Hoeveel worstjes voor het weekend?

Winweb ontwikkelt AI-gebaseerde afzetprognose

Knowhow van ontwikkelaars, de branchekennis van klanten en het perspectief van onderzoekers komen samen in het nieuwste project van softwarebedrijf Winweb: Gezamenlijk werd een methodiek op basis van kunstmatige intelligentie (AI) ontwikkeld die inzicht biedt in de oorzaken van bepaalde verkoopcijfers en deze gebruikt voor toekomstige prognoses.

„Hoeveel worstjes hebben we nodig voor het weekend?“ Die vraag stelt ongetwijfeld elk bedrijf in de vleesindustrie zich. 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 intuïtie van ervaren medewerkers. „Maar deze afhankelijkheid brengt aanzienlijke risico's met zich mee“, zegt Jan Schummers, Senior Software Engineer bij Winweb: „Het vertrek van een ervaren productieleider kan de financiële stabiliteit van het hele bedrijf in gevaar brengen.“ Daarom worden voorspellingssystemen in de sector steeds belangrijker en groeit de behoefte aan geautomatiseerde en nauwkeurige prognosemethoden.

Waarom traditionele prognoses tegen hun grenzen aanlopen

Dat benadrukt ook Andreas Mayer, die bij Michael Kleiber GmbH, een slagerij in Zwaben met eigen filialen, verantwoordelijk is voor de IT: „Er zijn veel verschillende factoren die de afzetvolumes beïnvloeden.“ Daartoe behoren seizoensschommelingen – Weense worstjes zijn in de winter populairder dan in de zomermaanden. Maar ook actuele aanbiedingen hebben invloed op de afzet: Als worstjes worden aangeprezen, worden er meer verkocht en moet er vooraf meer worden geproduceerd. Natuurlijk zijn ook het weer en week- of feestdagen bepalend voor de afzet. „Op dit moment is het voor ons niet mogelijk om de onderlinge afhankelijkheden tussen vergelijkbare producten die positief of negatief met elkaar correleren, het consumptiegedrag van klanten en vele andere factoren mee te nemen in een afzetprognose“, aldus Mayer. Bovendien kunnen handmatig slechts beperkte hoeveelheden gegevens worden geanalyseerd.

Een ERP-systeem dat verkoop- en bedrijfsgegevens verwerkt en met winweb-food ook bij Kleiber wordt gebruikt, is als basis voor prognoses al zeer belangrijk. Het maakt nauwkeurige prijscalculaties en strategische verkoop- en bedrijfsplanningen mogelijk en biedt speciale analyses voor klanten om de afzet in hun filialen te sturen. Conventionele tijdreeksanalyses voor afzetprognoses vertonen echter tekortkomingen bij het voorspellen. Ze zijn weliswaar nuttig voor de planning, maar volstaan niet om de onderliggende oorzaken van verkooppieken of -dalingen en seizoenstrends te verklaren. Vooral voor de productieplanning en filialen relevante afzetdagen kunnen daarmee slechts onvoldoende worden voorspeld.

Ook moderne machinelearningmethoden leveren nog geen bevredigende resultaten op. „Dit ligt niet aan de datakwaliteit of aan ontbrekende historische gegevens“, zegt Schummers. „Machine Learning maakt eenvoudigweg geen onderscheid tussen correlatie en causaliteit.“ Zo bestaat er bijvoorbeeld een verband tussen de verkoop van barbecuevlees en het vaker voorkomen van zonnebrand. „Dit ligt echter uitsluitend aan de gemeenschappelijke invloedsfactor – de zon – en er is geen ander verband.“ Het begrijpen en correct modelleren van mogelijke verbanden is echter essentieel om betrouwbare verkoopprognoses 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 verbeteren. In een studie heeft de software-engineer hiervoor causale artificiële intelligentie, kortweg Causal AI, samen met Large Language Models (LLMs) gebruikt om factoren te identificeren die de afzet beïnvloeden en het AI-model vervolgens daarop te trainen. „Als ERP-leverancier voor de volledige goederenstroom beschikt Winweb over de cruciale gegevens waarmee we gedetailleerde prognoses voor afzonderlijke producten kunnen opstellen en deze voorspellingen met werkelijke verkoopcijfers kunnen vergelijken“, legt Schummers uit. Bij Kleiber heeft hij zijn nieuwe methode in een realistische omgeving geïmplementeerd en getest.

Concreet ging het daarbij om de vraag of Causal AI en LLM's 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 mogelijkheden bieden om datagestuurde beslissingen te nemen“, zegt Schummers. Als basis werden boomdiagrammen gebruikt die samen met Kleiber zijn ontwikkeld en die de causale verbanden tussen de factoren die de AI beïnvloeden weergeven. In de praktijk moet Causal AI de filialen van Kleiber nog dit jaar ondersteunen bij het inschatten van de verkoopvolumes en vooraf aangeven welke factoren de afzet beïnvloeden.

De praktische toepassing van causale AI voor het voorspellen van verkoopcijfers van levensmiddelen is tot nu toe nog niet getest en is in deze context uniek, aldus de universiteit. „De eerste resultaten zijn zeer veelbelovend en overtreffen alle eerdere pogingen om de verkoop te voorspellen“, verklaart Schummers. Door LLMs te combineren met vakkennis kunnen nauwkeurigere en operationeel relevante prognoses worden opgesteld. „Dit heeft de weg vrijgemaakt voor een regelwerk dat als blauwdruk kan dienen voor de implementatie van prognoses bij onze klanten“, benadrukt Schummers.