Machine learning voor doe-het-zelvers

Kunstmatige intelligentie biedt enorme kansen, maar voor bedrijven die een afwachtende houding aannemen, is het een bedreiging. Technologische kennis en een proactieve houding zijn cruciaal. In ‘Data science for supply chain forecast’ van Nicholas Vandeput worden waardevolle handreikingen gedaan op het vlak van machine learning. Verplichte kost voor iedereen die zich niet weg willen laten vagen door de concurrentie uit China en de VS.

Vandeput legt in dit boek uit wat de toegevoegde waarde is van machine learning ten opzichte van traditionele forecast-methoden en het gebruik van Excel. Hij legt het niet alleen uit, hij laat het je ook ervaren. Dat werkt aanstekelijk: op iedere bladzijde word je uitgenodigd om zelf aan de slag te gaan en te onderzoeken hoe machine learning ook voor jouw supply chain tot een betere forecast kan leiden.

Statistische forecasttechnieken baseren zich op vraaghistorie en trekken die door naar de toekomst op basis van een trend- of seizoenspatroon. De kracht van machine learning is dat je rekening houdt met (heel veel) andere indicatoren die van invloed zijn op de vraag, zoals weer, social media en verkoopcijfers van alternatieve producten. Of je met al die data daadwerkelijk tot een betere forecast kunt komen, dat is wat je met dit boek proefondervindelijk kunt bepalen.

Dit is geen boek voor managers, maar meer voor supply chain-planners en analisten. Basiskennis van statistiek en technieken als exponential smoothing is gewenst, maar niet noodzakelijk. In het boek wordt alles in detail uitgelegd met handige verwijzingen naar websites waar je bijvoorbeeld kunt leren programmeren in Python of datasets kunt doorrekenen.

‘Data science for supply chain forecast’ (2018), Nicolas Vandeput. Uitgegeven in eigen beheer, 223 blz., €28,99