoorbeeld aan een AI die de geografische oorsprong van asperges automatisch achterhaalt, wat je meer kijk geeft op de grondstoffen die een leverancier je levert. Ook het in rekening nemen van ecologische elementen zoals de uitstoot van sulferdioxiden tijdens het wijnmaakproces is een mogelijkheid.  

Tot slot kun je AI gebruiken om niet enkel de huidige, maar ook de toekomstige factoren in rekening te nemen. Bij een voedselproducent wiens grondstofkosten voor 95% gelinkt zijn aan de prijs van bloem, bleek de producent met behulp van AI in staat te zijn om de variaties in verschillende soorten bloem te linken aan de uiteindelijke kwaliteit en opbrengst van het eindproduct. Als producent geeft dergelijke informatie over de uiteindelijke opbrengst een enorm strategisch voordeel om de juiste leveranciers te selecteren. Overigens weet je ook niet altijd wat de vraag naar je product gaat zijn, terwijl die vraag wel de keuze van een leverancier beïnvloedt. Als je grote vraag hebt, verkies je misschien een leverancier die wat duurder is, maar wel de vraag aankan. Door de leveranciersselectie te combineren met vraagvoorspelling (zie toepassing vraagvoorspelling), kun je door middel van AI veel beter inspelen op de vraag naar je product.

Vereisten

Data

  • Data of indictors over
  • ~Kost (prijzen, logistieke kosten, tarieven)
  • ~Kwaliteit (kwaliteitsscore, defecten, waarborgen)
  • ~Service (compliance, responstijd, stabiliteit, doorlooptijd, flexibiliteit, communicatie)
  • ~Leverancierseigenschappen (kwaliteitslabels, toeleveringscapaciteit, technologische mogelijkheden, financiële stabiliteit, digitale maturiteit, innovatie, relatie, governance systemen, reputatie, locatie)
  • ~Risico’s (politieke stabiliteit, economische stabiliteit, geweld, milieu)

Hardware

  • Standaard dataopslag en data verwerking

Algoritme

  • Scoring algoritme (met oog op een rangschikking van leveranciers)
  • Classificatie-algoritme (voor een binaire APPROVED vs. NOT APPROVED beslissing)
  • Optimalisatie-algoritme in geval van uitkomst waarbij aankooporders verspreid worden over eerdere leveranciers

Aandachtspunten

  • Beschikbaarheid van data is hier de grootste hinderpaal  
  • ~Veel van de gegevens die nodig zijn om een leverancier te kiezen zijn niet direct beschikbaar als data. Er zijn een aantal strategieën om hier mee om te gaan.
  • ~~Gebruik maken van indicatoren i.p.v. echte metingen. Kwaliteit kan je bijvoorbeeld niet altijd meten, maar aantal klachten, aantal defecten of effect op productiviteit wel.
  • ~~Opzetten van een volledig project op zich om een onderbouwde score te berekenen (bijv. voor kwaliteit).
  • ~~Abstractie maken van de inputs die niet voorhanden zijn.
  • ~Selectie van leveranciers gebeurt slechts sporadisch, waardoor vaak weinig longitudinale datapunten beschikbaar zijn om een model op te trainen.
  • ~Evaluatie van een gekozen leverancier gebeurt niet altijd structureel of formeel.
  • ~Van nieuwe leveranciers zijn zeer weinig gegevens beschikbaar. Deze moeten bekomen worden via referenties en/of assumpties.
  • Bepaal eenduidig wat je model moet voorspellen. Je dient een duidelijke keuze te maken in de uitkomst de je verwacht van je machine learning model. Verwacht je een go/no go beslissing per leverancier? Verwacht je een rangschikking van leveranciers? (En wil je deze beslissing dan nemen voor een leverancier als geheel, of is deze order-afhankelijk?) Of verwacht je een spreiding van orders over verschillende leveranciers?
  • Zorg voor een fit met de operationele context. Je hoort na te denken over de manier waarop je oplossing in je bedrijfsproces past. Hoe vaak doe je supplier selection? Welke mate van menselijke input/controle is vereist? Welke data heb je nodig om deze selectie te maken? Op welke manier worden de resultaten van je algoritme verwerkt?
  • Omkaderende ontwikkeling vereist. De oplossing kan gepaard gaan met de bijkomende ontwikkeling van ondersteunende software in de vorm van een dashboard, mobiele app, webapp... die gebruikt zal worden door een uiteindelijke beslissingsnemer.

Stappenplan

  • Bepalen van supplier selection process inclusief positie van algoritme in het proces
  • ~Inclusief verwacht resultaat van het algoritme: label, ranking of verdeling.
  • Identificeren van benodigde en beschikbare data voor supplier selection
  • ~Inclusief eventuele order-eigenschappen en vereisten
  • Ontsluiten van benodigde data voor supplier selection, eventueel door aankoopdata, manuele registraties, vernieuw registratie of monitoringsysteem...
  • Voorverwerken van beschikbare data
  • ~Verwerken van foutieve en ontbrekende waardes
  • ~Feature engineering: expliciet toevoegen van impliciete gegevens
  • Indien OK/Not OK toepassing:
  • ~Selecteren van classificatiealgoritme
  • ~Eventuele manuele labeling van leveranciers
  • ~Opsplitsen van data in training, validatie en test set
  • ~Normaliseren van data
  • ~Trainen en valideren van classificatiealgoritme
  • Indien verdeling van orders
  • ~Vastleggen van te optimaliseren indicatoren
  • ~Vastleggen van doelfunctie i.f.v. orderverdeling
  • ~Eventueel trainen van algoritme om supplier-kwaliteit te voorspellen i.f.v. ordereigenschappen en/of andere eigenschappen
  • ~Uitvoeren van optimalisatietechniek
  • ~Valideren van resultaten
  • Operationaliseren van oplossing
  • ~Operationaliseren van data pipeline
  • ~Operationaliseren van ML model
  • ~Ontwikkelen en testen van ondersteunende software
  • ~Inkoppelen in bedrijfsproces
  • Monitoren van oplossing

Partners

Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.