De opkomst van cloud computing, smart devices en IoT hebben allemaal geresulteerd in een enorme data-explosie. Tegen 2025 is het bedrag gegevens verdubbelen elke 12 uur. AI heeft nu het vermogen om gegevens veel efficiënter te consumeren dan mensen, en biedt zo de mogelijkheid van inzichten en voorspellingen die nog nooit eerder waren voorgesteld. Maar McKinsey meldt dat slechts 33% van de organisaties effectief interne en externe gegevens gebruikt om te profiteren van AI-mogelijkheden.
Het voorspellen van de toekomstige vraag met traditionele methoden in het licht van een veranderende markt kan een ernstige belemmering vormen voor het zicht op wat ons te wachten staat. Veel bronnen bevestigen dat het belangrijkste obstakel voor het bereiken van supply chain-doelen en -doelstellingen de voorspelde nauwkeurigheid en vraagvariabiliteit blijft. Deze trend zet zich door ondanks de investeringen die velen hebben gedaan in technologie om de vraag van klanten beter te voorspellen.
De convergentie van gegevens en technologie voor inzicht in de vraag
Beeldfragment van LLamasoft Supersonische vraagmodellering eBook
Waarom blijft deze uitdaging zo wijdverbreid? Een van de klanten van LLamasoft voor vraagoplossingen, Donald Anderson, adjunct-directeur analyse, Air Mobility Command - US Air Force, maakte een zeer aangrijpende verklaring: “Onze eerdere methodologie was het voorspellen van tijdreeksen. Dit werkt geweldig ... totdat de wereld verandert. '
Dit is dan de kern van het probleem voor velen. Traditionele trendvoorspelling van tijdreeksen betekent doorgaans een inside-out benadering, waarbij vaak wordt vertrouwd op de historische, interne gegevens van een organisatie om de vraag te voorspellen. Het gevaar is dat er geen rekening wordt gehouden met externe factoren die de markt voortdurend beïnvloeden. Veranderingen gaan sneller dan binnen de vier muren van de huidige bedrijven. Gegevens groeien exponentieel, technologie blijft verstoren, klanten vragen omnichannel-koopervaring en bedrijven worstelen voortdurend met macro-economische omstandigheden en industriële complexiteit. Hoewel historische prestaties nuttige inzichten kunnen bieden over wat de toekomst in petto heeft, gebeurt er veel te snel om te vertrouwen op interne statistieken van de achteruitkijkspiegel.
"Deze inside-out benaderingen laten veel blinde vlekken achter en bedrijven lopen plat op hun kop als de zaken snel veranderen, 'legt Dr. Madhav Durbha, LLamasoft Group Vice President of Industry Strategy, uit.
Effectief reageren op complexiteit en volatiliteit is in toenemende mate afhankelijk van het vermogen van organisaties om gegevens - intern en extern - op te nemen en de gegevens tijdig te verwerken tot intelligente inzichten. In de wereld van data en AI werken de meeste organisaties met een allegaartje van verouderde technologieën waarin ze miljoenen dollars hebben geïnvesteerd die ze eenvoudig niet kunnen uitschakelen. Ze worden echter gedwongen om in hun respectievelijke industrieën te concurreren met de digitale inboorlingen die bedrijfsmodellen bouwen die de kracht van gegevens en algoritmen volledig omarmen.
Hoe kan een organisatie de belofte van krachtige inzichten benutten voor betere vraagvoorspellingen met data en technologie? Betreed de praktische acceptatie van digitale transformatie via platforms, applicaties en voorspellende modellen, gevoed door een fundamentele datalaag, aangedreven door AI en mogelijk gemaakt met real-world scenariotests.
- AI-aangedreven patroonherkenning
Hier wordt AI toegepast op het historische vraagsignaal van een bedrijf om het op een onpartijdige manier te demystificeren. De technologie leert zelf van complexe vraagpatronen (bijv. Signalen van meerdere seizoenen, niet-lineaire trends, vertragingen, niveauverschuivingen, enz.) En vindt gemeenschappelijke groepen voor segmentatie om het juiste model voor te schrijven. Vraaggestuurde AI-modellen zijn in wezen gesloten-lussystemen. Terwijl ze beslissingen nemen, monitoren en passen ze zich aan veranderingen in de gegevens aan.
- Interne en externe causalen
Zodra complexe patronen uit historische gegevens zijn geïdentificeerd, is de volgende stap het inbrengen van de effecten van interne en externe oorzakelijke factoren om het vraagsignaal te verbeteren en de belangrijkste vraagfactoren te kwantificeren. Interne variabelen kunnen zijn: prijs, promoties, levenscycli van producten en verkooppuntgegevens. Er is een schat aan externe gegevens die kunnen worden verwerkt, zoals macro-economische indicatoren zoals het BBP en de consumentenprijsindex, regionale weergegevens, marktaandeelgegevens, consumentensentiment, demografische trends en nog veel meer.
- Wat-als-scenario's
De mogelijkheid om wat-als-scenario's te modelleren voor nauwkeurigere voorspellingen is de hoeksteen van de vraagmodellering van de volgende generatie. Dit is het cruciale punt waar organisaties oorzaak en gevolg kunnen overwinnen door vraagscenario's en gevoeligheden te testen op verschillende niveaus van granulariteit. Door deze scenario's te verdiepen in vraagmodellen met meer diepgang en voorspelbaarheid, worden besluitvormers voorbereid op veranderende omstandigheden.
- Probabilistische prognoses op korte termijn
AI kan ook een sterke rol spelen bij het onderscheiden van patronen en het leveren van inzichten voor prognoses op korte termijn. Door werkelijke bestellingen te voorspellen met behulp van gegevens zoals paginaweergaven en huidige voorraadposities van leveranciersportals, kunnen bedrijven aanbevelingen voor voorraadpositionering opstellen door de afweging te maken tussen voorraden versus overtollige voorraad, waardoor ook de serviceniveaus aanzienlijk worden verbeterd.
Organisaties zien dat ze opnieuw kunnen uitvinden hoe ze voorspellen met de nieuwste AI-technologieën. Cloud computing zorgt voor schaalvoorspelling. AutoML (geautomatiseerd machine learning) helpt bij het bouwen van effectievere modellen. Hiërarchische prognoses zorgen voor een betere afstemming van top-down en bottom-up prognoses. En algoritmen die profiteren van deep learning leveren verbeteringen door middel van cross-learning, waarbij interne en externe gegevensinvoer wordt gebruikt om patronen te detecteren. De resulterende inzichten bieden organisaties de mogelijkheid om zich aan te passen aan veranderende externe dynamieken en om bedrijfsbreed beslissingen te nemen over schaalbaarheid van de toeleveringsketen, sourcingstrategieën, routekaarten voor productportfolio's en capaciteitsplanning kunnen het verschil betekenen tussen concurrentiedominantie en veroudering.
Omdat nooit normaal het nieuwe normaal is, is het nu tijd voor marktleiders om een AI-aangedreven, outside-in benadering te gebruiken om de vraag te voorspellen. Om meer te leren over AI-gestuurde vraagmodellering, download hier uw gratis e-book.
Vikram Srinivasan, Senior Director Product Management bij Lamasoftleidt oplossingen voor vraagvoorspelling en inzichten. Hij is primair verantwoordelijk voor de algehele productstrategie van dit aanbod en beheert een bedrijfsplan om het gebruik van klanten uit te breiden, de penetratie van klanten te vergroten en de productomzet te verhogen. Hij werkt ook samen met marktanalisten en marktleiders in de sector om het bewustzijn van deze oplossingen te vergroten. Voorafgaand aan zijn huidige functie werkte Vikram als Senior Consultant bij LLamasoft aan meerdere projecten die verschillende ontwerpproblemen in de supply chain oplosten. Hij behaalde zijn MS in Industrial Engineering (Major: Operations Research) aan de Ohio State University.
Bron: https://logisticsviewpoints.com/2020/03/24/ai-forecasting-demand/
