Demand planners hoeven niet te vrezen voor hun baan

Met artificiële intelligentie kunnen veel taken van demand planners worden geautomatiseerd. Zelfs als het gaat over het aanpassen van forecasts. Dat betekent niet dat demand planners moeten vrezen voor hun baan, stellen de analyse-experts van SAS tijdens het op 24 maart gehouden SCM-webinar over cognitieve automatisering. ‘Integendeel, we willen hun functie juist verrijken.’

Door Marcel te Lindert

Tijdens de tweede golf van de pandemie zag een bierbrouwer uit Quebec opeens de vraag naar bepaalde biersoorten exploderen. Wat bleek? Vrouwen uit deze Canadese regio begonnen opeens massaal op sociale media hun biervoorkeur te delen. ‘Als we in onze modellen geen gebruik hadden gemaakt van externe bronnen zoals sociale media, hadden we deze onverwachte stijging niet kunnen verklaren. Nu was de brouwer in staat om proactief te reageren en de voorraden in de winkels zo snel mogelijk aan te vullen’, zegt Patrick Dittli, verantwoordelijk voor business development binnen de consumentenproducten- en retaildivisie van SAS.

Volgens de specialist in analysesoftware heeft de pandemie aangetoond dat interne data niet voldoende zijn voor het opstellen van een betrouwbaar demand plan. Externe data zijn nodig, om te beginnen natuurlijk de besmettingscijfers. ‘Maar denk ook aan economische indicatoren. In sommige landen herstelt de economie sneller dan in andere’, verklaart Dittli. ‘Of data over marktontwikkelingen en acties van concurrenten. Dat zijn signalen die iets zeggen over de ontwikkeling van de vraag. Die hebben we nodig om actief te kunnen sturen op service levels.’

Ensemble model

De technologie van vandaag maakt het gemakkelijk om die data automatisch in te laden, onafhankelijk van de bron of het bestandsformaat waarin ze beschikbaar worden gesteld. ‘Dat is het voordeel van cognitieve automatisering: het automatiseren van taken waar we voorheen nog mensen voor nodig hadden’, zegt Dittli. Hij noemt het voorbeeld van een foodretailer die de betrouwbaarheid van zijn forecast door het gebruik van externe data met maar liefst 12 procent zag stijgen. ‘De externe data maakten het verschil, samen met de toepassing van cognitieve automatisering en machine learning. De betrouwbaarheid van de forecast ligt nu boven de 90 procent.’

SAS heeft voor deze foodretailer een combinatie van verschillende modellen gebruikt. Dittli introduceert daarvoor de term ‘ensemble model’. ‘Een dergelijk model houdt rekening met verschillende aanpakken en combineert die op slimme wijze. Dat leidt niet alleen tot een betere forecast, maar tot optimalisatie van de hele supply chain. Dat model is geen black box meer, integendeel. We moeten de black box openen, zodat demand planners zien aan welke knoppen ze kunnen draaien om het model te finetunen.’

Worden planners overbodig?

SAS zet cognitieve automatisering in om het werk van demand planners gemakkelijker en beter te maken. ‘De vraag is wat de computer van ons kan leren, bijvoorbeeld als het gaat om aanpassing van de forecast. Wij doen niets anders dan forecasts aanpassen, bijvoorbeeld omdat ze zijn gebaseerd op achterhaalde data of omdat we bepaalde kennis hebben die niet in de forecasts is verwerkt. Maar wat is het effect van die aanpassingen?’, vraagt Dan Mitchell, director global retail & CPG practice bij SAS. De software van SAS detecteert wanneer een demand planner de forecast aanpast. Heeft de aanpassing de forecast daadwerkelijk beter gemaakt? ‘Wij willen daarvan leren. Misschien moeten we nog meer data toevoegen of meer rekening houden met bepaalde processen elders in de organisatie. Dat kunnen we vervolgens weer automatiseren.’

Mitchell geeft toe dat cognitieve automatisering veel demand planners schrik aanjaagt. Wordt hun baan niet overbodig als steeds meer taken worden geautomatiseerd? ‘Het tegendeel is waar. Nu zijn demand planners veel tijd kwijt met onder meer bewerken van data en telkens weer dezelfde aanpassingen doorvoeren. Slechts een klein deel van hun tijd blijft over voor taken die meer van hun intelligentie vragen en meer waarde toevoegen. Door cognitieve automatisering hebben ze daar wél tijd voor. Ze kunnen meer aandacht geven aan onderdelen van de supply chain waarvoor geen goede data en modellen beschikbaar zijn.’

Score voor elke planner

Cognitieve automatisering gaat dus niet over het vervangen van planners, maar over het ondersteunen van planners en het verrijken van hun functie. ‘Het manueel aanpassen van forecasts is soms nodig, bijvoorbeeld als bedrijven nieuwe markten betreden of producten introduceren. Alleen kunnen we niet verwachten dat de planners alles zien. Daarom willen we hen ondersteunen’, aldus Mitchell. Hij laat zien hoe de software van SAS per planner een score berekent, de ‘forecast value add’. Deze score geeft aan in hoeverre de ingrepen van een planner daadwerkelijk bijdragen aan een betere forecast. ‘Dat doen we niet om een competitie tussen de planners te starten. De scores zijn niet zonder meer te vergelijken. Het kan immers zijn dat de planner met de laagste score een heel lastige productcategorie heeft en daarom weinig succes behaalt met zijn ingrepen. Waarom we de forecast value add dan wel berekenen? Om daarvan te leren en tussen planners een discussie op gang te brengen.’

De software van SAS doet ook meer dan alleen die score berekenen. Elke keer als een planner de forecast ‘aanraakt’, wordt machine learning ingezet om het effect van de ingreep te bekijken. Mitchell: ‘Als de planner weer in een vergelijkbare situatie terechtkomt, gebruiken we dat inzicht om hem advies te geven over aanpassing van de forecast. En soms geven we het advies om de forecast juist níet aan te passen. Dat leidt tot een betrouwbaardere forecast, maar ook tot minder aanpassingen. Wij vertellen de planner immers wanneer hij wel of niet moet ingrijpen. De tijd die hij daardoor bespaart, kan hij inzetten voor belangrijkere zaken.’