Wat als je een betere projectie had van de vraag naar je producten? Je zou minder weggooien, minder voorraad aanhouden en geen nee-verkopen hebben. Dankzij machine learning en big data worden de algoritmes voor het voorspellen van de vraag steeds complexer, geavanceerder en nauwkeuriger. De mogelijkheden zijn al beschikbaar.
Vraagvoorspelling kan doorlopend worden geüpdatet, waarbij real-time niet ondenkbaar meer is. Vraagvoorspelling is ook mogelijk voor nieuwe producten en nieuwe markten. Als je de vraag naar je bestaande producten goed begrijpt en weet op welke attributen consumenten reageren, kun je ook voorspellen wat nieuwe productvarianten zullen opbrengen. Dit bespaart kosten van markttesten en reduceert de time-to-market.
Naast de historische gegevens over de vraagontwikkeling kunnen ook lokale weersverwachtingen, veranderingen in de reacties van klanten op sociale media, prijswijzigingen van concurrenten en recente media-aandacht worden meegenomen. Niet alleen de nauwkeurigheid, maar ook de frequentie neemt toe.
Algoritmes zijn slechts zo goed als de data waarover zij kunnen beschikken.
Hetzelfde geldt voor het effect van het uitbreiden van je distributienetwerk. Als je al een redelijke schaalgrootte hebt, kun je goed voorspellen hoe succesvol de verkoop in een nieuwe regio of nieuw land zal zijn. Voorwaarde is wel dat er voldoende data beschikbaar zijn. Bij nieuwe producten, waarnaar de vraag nog moet worden gecreëerd, lukt dit uiteraard niet. Algoritmes zijn slechts zo goed als de data waarover zij kunnen beschikken.
In zijn nieuwe boek ‘Winnen met kunstmatige intelligentie’ gaat Willem Peter de Ridder in op de vele mogelijkheden die kunstmatige intelligentie bestaande organisaties biedt. Wat betekent dit voor businessmodellen, voor processen en voor kwaliteit?
Supply chain
In de supply chain wordt machine learning ook ingezet om de voorraden van reserveonderdelen te beperken. Een veel voorkomende belemmering is dat onderdelen in de administratie niet altijd de juiste classificaties hebben. Hierdoor komt het voor dat hetzelfde onderdeel onder meerdere artikelnummers bekend is en ook op meerdere plaatsen op voorraad wordt gehouden. Deze onduidelijkheid leidt tot verkeerde bestellingen en retouren.
In de supply chain wordt machine learning ingezet om voorraden van reserveonderdelen te beperken.
Grote voordelen worden al behaald door een eenduidige en elektronische vastlegging van de data te organiseren en ook hiervoor kan machine learning worden ingezet. Door middel van zowel supervised- als unsupervised-machine learningmethoden kun je onregelmatigheden in de database ontdekken (anomaly detection).
Voorspellingen
Stel dat je leverancier bent van machines en van de bijbehorende reserveonderdelen. Hoe meer data je van je klanten hebt over de staat en het gebruik van de machines, hoe nauwkeuriger je kunt voorspellen wie op welk moment welke onderdelen nodig heeft. Daar kun je je eigen voorraad op afstemmen én de bestellingen van de grondstoffen die je nodig om die onderdelen te produceren.
Route optimaliseren
In het vervoer over de weg, het water of het spoor kun je door middel van machine learning routes optimaliseren en wachttijden minimaliseren. Een goede, betrouwbare voorspelling van aankomst- en vertrektijden is zowel voor de vervoerder als voor de afhandeling ter plaatse van groot belang. De data die je hiervoor nodig hebt, komen uit zowel interne als externe bronnen.
Leestip: Hoe AI impact heeft op alle bedrijfsonderdelen
Naast commerciële leveranciers kennen we in Nederland tien basisregistraties, waaronder de BAG (Basisregistratie Adressen en Gebouwen), de BGT (Basisregistra-tie Grootschalige Topografie), de BRT (Basisregistratie Topografie), de BRO (Basisregistratie Ondergrond) en de BRV (Basisregistratie Voer-tuigen). Daarnaast komen data steeds vaker én realtime van sensoren en camera’s via het Internet of Things. Camera’s die net zo gemakkelijk op een vaste plaats kunnen staan als kunnen worden gemonteerd op een drone zijn goed in staat bijvoorbeeld nummerborden te lezen, objecten te identificeren en mensen te herkennen.
Robots worden steeds slimmer
In zowel logistiek als productie wordt de rol van robots belangrijker. Zij worden dankzij kunstmatige intelligentie steeds slimmer en op meer terreinen inzetbaar. De eerste robots in fabrieken waren relatief dom: zij stonden op een vaste plaats en voerden steeds precies dezelfde handeling uit. Moderne robots zijn uitgerust met sensoren en bewegen zelfstandig door de ruimte. Boston Dynamics deelt regelmatig indrukwekkende filmpjes van robots die deuren openen, door een park rennen en een achterwaartse salto maken.
Dankzij kunstmatige intelligentie worden robots steeds slimmer en op meer terreinen inzetbaar.
De technologie voor het herkennen van objecten en gezichten is zo goed geworden dat robots actief waarnemen wat er om hen heen gebeurt en daarop reageren. Zij botsen nergens tegenaan en als de robot in de weg loopt, kun je hem eenvoudig met je hand tegenhouden of een andere kant opsturen.
Robots die tussen en met mensen kunnen werken, noemen we cobots. Cobot is een samenvoeging van collaborative robot. Deze robots zouden zonder kunstmatige intelligentie niet kunnen functioneren. De afstemming van de activiteiten van de robots onderling en het aanpassen van routes in geval van een storing is volledig computergestuurd.Â
Verbeteren
Veel robots kunnen eenvoudig worden geprogrammeerd door de handeling een keer voor te doen. Een robotinstructeur (nieuw beroep) pakt de robotarm en maakt daarmee de juiste bewegingen. Dankzij machine learning is de robot in staat de handeling niet alleen te herhalen, maar ook te verbeteren.
Maar niet alles wat denkbaar is, kan al. Er wordt al lang gewerkt aan een robot die schappen kan vullen of de juiste producten uit een schap kan halen, maar dat blijkt nog ingewikkeld te zijn.
Betere processen dankzij kunstmatige intelligentie
Vaststaat inmiddels dat kunstmatige intelligentie en robots in een productieomgeving helpen processen te versnellen, kosten te verlagen en output te verhogen. Door de nauwkeurigheid van de machines neemt het aantal fouten af en de kwaliteit toe.
Ook de flexibiliteit kan zodanig worden vergroot dat je tegen redelijke kosten meer maatwerk kunt leveren en sneller kunt omschakelen. De uitval van machines wordt beperkt door sensoren die aangeven wanneer preventief onderhoud moet plaatsvinden.
Bron: Winnen met kunstmatige intelligentie, door Willem Peter de Ridder
Willem Peter de Ridder verzorgt een keynote tijdens Het Grote Kwaliteitscongres op 30 oktober 2020. Bekijk hier het programma en schrijf je in (vroegboekkorting tot 15 september 2020).
