De complexiteit van onze logistieke toevoerketen is de afgelopen jaren exponentieel toegenomen. Waar vroeger een goede bedrijfsstrategie genoeg was, lijkt nu het overwinnen van de complexiteit aan de kostenposten hét concurrentievoordeel te worden voor de komende jaren. In de kostenpost ‘voorraadbeheer’ wordt het mogelijk zelfs nóg uitdagender. Niet alleen de complexiteit moet overwonnen worden, maar er zijn ook de mensen die het moeten begrijpen. Dit is een uitdaging waar menig manager zich over bekommert (of toch zou moeten).
Vroeger was alles beter? Wel, in voorraadbeheer zou dat zomaar een juiste quote kunnen zijn. Al geeft het roepen hiervan natuurlijk geen oplossing.
Meer dan vijftig jaar geleden nam de kennis rond voorraadbeheer toe. De waarde van goed voorraadbeheer bleek enorm te zijn en dat vertaalde zich in kwaliteitsvolle literatuur rondom voorraadbeheer. Echter, er was geen sprake van computerkracht en oplossingen waren gebaseerd op gezond boerenverstand met daarnaast de nodige wiskundige analyse. Dit had het voordeel dat oplossingen transparant waren, niet veel moeite vroegen, mooie inzichten verschaften en vooral gericht waren op zogenaamde ‘quick wins’. De vraag die de lezende manager zich dan kan stellen: waarom het anders doen?
Er waren veel problemen in die tijd en nog meer problemen die zich vandaag de dag voordoen, die geen oplossing kennen met enkel wiskundige analyse en dat gezond boerenverstand als middel. Ook hadden veel oplossingen vaak strenge assumpties.
Brute-force
De tijd ging voorbij en al snel werd er veel energie gestoken in het zoeken van efficiënte oplossingen om die complexiteit te overwinnen. Vooral omdat een brute-force benadering, waarbij we elke mogelijke uitkomst evalueren en vervolgens de beste kiezen, vanuit een praktisch oogpunt helemaal niet voordelig was. Oplossingen werden, mede door de evolutie in artificiële intelligentie, gezocht in natuurlijke processen. Zo bleek dat onze vriend Charles Darwin met zijn evolutietheorie ook mogelijkheden bood in het benaderen van complexe problemen. Toch was, ook alweer door de groeiende interesse in artificiële intelligentie, machine learning dé techniek die de meeste aandacht kreeg.
Wellicht heeft de lezer al ooit de woorden ‘dbc-systeem’, ‘machine learning’, ‘IBM’ en het jaartal ‘1997’ in éénzelfde zin gehoord of gelezen. Het deep blue chess (dbc)-systeem van IBM leidt het verhaal in dat in 1997 plaats vond. Via machine learning slaagden zij erin om de wereldkampioen schaken te verslaan. Indrukwekkend zou men denken.
Toch zijn er wat haken en ogen aan dit verhaal. Zo werd er door interne medewerkers geroepen dat alle mogelijke combinaties op elk moment werden geleerd door de machine. Dit leunt natuurlijk meer aan tegen een brute-force benadering en zou het vooral indrukwekkend maken als het gaat over de computerkracht die toen werd tentoongesteld. Pittig detail: de wereldkampioen Garry Kasparov (of was IBM nu de wereldkampioen?) eiste een rematch en verdacht de machine van valsspelen. IBM weigerde en ontmantelde de machine vrijwel direct ernaar.
In 2016 kwam er echter wel een heuse tentoonstelling van de kracht van machine learning. Wederom werd er getracht om in een strategisch spel, ditmaal het spelletje ‘Go’, een machine het te laten opnemen tegen de absolute wereldtop. Ook hier slaagden ze in het opzet. Nu, ‘Go’ is anders dan schaken in de zin van het aantal mogelijke combinaties dat het heeft. We gooien er weer een pittig detail tegenaan: ‘Go’ heeft 10174 mogelijke bordconfiguraties. Om een idee te geven van deze omvang: dit zijn er één miljoen biljoen biljoen biljoen biljoen meer dan schaken. Dit maakte een brute-force benadering vrijwel onmogelijk.
Maar wat is dat dan, machine learning? En waarin verschilt het van brute-force en traditionele wiskunde? En waarom en wanneer moeten we het gebruiken? En wat is hier dan precies voor nodig? Dit zijn dingen waarover management iets moet kunnen roepen.
Middel maar geen doel
Machine learning is eerst en vooral verschillend van brute-force of de traditionele wiskundige door de leercomponent. De leercomponent stelt de machine in staat om verbanden en patronen in een datastructuur te ontdekken zonder het expliciet benoemen ervan. Het leert zowaar de ‘regels’ van het probleem. Dit maakt dat oplossingen ook op nieuwe, ongeziene situaties kunnen werken en we problemen met een hoge, onderliggende complexiteit en een hoge graad van onzekerheid kunnen aanpakken. En laat dat nu net zijn waar voorraadbeheer alsmaar meer mee te maken krijgt.
Het feit dat machine learning dus verschilt van andere oplossingsbenaderingen, creëert nieuwe, waardevolle mogelijkheden. Dit maakt het mogelijk om huidige technieken in bijvoorbeeld forecasting te verbeteren, maar ook om een heleboel andere vraagstukken aan te pakken waar enkele jaren geleden zelfs nog nooit aan gedacht werd: bijvoorbeeld het benoemen van de werkelijke kosten als we een item niet kunnen leveren. Of bepalen wanneer een item precies obsolete raakt. Maar ook wachttijdvraagstukken in productie management. Dit toont de mogelijke kracht van machine learning, maar tegelijkertijd ook waar veel managers de bocht missen.
Machine learning is in essentie niet meer dan toegepaste statistiek met de nadruk op het integreren van de huidige computerkracht. En met de toename van mogelijke databronnen en de verdere evolutie in rekenkracht k,an machine learning een enorm krachtige tool zijn. Maar dat is het dan ook: het is een middel, ‘just another tool in the box’. Het mag geen doel worden voor bedrijven om aan machine learning te doen.
Het doel binnen voorraadbeheer blijft om onzekerheid over al de aanwezige factoren te vertalen naar een optimaal beslissingsproces. Hier kan machine learning een belangrijke rol in spelen, maar dit vraagt om het juiste kader.
Elke voorraadoptimalisatie tool in een dynamische omgeving doet aan machine learning. De vraag die managers moeten stellen aan softwareleveranciers is niet ‘doen jullie aan machine learning’, maar ‘waarom en hoe doen jullie aan machine learning’.
De eerste vraag die moet gesteld worden is: ‘wat is een goede oplossing in voorraadbeheer?’ Of beter gezegd: ‘wat zijn de regels in optimalisatie?’. We kunnen er vier onderscheiden.
Reeds zeven eeuwen geleden introduceerde de Britse filosoof William of Ockham het probleemoplossende principe gekend als ‘Occam’s scheermes’. Dit principe zegt dat oplossingen met minder aannames, en dus simpelere oplossingen, beter zullen werken dan complexe oplossingen in de praktijk.
Een tijdje later (nou, een hele tijd) in 1906, kwam een ander belangrijk optimalisatie principe naar boven. De grote statisticus Francis Galton observeerde een competitie waarin het gewicht van een os geraden werd. Hij ontdekte dat de gemiddelde gok extreem dicht bij het werkelijk gewicht lag. Dit bleek echter geen eenmalige observatie te zijn. Dit ligt aan het feit dat iedereen op een andere manier naar een probleem kijkt. Het combineren van deze kijkwijzen elimineert de zwaktes in elke benadering.
Een ander principe was dat van de bekende managementconsultant Joseph M. Juran. Hij was diegene die het Pareto-principe (aha, de bekende 80-20 regel!) kon veralgemenen. Zo ook geldt dit principe in optimalisatie binnen voorraadbeheer: slechts een klein aantal oplossingen kan een zeer groot deel van de besparingen bij bedrijven opleveren. Deze worden ook wel ‘quick wins’ genoemd.
Het laatste principe kwam specifiek naar boven in het onderzoek naar machine learning: het ‘no-free-lunch’ principe zegt dat, als er geen voorkennis is, geen enkel optimalisatie algoritme als ‘beste’ kan beschouwd worden.
In de praktijk
Deze vier principes beschrijven mooi wat de ‘regels’ zijn binnen optimalisatie. Om machine learning als krachtig middel in te kunnen zetten, moet men zich dan ook houden aan deze regels. Wat volgt zijn enkele belangrijke richtlijnen.
Eerst en vooral moet management bepalen wat de gewenste uitkomst is alvorens naar machine learning te grijpen. Er moet gezocht worden naar die ‘quick wins’ en niet naar een mogelijkheid om machine learning te gebruiken.
Management moet ook uitzoeken waar en hoe machine learning significant beter kan werken dan andere, misschien eenvoudigere oplossingen. ‘Waarom grijpen we naar machine learning?’ is de vraag die in dit stadium gevalideerd moet worden. Met andere woorden: machine learning moet als benadering geëvalueerd worden tegenover andere benaderingen in termen van accuraatheid, rekentijd, robuustheid en nodige effort dat het vraagt aan de in- en output kant. Dit zou moeten resulteren in ‘business rules voor machine learning’.
Voorraadbeheer in de praktijk wordt gestuurd door korte-termijn beslissingen (ad-hoc beslissingen die de dagelijkse operatie definiëren), middellange-termijn beslissingen (voorgedefinieerde parameters die de operatie sturen) en lange-termijn beslissingen (een strategie dat het tactisch plan stuurt). Machine learning moet daarom niet enkel gebruikt worden om parameters te bepalen, maar om inzichten te geven over alle niveaus heen. Wat zijn de ‘root-causes’? Hiervoor is machine learning uitermate geschikt.
Deze richtlijnen kunnen vertaald worden naar een stap-voor-stap benadering dat moet leiden tot machine learning in zijn volle kracht als een middel voor voorraadoptimalisatie. Deze benadering bestaat uit vier vragen waarop een antwoord moet gevonden worden:
1. Is machine learning de best mogelijke oplossing voor het probleem in termen van resultaat en efficiëntie?
2. Welke taken en in welke volgorde – de juiste objectieven rondom voorraadbeheer in gedachten – leiden het meest efficiënt tot de beste oplossing? Hiermee bedoelen we specifieke machine learning taken als classificatie en regressie.
3. Welke technieken, configuratie en resources zijn noodzakelijk voor de vorige stap? Hier duiden we op menselijke en machine resources, specifieke machine learning technieken en de theoretische configuratie ervan.
4. Wanneer een oplossing gevonden is; op welke manier kunnen we deze verbeteren in termen van simpliciteit en de opgedane kennis vertalen naar nieuwe avonturen in machine learning?
‘Machine learning kan een zeer krachtige tool zijn in het moderne voorraadbeheer, zolang we het in een optimalisatiekader gebruiken. Dit kader vraagt de juiste kennis, het juiste proces en gedegen onderzoek.’
Roep om aktie
Wat moet management nu doen? Vanuit dit oogpunt moeten ze vooral zoeken naar mogelijkheden van machine learning binnen de eigen onderneming. Een goede tip is om te zoeken naar uitdagingen waar het welzijn van het bedrijf erg op steunt, maar er onvoldoende inzichten zijn om een goed antwoord te geven en waar er voldoende gegevens beschikbaar zijn. Dit betekent dat er veel voorbeelden zijn van de uitkomst en de evolutie er naartoe in termen van data.
Voorbeelden in de praktijk zijn onder andere:
- Het optimaliseren van een totaal promotiebeleid;
- Optimale sourcing met verschillende aanlevermogelijkheden;
- Het leveren van forecasting en inzichten voor onregelmatige en nieuwe items.
Management moet weten dat machine learning van goudwaarde kàn zijn, indien het goed gedaan wordt. En dit vraagt een heel sterk tactisch niveau, vooral als het gaat over de kennis en ervaring op gebied van machine learning en voorraadoptimalisatie. Een sterke aanbeveling voor management is dan ook om een strategische partner te vinden die veel kennis en ervaring bezit in dit soort technologieën, het vakgebied voorraadoptimalisatie en de nodige randvoorwaarden kent om te begeleiden in deze innovatie, maar ook in toekomstige innovaties. Enkel op die manier kan er een antwoord geboden worden aan de huidige en toekomstige complexiteit dat het concurrentievoordeel van ondernemingen sterk zal beïnvloeden. En ook hier bezorgt onze wijze vriend meneer Darwin ons weer een gouden raad.
‘It is not the strongest or smartest of the species that survives but the most adaptable’, aldus Charles Darwin
De auteur gelooft sterk dat machines, met de huidige technologieën en die technologieën die aan de deur van de toekomst staan te kloppen, menselijke intelligentie in bijna alle gebieden snel zullen overstijgen. Maar de ervaring van machine learning in de praktijk leert ons dat menselijke creativiteit in voorraadbeheer altijd noodzakelijk zal zijn.
Steven Pauly, senior consultant en research scientist bij Slimstock
