Vraagvoorspelling
Van theorie naar praktijk
Met een vraagvoorspelling wil je een zo goed mogelijke inschatting maken van het aantal diensten of producten dat klanten in de nabije toekomst zullen afnemen. AI helpt je een hogere nauwkeurigheidsgraad voor deze inschatting te bekomen, alsook deze inschatting in real-time uit te voeren. Dit geeft je verschillende voordelen zoals een beter voorraadbeheer, minder vervallen producten, lagere distributiekosten, en minder gemiste verkoopmomenten.
Toepassingen
Verschillende factoren beïnvloeden de vraag naar een product, denk maar aan de kostprijs, de kwaliteit, het seizoen, enz. Omwille van de eenvoud wordt daarom tijdens een klassieke vraagvoorspelling slechts een beperkt aantal factoren in rekening gebracht, met een minder nauwkeurige voorspelling als gevolg. AI laat je toe om meer factoren mee te nemen én in meer detail te de invloed van elke factor vast te leggen.
In de voedingsindustrie is accurate vraagvoorspelling uitermate belangrijk. Je zit namelijk vaak met beperkt houdbare producten, en die kun je niet simpelweg opslaan wanneer de vraag wat minder is. Enerzijds wil je toch dat klanten de producten die ze verwachten, kunnen kopen. Anderzijds wil je vermijden dat te veel producten overblijven, dat bespaart je zowel onnodige onkosten als een hoop afval.
Denk bijvoorbeeld aan supermarkten die genoeg eigen-merk producten in de rekken willen hebben liggen. AI kan deze supermarkten helpen om een betere productieplanning te generen door de toekomstige vraag van deze producten te voorspellen. Door een dergelijk systeem gebaseerd op historische verkoop- en voorraaddata toe te passen, heeft een Zuid-Afrikaanse supermarktketen bijvoorbeeld significante verkoopsgroei gebracht. Wanneer je de toekomstige vraag voor je product weet, kun je natuurlijk ook veel beter de gepaste prijs voor het product berekenen.
Ook voor restaurants is een dergelijke vraagvoorspelling relevant. In universiteitrestaurants is het bijvoorbeeld zeer moeilijk om te voorspellen hoeveel studenten op een bepaalde dag komen en welke maaltijden ze zullen bestellen. AI kan dan helpen om het aantal studenten en de benodigde maaltijden beter in kaart te brengen. Op basis daarvan bereiden ze dan de juiste en de juiste hoeveelheid maaltijden voor. Voor gewone restaurants geldt dit natuurlijk ook. Denk maar aan de impact van lokale evenementen en vakanties op het aantal klanten dat restaurants bezoekt. Ook hier kan AI een belangrijke rol in spelen.
Niet enkel geeft een betere vraagvoorspelling in deze gevallen een betere winstmarge, maar het vermindert uiteindelijk ook de afvalberg. Proefprojecten met AI bij supermarktketen Delhaize hebben op dit gebied zeer belovende resultaten gebracht, met een 21% vermindering van afval.
Tot slot gebruikte het Amerikaanse voedingsbedrijf Kellogg's AI-gedreven vraagvoorspelling om lopende promoties aan te passen. Je wil natuurlijk geen promotie maken voor producten die niet op voorraad zijn. Door de toekomstige out-of-stock van bepaalde producten te voorspellen op basis van de vraag, wijzigde Kellogg's zo hun promotionele strategie. Ook het Britse supermarkttechnologie Ocado paste een gelijkaardige techniek toe, waar ze promoties toepasten op producten die ze snel wilden verkopen.
Vereisten
Data
- Verplicht
- ~Historische gegevens over bestellingen
- Optioneel
- ~Historische prijsinformatie
- ~Klanteninformatie / demografie van klantenpopulatie
- ~Marketingcampagnes & sales acties
- ~Socio-Economische indicatoren
- ~Prijzen en marketingcampagnes van substituut producten
- ~Data over evenementen, gebeurtenissen & aankondigingen
Hardware
- Standaard dataopslag en data verwerking
Algoritme
- Regressie algoritme of tijdreeks algoritme
- ~Regressie algoritme
- ~Lineaire regressie
- ~Recurrent neuraal netwerk (LSTM)
- Tijdreeks algoritme
- ~Univariaat: ARIMA, Exponential smoothing
- ~Multivariaat: VAR, VARMA
Aandachtspunten
- Bepaal termijn en voorspellingshorizon. Er dient een geschikt aggregatieniveau en een geschikte tijdshorizon bepaald te worden. M.a.w. willen we voorspellingen per locatie, per kanaal, per outlet, per product…? Willen we voorspellingen per dag, per week, per maand, per jaar? En hoeveel dagen, weken, maanden, jaren willen we vooruit kunnen voorspellen. Enkele guidelines:
- ~Voor strategische planningsbeslissingen (zoals bijv. het al dan niet openen van een nieuwe outlet in een bepaalde regio): Lange termijn voorspellingen over meerdere jaren.
- ~Voor tactische planningsbeslissingen (zoals bijv. inzetten van personeel en resources): weken of maanden.
- ~Voor operationele planningsbeslissingen aangaande inkoop van traag roterende voorraad: weken of maanden.
- ~Voor operationele planningsbeslissingen aangaande inkoop van snel roterende voorraad: dagen of weken.
- Documenteer welke data wanneer beschikbaar is. Indicatoren die nuttig zouden zijn voor een voorspelling zijn niet altijd tijdig beschikbaar. Socio-economische indicatoren, bijvoorbeeld, zijn vaak pas gekend voor afgelopen periodes, maar niet voor de periode waarvoor je een voorspelling wilt doen.
- Denk na over het verwerken van eenmalige gebeurtenissen. Gebeurtenissen en aankondigingen zijn vaak eenmalig. Om bruikbaar te zijn dienen deze samengevoegd te worden tot categorieën zoals bijv. positieve en negatieve aankondigingen. Een ML algoritme kan dan proberen een globaal effect van “een” negatieve en positieve aankondiging te leren.
Stappenplan
- Vastleggen van voorspellingshorizon (1 dag, 1 week, 1 maand, 1 jaar?) en scope (per product? Per productgroep? Per divisie? Per regio? Per winkeltype?...)
- Verzamelen van een panel van domeinexperten en identificeren van factoren die een (mogelijke) impact hebben op verkoopcijfers.
- Vastleggen van strategie i.v.m. data captatie voor de geïdentificeerde factoren.
- Verzamelen van benodigde data
- Voorverwerken van data
- ~Aggregeren van data naar gewenst tijdsinterval
- ~Synchorniseren van tijdsintervallen voor verschillende data sources
- ~Opsplitsen van data in training en test set
- ~Normaliseren van beschikbare data
- Bouwen van ML model
- ~Trainen van een tijdreeks-algoritme of een regressie algoritme
- ~Finetunen van het model op basis van performantie op de validatieset
- Evalueren van model
- ~Evalueren performantie op test set
- ~Evaluatie van gebruikte variabelen
- ~Go/ No go beslissing i.v.m. deployment
- ~Operationaliseren van model
- ~Operationeliseren van data captatie
- ~Operationaliseren van data pipeline
- ~Deployen van model
- ~Integreren van model in bedrijfsprocessen
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
