Data analytics maakt de forecast van de consumentenvraag nauwkeuriger. In de food vertaalt zich dat in een beter financieel resultaat én minder milieu-impact. SAS biedt ‘democratische’ oplossingen, waarmee zowel de data scientist als de leek aan de slag kan om de vraag beter te voorspellen. En zelfs te sturen.
Analytics-specialist SAS helpt klanten met gestructureerde en schaalbare oplossing
Gevraagd naar de trends in food & beverage, stelt Sébastien Verhelst, senior manufacturing expert bij SAS: ‘In 2050 zal de aarde 10 miljard inwoners hebben en dus komt er meer vraag naar voeding. Bovendien wordt de consument veeleisender. Voeding moet gezonder zijn en de productie mag minder impact op de natuur hebben.’ Vergroening staat centraal en dat is een reden temeer waarom bedrijven proberen de complete waardeketen – van sourcing tot distributie – te bestrijken. Elke schakel heeft immers zijn eigen impact op natuur en/of milieu. De keten telt wel heel veel tussenschakels, constateert Verhelst. ‘Denk aan warehouses en distributiepartners. Je moet de vraag van de klant aan het eind van de keten in kaart brengen, anders krijg je onderweg in die keten bullwhip-effecten (opslingereffecten, red.). Afgelopen jaar zagen we dat in de coronacrisis: de eerste maand raakten de supermarkten leeg. Maar ook buiten coronatijd weten sommige bedrijven bijvoorbeeld niet wat het effect van promoties is, wat de beste timing is of wat er gebeurt als ze de prijs laten zakken of juist stijgen. Dat zorgt voor veel problemen in de keten.’
Sébastien Verhelst: ‘Als je de key drivers van de vraag weet, kun je simulaties doen om het effect te bepalen van bijvoorbeeld een promotie. Dan kun je prescriptive analytics gaan doen: wat zijn de beste settings in een campagne.’ Foto’s: SAS
Ketentransparantie
Het planningsprobleem heeft alles te maken met de trend van ketenoptimalisatie, verklaart Adriaan Van Horenbeek, manufacturing lead customer advisory Western Europe bij SAS. ‘Supplychains zijn zo lean & mean mogelijk ingericht. Alle verspilling moest eruit, waardoor we heel seriële supplychains hebben gekregen. Valt daar een blokje tussenuit, dan is er meteen een immens probleem. Om dat te kunnen opvangen, zullen we in de toekomst meer naar supply-netwerken en lokale sourcing gaan.’ En corona zal niet de laatste totaal onverwachte gebeurtenis zijn die de supplychain verstoort, vervolgt Verhelst. Dus is transparantie essentieel. ‘Veel bedrijven worstelen nog met die eerste stap, het verzamelen van real-time data uit verschillende bronnen, het opzetten van een platform voor data-analyse en het maken van modellen voor beschrijving en voorspelling. Excel is nog altijd de meeste gebruikte tool voor demand forecasting.’
‘Totale automatisering is niet aan de orde’
Als bedrijven om tafel gaan met SAS, specialist in advanced analytics en AI (artificial intelligence), is de eerste stap daarom awareness creëren, verklaart Van Horenbeek. ‘Wat kan data analytics voor hen betekenen? Samen kijken we naar interessante use cases om met data aan de slag te gaan en bepalen we hun businesspotentieel. Vervolgens volgt een korte pilot met een of meer haalbare cases om te bepalen of ze de toegevoegde waarde ook effectief realiseren. Met find fast, fail fast selecteren we zo snel mogelijk de case die hoog scoort op bedrijfswaarde en eenvoudige implementatie, om dan de stap naar industrialisatie te zetten. Waarbij we met een gestructureerde aanpak het datamodel implementeren in één businessunit. De laatste, vierde, stap is dan opschaling naar de gehele organisatie.’
Dit vierstappenplan is onderscheidend voor SAS, stelt Van Horenbeek. ‘Er zijn meer partijen die data analytics aanbieden, maar vaak weten ze het bij een bedrijf niet verder te trekken dan een proof of concept. Wij hebben meer dan 45 jaar ervaring in data en analytics en gaan voor langetermijnpartnerships waarin we oplossingen schaalbaar maken.’
Prescriptive analytics
SAS onderscheidt vier typen analytics: descriptive (rapporteren over data uit allerlei bronnen), diagnostic (analyses maken), predictive (voorspellen met algoritmes die gebaseerd zijn op machine learning en AI) en prescriptive analytics. Verhelst: ‘Als je de key drivers van de vraag weet, kun je daarmee spelen en simulaties doen om het effect van bijvoorbeeld een promotie of een productlancering te bepalen. Dan kun je prescriptive analytics gaan doen: wat zijn de beste settings in een campagne als ik zo veel mogelijk wil verkopen? Dat gaat nog een stap verder dan predictive, want nu zijn we actief aan het optimaliseren: wat is het beste scenario om de vraag van de klant te volgen en te beïnvloeden; van demand sensing naar demand shaping. Binnen food & beverage is altijd de uitdaging: de optimale balans vinden tussen service- en voorraadniveau. Je wilt een zo hoog mogelijk serviceniveau halen, maar wat is de meest efficiënte manier? Je kunt overal wel zo veel mogelijk voorraad aanleggen om altijd te kunnen leveren, maar te veel voorraad kost geld en kan ook zorgen voor meer afval. Zeker met bederfelijke foodproducten speelt dat.’
Kleine verschillen, groot effect
Een grote klant van SAS is supermarktketen Carrefour. Verhelst: ‘Zij gebruiken onze oplossing voor een betere downstream-planning: wat moet er bijvoorbeeld geleverd worden aan hun warehouses en hoeveel voorraad moeten ze houden in welke distributiecentra? Door point-of-sale informatie te integreren in hun analyses, kunnen ze ook een betere upstream-planning maken, waardoor ze veel gerichter naar leveranciers kunnen communiceren over welke producten ze nodig hebben en hoeveel.’
Een andere SAS-klant, voedingsconcern Nestlé, combineert eigen data met externe databronnen, vult Van Horenbeek aan. Hij illustreert dat weer met de coronacrisis. ‘De data rond de impact daarvan in China hebben ze gebruikt om het effect van corona op de vraag van klanten in Europa te simuleren. Zo konden ze het snelle pieken van de vraag vertalen naar Europa en een scherpere demand forecast krijgen. Dat is zeker succesvol geweest, met een verbeterde planning.’
Zulke kleine verschillen kunnen een groot effect hebben, verklaart Verhelst: ‘Bij Nestlé plannen ze voor meer dan 1 miljard producten per dag. Een paar jaar geleden zijn ze gestart om elke week nieuwe forecasts te maken op basis van historische, point-of-sale en externe data. Daarmee hebben ze de nauwkeurigheid van hun forecasts met procentpunten kunnen verbeteren.’
Lees Link magazine digitaal of vraag een exemplaar op: mireille.vanginkel@linkmagazine.nl
Drag & drop
De SAS-methodiek is ook toegankelijk voor mkb-bedrijven, benadrukt Van Horenbeek. ‘Een van onze slagzinnen luidt ‘Democratize AI’. Onze oplossingen werken allemaal met visuele interfaces, je hebt geen bataljon data scientists nodig om geavanceerde code te schrijven.’ Verhelst: ‘Op ons SAS-platform kan iedereen werken. Een ervaren data scientist kan er z’n eigen model op bouwen, bijvoorbeeld door met open source code te schrijven voor een specifiek businessprobleem. Maar ook iemand zonder kennis van advanced analytics kan met drag & drop een model bouwen.’
Intussen komen AI-technieken als deep learning en reinforcement learning op en liggen zelflerende systemen in het verschiet. Totale automatisering is echter niet aan de orde, aldus Verhelst. ‘Het is niet onze bedoeling dat bedrijven hun planningteams wegdoen. Nestlé bijvoorbeeld stuurt 70 procent van de forecasts automatisch door naar productie. Dat betreft stabiele producten, waarvoor de vraag of invloedrijke key parameters statistisch geïdentificeerd en geschat kunnen worden. Demand planning focust bij Nestlé op de andere 30 procent: onzekere vraag die de computer niet 100 procent kan voorspellen. Bijvoorbeeld voor producten met grote variaties in de vraag of nieuwe producten met weinig historie. Daarvoor moet informatie komen van marketing, finance, sales en producenten. Daar blijft het menselijke aspect enorm belangrijk en breidt Nestlé zijn team juist uit. Het repeterende werk wordt geautomatiseerd en de inhoud van functies verandert; planners worden analisten.’
