Machine learning in voorraadoptimalisatie

We leven in een mooie tijd. Tenminste, als we kijken naar technologie. De technologische mogelijkheden lijken oneindig; bepaalde zaken die tot voor kort tot de fantasiewereld behoorden, zijn inmiddels werkelijkheid. En dit alles met de volgende basisingrediënten: wiskunde, data en computerkracht. Of ook wel de winnaar van de populariteitsprijs 2019: machine learning.

Actief in voorraadoptimalisatie beperk ik me hier tot wat machine learning voor mijn vakgebied kan betekenen. En dan zie ik dat het vanuit theoretisch perspectief een echte game changer is, maar dat de landing in de praktijk daarin achterblijft. Hoe komt dit?

Ik denk door twee redenen. Enerzijds is er bij veel bedrijven een gebrek aan data en computerkracht. Wat vele mensen niet weten, is dat de kracht van machine learning sterk correleert met de hoeveelheid en kwaliteit van data. Maar ook de computerkracht moet er zijn – en ik zie dat veel bedrijven gewoon nog niet klaar zijn met deze combinatie.

Begrip machine learning nog té abstract

Anderzijds is het begrip machine learning nog té abstract voor veel mensen, althans de mensen die ermee moeten werken. En dit is problematischer dan we denken. Het gebrek aan kennis van een nieuwe technologie in een vakgebied waar van oudsher mensen aan de knoppen zitten, is een ware uitdaging. Als mensen niet begrijpen hoe beslissingen tot stand komen, zullen ze die ook niet snel accepteren.

En daarom is de uitdaging om machine learning op de juiste manier te implementeren. Met meer oog voor procesbewaking, transparantie en resultaat. Voor de acceptatie is het belangrijk dat processen niet meteen te rigoureus op de schop gaan. De manier waarop de technologie tot uitkomsten komt, moet meer inzichtelijk worden gemaakt. En we moeten laten zien wat de toegevoegde waarde is voor een bedrijf en hoe de investering zich terugverdient.

Vraagstukken oplossen

Aan bovenstaande randvoorwaarden wordt op dit moment nog niet voldaan. Hiervoor is aanvullend theoretisch onderzoek nodig en meer praktijkgerichte cases. Zit er dan wel toekomst voor machine learning in voorraadoptimalisatie? Ja hoor! Veel mensen zien het nog als enkele leuke algoritmes. Dit is fout. Machine learning is een nieuwe, betere manier van vraagstukken oplossen doordat we met een relatief simpele structuur zeer complexe zaken efficiënt kunnen aanpakken.

Machine learning zal dus  onvermijdelijk zijn plaats afdwingen binnen voorraadoptimalisatie. Al zal dit dus nog even op zich laten wachten omdat veel bedrijven de échte waarde ervan nog niet kunnen ontsluiten op ons vakgebied. Maar ook hier dienen de technologiepartners als katalysator. En u weet wat ze zeggen: de mooiste dingen laten het langst op zich wachten.

Steven Pauly, research data scientist bij Slimstock