Winweb ontwikkelt op KI gebaseerde afzetprognose

Developer-knowhow, de branchekennis van de klanten en de blik van de onderzoekers komen samen in het nieuwste project van het softwarehuis Winweb: Samen werd een methodiek op basis van kunstmatige intelligentie (KI) uitgewerkt, die de oorzaken van bepaalde verkoopcijfers begrijpt en voor toekomstige voorspellingen gebruikt.

„Hoeveel worstjes hebben we nodig voor het weekend?“ Deze vraag stelt zeker elk bedrijf in de vleesindustrie. Wordt er te veel geproduceerd, dan moet een deel worden weggegooid, wordt er te weinig geproduceerd, dan loopt het bedrijf winst mis. Momenteel vertrouwen veel bedrijven bij de productieplanning op de vakkennis en het onderbuikgevoel van ervaren medewerkers. „Maar deze afhankelijkheid brengt aanzienlijke risico's met zich mee“, zegt Jan Schummers, Senior Software Engineer bij Winweb: „Het verlies van een ervaren productieleider kan de financiële stabiliteit van het hele bedrijf in gevaar brengen.“ Om deze reden worden voorspellingssystemen in de branche steeds belangrijker en groeit de behoefte aan geautomatiseerde en nauwkeurige prognosemethoden.

Waarom traditionele prognoses hun grenzen bereiken

Dat benadrukt ook Andreas Mayer, die bij Michael Kleiber GmbH, een slagerij in Zwaben met eigen filialen, verantwoordelijk is voor de IT: „Er zijn allerlei invloedfactoren op de afzethoeveelheden.“ Daarbij horen seizoensschommelingen – Wiener worstjes zijn in de winter meer gevraagd dan in de zomermaanden. Maar ook actuele aanbiedingen hebben invloed op de afzet: Worden worstjes gepromoot, dan wordt er meer verkocht en moet er vooraf meer worden geproduceerd. Natuurlijk bepalen ook het weer evenals weekdagen of feestdagen de afzet. „Daarbij is het voor ons vanuit huidig perspectief niet mogelijk, de afhankelijkheden tussen vergelijkbare producten, die ofwel positief of negatief met elkaar correleren, het consumptiegedrag van de klanten en vele andere invloedfactoren voor een afzetprognose te gebruiken“, aldus Mayer. Bovendien kan men handmatig slechts kleine hoeveelheden gegevens analyseren.

Een ERP-systeem, dat verkoop- en operationele gegevens verwerkt en met winweb-food ook bij Kleiber wordt gebruikt, is als basis voor voorspellingen al zeer belangrijk. Het maakt nauwkeurige prijscalculaties, strategische verkoop- en operationele planningen mogelijk en biedt speciale analyses voor klanten, om de afzet in hun filialen te sturen. Maar conventionele tijdreeksanalyses voor de afzetprognose tonen zwakke punten bij de voorspelling. Ze zijn weliswaar nuttig voor de planning, maar zijn niet voldoende om de onderliggende oorzaken voor verkooppieken of -dalingen en seizoensgebonden trends te verklaren. Bijzonder relevante afzetdagen voor productieplanning en filialen kunnen daarmee slechts onvoldoende worden voorspeld.

Ook moderne Machine-Learning-benaderingen leveren nog geen bevredigende resultaten. „Dit ligt niet aan de gegevenskwaliteit of aan ontbrekende historische gegevens“, zegt Schummers. „Machine Learning maakt eenvoudigweg geen onderscheid tussen correlatie en causaliteit.“ Zo hangen bijvoorbeeld de verkoop van grillvlees en het vaker voorkomen van zonnebrand met elkaar samen. „Dit ligt echter alleen aan de gemeenschappelijke invloedsfactor – de zon – en heeft geen ander verband.“ Mogelijke verbanden te begrijpen en correct te modelleren, is echter essentieel om betrouwbare afzetprognoses voor de toekomst op te stellen.

Daarom heeft Schummers samen met de Universiteit Maastricht en Michael Kleiber GmbH een nieuwe methode onderzocht. Deze moet verkoopcijfers verklaren en daarmee de voorspellingen beter maken. In een studie heeft de software-ingenieur daarvoor causale kunstmatige intelligentie, kortweg Causal AI, samen met Large Language Models (LLMs) gebruikt om invloedsfactoren op de afzet te identificeren en vervolgens het AI-model daarop te trainen. ‘Winweb beschikt als ERP-aanbieder voor de volledige goederenstroom over de doorslaggevende gegevens die ons in staat stellen om gedetailleerde prognoses voor afzonderlijke producten op te stellen en deze voorspellingen met reële verkoopcijfers te vergelijken’, legt Schummers uit. Bij Kleiber heeft hij zijn nieuwe methode in een realistische omgeving geïmplementeerd en getest.

Daarbij ging het concreet om de vraag of Causal AI en LLMs in de praktijk effectief kunnen worden ingezet om besluitvormingsprocessen te ondersteunen en te verbeteren. „We willen de kloof tussen theorie en praktische toepassing dichten en onze klanten datagestuurde mogelijkheden voor besluitvorming aanreiken“, zegt Schummers. Als basis werden boomdiagrammen gebruikt, die samen met Kleiber werden ontwikkeld en die de causale verbanden van de beïnvloedende factoren voor de KI weergeven. Heel praktisch moet Causal AI de filialen bij Kleiber nog dit jaar ondersteunen bij het inschatten van de verkoophoeveelheden en vooraf de factoren benoemen die invloed hebben op de afzet.

De praktische inzet van Causal AI voor de voorspelling van verkoopcijfers van levensmiddelen is tot nu toe nog niet getest en is in deze samenhang uniek, aldus de universiteit. „De eerste resultaten zijn veelbelovend en overtreffen alle eerdere pogingen voor verkoopprognoses“, verklaart Schummers. Door de combinatie van LLMs en vakkennis kunnen nauwkeurigere en operationeel relevante prognoses worden opgesteld. „Dat heeft de weg vrijgemaakt voor een regelwerk dat een blauwdruk kan zijn voor de implementatie van prognoses bij onze klanten“, benadrukt Schummers.