ABS All Brake Systems in IJsselstein levert auto-onderdelen voor nagenoeg alle merken en modellen op de Europese wegen. Het productportfolio van het bedrijf bevat in totaal bijna 30.000 remdelen, stuurdelen en wiellagers. Voor klanten van ABS is het van groot belang nauwkeurig in te kunnen schatten hoeveel van welke producten zij in voorraad moeten houden om aan de vraag vanuit de markt te kunnen voldoen. Daarom werkt het bedrijf met een systeem dat de markt naar specifieke producten voorspelt. De hoeveelheid data is echter zo groot, dat ABS niet alle beschikbare informatie eruit kan halen. Om data sneller en nauwkeuriger te kunnen vergelijken, wil het bedrijf daarom in de toekomst gebruik gaan maken van machine learning.
‘We weten dat er meer informatie in de data zit’
Het systeem van ABS bevat zo’n 400 miljoen gegevens, die worden geanalyseerd met behulp van algoritmes. De algoritmes zijn ontwikkeld door data-analisten van het bedrijf in samenwerking met externe softwarespecialisten. ABS analyseert de informatie die deze algoritmes opleveren en combineert die tot rapportages voor klanten. Het systeem wordt gevoed met informatie uit uiteenlopende bronnen. ‘Een belangrijke bron is TecDoc van TecAlliance. Leveranciers van aftermarket auto-onderdelen kunnen in dit systeem gestandaardiseerde informatie aanleveren over hun producten. Deze catalogus bevat een enorme hoeveelheid data; in Europa rijden zo’n 30.000 verschillende typen auto’s rond, waarvoor zo’n 600 fabrikanten honderdduizenden producten leveren. Over al deze producten bevat TecDoc informatie’, vertelt Mats Hofstra, marketingmanager bij ABS.
‘Deze data combineren wij met allerlei andere gegevens. Denk aan transactiegegevens die inzicht geven in het aantal verkochte producten in specifieke landen, maar ook aan data van websites van andere fabrikanten van aftermarket auto-onderdelen. Daarnaast kopen we data over marktontwikkelingen in en verzamelen we gegevens bij statistiekbureaus als Eurostat’, aldus Hofstra. Op de data kunnen niet altijd direct algoritmes worden losgelaten. ‘Het is van belang dat data op dezelfde manier worden weergegeven, zodat je appels met appels vergelijkt. Als dit niet het geval is, proberen we de informatie alsnog vergelijkbaar te maken door deze anders vorm te geven.’
Complexe vergelijkingen
Genoemde vergelijkingen zijn erg complex. Zo hebben de 30.000 artikelen die ABS levert meer dan 1,1 miljoen crossreferenties met vergelijkbare producten van andere fabrikanten. ‘In de markt worden bijvoorbeeld meer dan 600 verschillende productnummers gehanteerd voor een remblokje voor een Toyota Corolla. Hoewel deze producten allemaal dezelfde functie vervullen, kunnen ze op belangrijke punten verschillen. Zo kan de samenstelling van een remblokje anders zijn, wat impact heeft op de levensduur’, verklaart Hofstra.
De vraag naar specifieke onderdelen wordt beïnvloed door uiteenlopende factoren. ‘Sommige automodellen leggen gemiddeld veel meer kilometers af dan andere. En ook het gemiddeld aantal kilometers dat automobilisten in een bepaald land met hun voertuig afleggen, kan fors verschillen. Ook zijn de kwaliteit van het wegdek, bepaalde strooimiddelen en de temperatuur in een land van grote invloed op de levensduur van producten.’
Algoritmes
Vanwege het grote aantal factoren is het handmatig vergelijken en analyseren van data geen optie. Daarom zijn er de genoemde algoritmes. ‘Op basis van de resultaten die deze algoritmes opleveren, stellen onze data-analisten rapportages op voor onze klanten. Deze rapportages geven inzicht in de verwachte vraag naar specifieke producten, wat ons helpt te zorgen dat de juiste voorraad op de juiste plek ligt’, zegt Hofstra. ‘Daarnaast geven de rapportages onze klanten inzicht in hun prestaties vergeleken met de rest van de markt. Is het aantal exemplaren dat een klant van een bepaald product heeft verkocht in verhouding met de totale verkoop van dit product in de markt? Zo niet, dan onderzoeken wij samen met de klant waarom de verkoop afwijkt en helpen we hem zijn prestaties te verbeteren.’
Link 1 2018
Machine learning
Ondanks de inzet van algoritmes vergen de vergelijkingen nog veel handwerk. Zo moeten data handmatig vergelijkbaar worden gemaakt en moeten data-analisten inzichten destilleren uit de resultaten van algoritmes. Dit levert beperkingen op. ‘We weten dat er meer informatie in de data zit, maar kunnen die momenteel niet uit de data distilleren. Met behulp van algoritmes op basis van machine learning kunnen grote hoeveelheden data sneller en nauwkeuriger worden vergeleken, waardoor die informatie wel beschikbaar komt’, aldus Hofstra. ‘Dit biedt kansen. Het is dan ook iets waarop wij ons in de toekomst meer gaan richten.’
Artikel uit Link 1 2018 meer informatie over machine learning
