Het gebruik van ai is binnen drie jaar cruciaal voor effectief supply chain-management – voor zover dat nu al niet het geval is. Zoals McKinsey ook al aangeeft, ‘is ai een mogelijke gamechanger omdat het mogelijkheden biedt om grote hoeveelheden data te analyseren, relaties te begrijpen, transparantie te creëren in [supply chain-]werkzaamheden en betere besluitvorming ondersteunt.’
Ai heeft zijn waarde eigenlijk allang bewezen, maar het venijn zit in de details. Zo is ai enigszins vormloos te noemen, zonder eenduidige definitie en open voor talloze interpretaties. Het idee dat ai alles kan zijn, heeft ertoe geleid dat bedrijven oplossingen aanbieden die als ai zijn aangekleed en een antwoord bieden op elk probleem dat je maar kunt bedenken. Het probleem hierbij is echter het bepalen of die ai (als dat echt is wat ze aanbieden) daadwerkelijk goed is. Er zijn immers geen standaarden voor ai. Geen labels, geen beoordelingen, geen metingen. En dat zorgt ervoor dat het giswerk wordt, want niemand weet wat de maatstaven zijn of hoe de nauwkeurigheid moet worden gedefinieerd.
Gevoed door data
Ai wordt gevoed door data. Hoe mooi het omhulsel ook is, hoe interessant het verhaal ook is, ai is zo goed als de data die worden gebruikt. Het maakt ook niet uit hoe geavanceerd de ai is, als er gebrekkige data worden gebruikt, is het zinloos. Binnen de supply chain-logistiek begint elke vorm van geavanceerde analyse en daaruit voortvloeiende automatisering met een fundament van schone, allesomvattende, kwalitatieve data over transportvisibility. Naar schatting is tussen de twintig en dertig procent van de data in de supply chain niet bruikbaar. Verschillende aanbieders van oplossingen nemen dit serieus en hebben technieken voor machine learning ontwikkeld voor het opschonen van data. Hierdoor wordt er een solide basis gelegd voor een goede transparantie en data-analyse.
Zonder data van de hoogste kwaliteit kan een realtime transport visibility (rttv)-platform bijvoorbeeld niet de essentiële inzichten voor supply chain-management produceren. Denk aan dynamische estimated time of arrivals (eta’s), proactief uitzonderingsbeheer, inzicht in leveranciers en gedeelde inzichten.
Toch begrijpen veel supply chain-managers niet goed wat de basisvereisten zijn voor een effectieve inzet van supply chain-analyse. Dat is niet hun schuld, want er is een organisatorische focus vereist om datageletterdheid te bereiken. Ze komen hierdoor echter wel in een lastig parket als ze data-gebaseerde oplossingen voor hun meest urgente problemen willen evalueren.
De meeste supply chain-managers zien wel in hoe veelbelovend ai echt is, maar hoe voorkomen zij nu dat ze een kat in de zak kopen? Hoe zorg je er dus voor dat je de juiste ai-oplossing kiest?
Simpel vraag
Het kiezen van een ai-oplossing begint met een simpele vraag: wat wil je er eigenlijk mee bereiken? Dat klinkt misschien eenvoudig, maar vaak worden er oplossingen gezocht en gekocht zonder te kijken waar de uitdaging precies zit.
Sommige supply chains zijn afhankelijk van nauwkeurigheid. Stel je eens een leverancier voor die moet weten wanneer vrachtwagens in het magazijn aankomen, zodat bijvoorbeeld de personeelsbezetting is te bepalen. Hebben ze voor deze dienst drie medewerkers nodig die vrachtwagens lossen? Of hebben ze voor deze shift één medewerker nodig en voor de volgende zes? En wanneer neem je de beslissingen rondom een dienst eigenlijk? De ochtend voordat deze begint of al aan het begin van de week? En wanneer laat je het personeel iets weten?
Al die scenario’s vereisen iets anders van ai. Het gaat niet alleen maar om nauwkeurigheid, het gaat ook om tijdigheid en reactievermogen. Je bent op zoek naar een oplossing die jou helpt te beslissen waar en hoe je middelen kunt toewijzen en hoe vaak je die beslissingen kunt nemen. De belangrijkste vragen die je hierbij moet stellen zijn: wat zijn de ai-kenmerken die van belang zijn en wat is het bewijs dat een bepaalde oplossing aan deze eisen voldoet? Inkopers moeten specifiek en kritisch zijn bij het beoordelen van een ai-oplossing. Daarnaast kunnen ze het beste samenwerken met leveranciers die samen met hen de echte kern van het probleem kunnen vaststellen en flexibele oplossingen bieden die passen bij hun behoeften en bedrijfsmodel.
Zo is de manier waarop de ai werkt voor een voordelige retailer waarschijnlijk voornamelijk gericht op kostenbesparing. Een luxemerk geeft meestal prioriteit aan de kwaliteit van de dienstverlening en snelheid. De eenvoudige boodschap hierbij is dat ai geen one-size-fits-all-oplossing is. Helaas beginnen te veel mensen die op zoek zijn naar oplossingen toch met het zoeken naar de ‘beste’ ai. Zonder zich af te vragen of ai van een bepaalde leverancier wel het beste antwoord biedt op hun specifieke probleem.
Hype en hyperbool
McKinsey benadrukt ook dat ai een breed scala aan mogelijkheden biedt: ‘Het goede nieuws is dat op ai gebaseerde oplossingen beschikbaar en toegankelijk zijn om bedrijven te helpen om hun supply chain naar een hoger plan te tillen. Mogelijke oplossingen zijn hierbij onder meer vraagvoorspellende modellen, volledige transparantie, geïntegreerde bedrijfsplanning, dynamische planningsoptimalisatie en automatisering van de fysieke goederenstroom. Deze zijn allemaal gebaseerd op voorspellende modellen en correlatie-analyse om oorzaken en gevolgen in supply chains beter te begrijpen.’
Het is ook geen verrassing dat ai en zijn zusje, augmented data intelligence, opdoken in het laatste overzicht van Gartner’s Top Supply Chain Technology Themes of 2021. Dit jaar moeten supply chain-managers echter door de hype en hyperbool heen prikken om de waarheid achter de krantenkoppen te achterhalen. Waarmee wordt een specifieke ai gevoed en doet het het werk dat we willen dat het doet? Of krijg je, als je achter de schermen kijkt, een teleurstelling te verwerken?
(Auteur Sjoerd Eekelaar is vicepresident Benelux & UKI bij Project44.)
