Hoe AI de voorspelling van bederfelijke voedingsmiddelen verandert

Het voorspellen van de werkelijke vraag is altijd een uitdaging geweest, en het is vooral moeilijk voor voedingsbedrijven die actief zijn in de categorieën vers en bederfelijk. Tegelijkertijd zijn nauwkeurige prognoses essentieel voor de planning en uitvoering van de toeleveringsketen en voor het verminderen van voedselverspilling en financiële verspilling.

In tijden van marktinconsistentie, zoals de COVID-19-pandemie, hebben de meeste voorspellers de waarheid vastgehouden - in een poging om typische vraagpatronen in evenwicht te brengen met de impact van paniekaankopen, categorietekorten en logistieke complexiteit.

Zelfs in "normale" marktomstandigheden, zonder afstemming en zichtbaarheid rond een enkele, verbruiksgestuurde prognose, worden stroomopwaartse leveranciers (retailers, groothandelaren en producenten) overgelaten om hun eigen, verzuilde prognoses te genereren.

Wanneer prognoses onafhankelijk worden gemaakt, worden vooroordelen, fouten en veiligheidsvoorraden vergroot, omdat elke prognose alleen de bestelgeschiedenis, patronen, prijsschommelingen en werkelijke of vermeende beschikbaarheid van inputs van de directe downstream-partner in de keten weerspiegelt.

Dit bullwhip-effect, waarbij een verandering van plus- of min-5% in de werkelijke consumentenvraag een impact heeft op upstream-leveranciers met maar liefst 40% in beide richtingen, betekent dat het handhaven van een consistent nauwkeurige voorraad, zelfs in de beste tijden, een uitdaging is. Vandaag, tijdens de pandemie, is het onmogelijk.

De belofte is er

Het gebruik van technologie om partners in de toeleveringsketen met elkaar te verbinden is niet nieuw, maar in het afgelopen decennium was het niet zo effectief als gehoopt.

We hebben echter een nieuw kantelpunt bereikt in ons vermogen om technologie te gebruiken om op efficiënte wijze tal van vraagsignalen op te nemen. Big-data-analyseplatforms, kunstmatige intelligentie (AI), machine learning en flexibele prognosemodellen spelen allemaal een belangrijke rol bij het genereren van aanzienlijk betrouwbaardere prognoses. Ten slotte hebben tools die gebruikmaken van deze technologieën zich bewezen, en kunnen we door de hele toeleveringsketen kijken en al zijn gegevens gebruiken op een manier die voorheen niet mogelijk was.

AI-gestuurde vraagvoorspellingsplatforms zijn niet afhankelijk van historische verkoopmodellering zoals veel traditionele vraagplatforms. In plaats daarvan gebruiken ze dynamische vraagbeïnvloeders, algoritmen, realtime gegevens en cloudtechnologie om gedrag en trends nauwkeurig te voorspellen.

Demografische en levensstijltrends van het publiek, winkelpatronen, weersomstandigheden, handelstarieven en marketinginitiatieven van retailers hebben bijvoorbeeld allemaal een aanzienlijke invloed op het gedrag van kopers en de nauwkeurigheid van de vraag. Maar deze gegevens bevinden zich meestal in meerdere, niet-verbonden opslagplaatsen.

Met behulp van algoritmen en voorspellende analyses analyseren AI en door machine learning aangedreven vraagvoorspellingsplatforms enorme hoeveelheden gegevens, ongeacht waar deze zich bevinden. Deze technologie kan automatisch de meest relevante factoren identificeren die van invloed zijn op de vraag van de consument, van tevoren anticiperen op veranderingen in de vraag en het kopersgedrag, terugboekingen verminderen en onbevooroordeelde probabilistische voorspellingen over de toekomstige vraag leveren.

Door het potentieel van al deze gegevens te benutten, kunnen niet alleen nauwkeurigere vraagprognoses worden gemaakt, maar wordt ook een holistische benadering van voorraadbeheer ondersteund. Naarmate het vertrouwen in de nauwkeurigheid van prognoses toeneemt, kunnen de aanvankelijke voorraadsaldi op een lager niveau worden gehouden, terwijl toch aan de eisen van de klant wordt voldaan.

Omdat AI en machine learning input zo snel kunnen verwerken, wordt inzicht geleverd terwijl het nog steeds zinvol is. Er kan actie worden ondernomen om te voldoen aan de veranderende vraag of beschikbaarheid van verse of bederfelijke producten en de behoeften van partners of consumenten. Wat als leveranciers van verse producten en vlees tijdens de pandemie bijvoorbeeld in staat zouden zijn geweest om de bezorging sneller te herverpakken en te verschuiven van de groothandel in restaurants naar de supermarkten voor consumenten?

De United Fresh Produce Association schatte dat de totale AGF-sector tijdens de uitbraak van COVID-19 ten minste 40% van de omzet zal verliezen. En hoewel dit niet allemaal kan worden verschoven naar de supermarkt of de detailhandel, kunnen merken die sneller kunnen overstappen dan hun concurrenten, meer inkomsten en banen beschermen.

Slimmere technologie

AI-gestuurde prognoseplatforms passen meerdere algoritmen toe om automatisch de meest relevante statistieken voor elk product of SKU in het systeem te bepalen. De tijd die wordt besteed aan het verzamelen, bijwerken, integreren en afstemmen van concurrerende gegevens uit meerdere spreadsheets wordt geëlimineerd, waardoor prognoseprofessionals hun tijd kunnen besteden aan het optimaliseren van de vraag en het coördineren met andere afdelingen, zoals marketing, om nieuwe inkomstenstromen te vinden. De waarde van samenwerking tussen afdelingen en externe partners, opererend vanuit één enkele bron van waarheid, kan niet worden onderschat.

De resultaten van het gebruik van AI-gestuurde modellen zijn overtuigend. Nounós Creamery heeft onlangs zo'n tool gebruikt om vraagprognoses te automatiseren en de tijd die aan prognoses wordt besteed te verminderen van twee uur per week tot slechts 10 minuten. Leiders bij Nounós waren gefrustreerd door een gebrek aan echt inzicht en verspilden kostbare uren en geld door handmatig gegevens uit hun boekhoudsoftware en voorraadbeheersysteem te vergelijken. Dit proces gaf slechts een vaag idee van hoeveel yoghurt het bedrijf zou moeten produceren en welke smaken prioriteit moesten krijgen.

Nounós was in staat om gegevens uit alle relevante bronnen te halen en op de algoritmen te vertrouwen om voorspellingsaanbevelingen te doen. De prognoses zijn zo nauwkeurig dat het bedrijf de overproductie vrijwel onmiddellijk met 40% verminderde, waardoor aanzienlijke inkomsten uit productverlies werden bespaard. Het heeft Nounós ook in staat gesteld om te anticiperen op de daadwerkelijk verwachte vraag naar elke smaak, waardoor het productieproces efficiënter wordt.

Deze nieuwe benadering van vraagvoorspelling wordt steeds populairder om financiële redenen, maar ook omdat het zeer schaalbaar is. Het werkt net zo goed voor speciale voedingsmerken als voor grote multinationale merken. Consumentgestuurde vraagvoorspelling is niet meer weg te denken. Het gebruik van de nieuwste analyses en technologie biedt een geweldige kans om het bullwhip-effect te temmen en precies op het juiste moment aan de vraag te voldoen.

Are Traasdahl is mede-oprichter en CEO van Crisp.