AI-gedreven precisie: Transformatie van voorspellingen voor bederfbare levensmiddelen

Het voorspellen van echte vraag is altijd een uitdaging geweest, en het is met name moeilijk voor voedselbedrijven die opereren in verse en bederfbare categorieën. Tegelijkertijd is nauwkeurige voorspelling essentieel voor upstream toeleveringsketenplanning en -uitvoering, en het verminderen van voedsel- en financieel afval.

In tijden van marktinconsistentie zoals de COVID-19-pandemie, zijn de meeste voorspellers achtergelaten met grijpen naar de waarheid — proberen te balanceren tussen typische vraagpatronen en de impact van hamsteraankopen, categorietekorten en logistieke complexiteiten.

Zelfs in 'normale' marktomstandigheden, zonder afstemming en zichtbaarheid rond een enkele, consumptie-gedreven voorspelling, worden upstream leveranciers (detailhandelaren, groothandelaren, en producenten) achtergelaten om hun eigen, gesiloede voorspellingen te genereren.

Wanneer voorspellingen onafhankelijk worden gemaakt, worden vooroordelen, fouten en veiligheidsvoorraden gecomponeerd, omdat elke voorspelling alleen de ordergeschiedenis, patronen, prijsfluctuaties, en reële of waargenomen beschikbaarheid van inputs van haar directe downstream partner in de keten weerspiegelt.

Deze 'bullwhip effect', waarbij een plus- of min-5% verandering in daadwerkelijke consumentenvraag upstream leveranciers beïnvloedt tot wel 40% in beide richtingen, betekent dat het handhaven van een consistent nauwkeurige voorraad, zelfs in de beste tijden, uitdagend is. Vandaag, tijdens de pandemie, is het onmogelijk.

De Belofte Is Hier

Het gebruik van technologie om partners in de toeleveringskete te verbinden is niet nieuw, maar de afgelopen decennium is het niet zo effectief geweest als gehoopt.

Echter, we hebben een nieuw kantelpunt bereikt in ons vermogen om technologie te gebruiken om efficiënt talloze vraagsignalen te incorporeren. Big-data analyseplatforms, kunstmatige intelligentie (AI), machine learning, en agile voorspellingsmodellen spelen allemaal een belangrijke rol in het genereren van significant betrouwbaardere voorspellingen. Ten slotte worden tools die deze technologieën benutten bewezen, en zijn we in staat om door de toeleveringsketen te kijken en al zijn data op een manier te gebruiken die eerder niet mogelijk was.

AI-gedreven vraagvoorspellingsplatforms vertrouwen niet op historische verkoopmodellering zoals veel traditionele vraagplatforms. In plaats daarvan gebruiken ze dynamische vraaginvloedders, algoritmen, realtime data en cloudtechnologie om gedrag en trends nauwkeurig te voorspellen.

Bijvoorbeeld, publiekdemografische en leefstijltrends, winkelpatronen, weersgebeurtenissen, handelsheffingen en detailhandelsmarketinginitiatieven hebben allemaal significante impact op kopergedrag en vraagnauwkeurigheid. Maar deze data woont typisch in meerdere, gedisconnecteerde repositories.

Door algoritmen en voorspellende analyse te gebruiken, analyseren AI- en machine-learning-aangedreven vraagvoorspellingsplatforms massive hoeveelheden data ongeacht waar het woont. Deze technologie kan automatisch de meest relevante factoren identificeren die consumentenvraag beïnvloeden, veranderingen in vraag en kopergedrag van tevoren anticiperen, chargebacks verminderen, en onbevooroordeelde probabilistische voorspellingen over toekomstige vraag leveren.

Het ontgrendelen van het potentieel van al deze data stelt niet alleen nauwkeurigere vraagvoorspellingen in, maar ondersteunt ook een holistische benadering van voorraadbeheer. Naarmate het vertrouwen in de voorspellingsnauwkeurigheid groeit, kunnen initiële voorraadsaldi op lagere niveaus worden gehouden — terwijl nog steeds aan klantvereisten wordt voldaan.

Ook, omdat AI en machine learning inputs zo snel kunnen verwerken, wordt inzicht geleverd solange het nog zinvol is. Actie kan worden ondernomen om de veranderende vraag of beschikbaarheid van verse of bederfbare items en partner- of consumentenbehoeftes te beantwoorden. Wat als tijdens de pandemie, verse groente- en vleesleveranciers in staat zouden zijn geweest om sneller te verpakken en de levering te verschuiven van restaurant groothandel naar consumentenwinkels?

De United Fresh Produce Association schatte dat de algehele groente- en fruitindustrie ten minste 40% van de verkoop zal verliezen tijdens de COVID-19-uitbraak. En hoewel niet al dit kan worden verplaatst naar consumentenwinkels of detailhandel, zijn merken die sneller kunnen overstappen dan hun concurrenten in staat om meer omzet en banen te beschermen.

Slimmere Technologie

AI-gedreven voorspellingsplatforms passen meerdere algoritmen toe om automatisch de meest relevante metrics voor elk product of SKU in het systeem te bepalen. Tijd besteed aan verzamelen, updaten, integreren, en reconciliëren van concurrerende data uit meerdere spreadsheets wordt geëlimineerd, wat voorspellingsprofessionals in staat stelt hun tijd te besteden aan het optimaliseren van vraag en coördineren met andere afdelingen zoals marketing om nieuwe inkomstenstromen te vinden. De waarde van samenwerking tussen afdelingen en externe partners, opererend vanuit een enkele bron van waarheid, kan niet onderschat worden.

Resultaten van het gebruik van AI-gedreven modellen zijn overtuigend. Nounós Creamery gebruikte recent zo een tool om vraagvoorspelling te automatiseren en de tijd die besteed werd aan voorspellen van twee uur per week naar slechts 10 minuten te verlagen. Leiders bij Nounós waren gefrustreerd door gebrek aan echte inzichten, en verspilden waardevolle uren en geld door handmatig data te vergelijken uit hun boekhoudsoftware en voorraadsysteem. Dit proces bood slechts een vaag gevoel van hoeveel yoghurt het bedrijf moest produceren, en welke smaken te prioriteren.

Nounós was in staat om data uit alle relevante bronnen op te halen en te vertrouwen op de algoritmen om voorspellingsaanbevelingen te maken. De projecties zijn zo nauwkeurig dat het bedrijf overproductie met 40% verminderde bijna onmiddellijk, wat significante inkomsten in productverlies bespaarde. Het heeft ook Nounós in staat gesteld de daadwerkelijke verwachte vraag voor elke smaak te anticiperen, wat grotere efficiëntie in het productieproces dreef.

Deze nieuwe benadering van vraagvoorspelling groeit in adoptie om financiële redenen, maar ook omdat het hoogschaalbaar is. Het werkt net zo goed voor specialiteitsvoedselmerken als voor grote multinationale merken. Consumentengedreven vraagvoorspelling is hier om te blijven. Het gebruik van de nieuwste analyse en technologie presenteert een enorme kans om de bullwhip effect te temmen, en vraag op het exacte juiste punt te bevredigen.

Are Traasdahl is co-founder en CEO van Crisp.