Succesvolle bedrijven zijn bedrijven die in staat zijn om de vraag naar hun producten en diensten in evenwicht te brengen met hun aanbod. Dat lijkt vanzelfsprekend, en zo is het altijd al geweest.
“IBP brengt strategie, portfolio, vraag, aanbod en financiën samen in één bedrijfsplan, onder de verantwoordelijkheid van het senior management, via een maandelijks herplanningsproces dat gericht is op afwijkingen, wat resulteert in één operationeel plan met een voortschrijdende horizon van 24 maanden of meer.” (Oliver Wight, 2005)
Hoewel de doelstelling en de structuur van het proces de afgelopen twintig jaar niet zijn veranderd – sinds het zich niet langer beperkte tot het in evenwicht brengen van vraag en aanbod, maar zich richtte op het opstellen van één geïntegreerd plan dat gericht is op de beste algehele bedrijfswaarde – zijn de snelheid en de kwaliteit van deze integratie tegenwoordig totaal anders.
Dankzij een beter geïntegreerd data-systeem met een grotere verwerkingscapaciteit en het gebruik van AI-tools is een mate van complexiteit beheersbaar geworden die voorheen louter een streefdoel was: scenario’s waarvan het opstellen vroeger weken in beslag nam, worden nu in realtime bijgewerkt, data dat voorheen in silo’s vastzat, is nu vergelijkbaar, en beslissingen die afhankelijk waren van eindeloze afstemmingsvergaderingen, kunnen nu eenvoudigweg bevestigingen zijn.
Wij hebben geconstateerd dat de mate waarin AI binnen IBP wordt toegepast, sterk varieert binnen de markt. Terwijl sommige sectoren en functies de tools al onder de knie hebben en een volwassen stadium hebben bereikt in de toepassing ervan, blijven andere uitdagingen sluimeren en worden deze onvoldoende aangepakt, zoals blijkt uit de onderstaande tabel:
| IBP-fase | Looptijd | Wat er in de praktijk al gebeurt | Artefact Voorbeeld |
|---|---|---|---|
| Beoordeling van het portfolio | Laag | Het gebruik van generatieve AI om input op het gebied van onderzoek en ontwikkeling en marketing te bundelen en scenario’s voor de productportfolio te simuleren. | Grote B2B-parfumindustrie: implementatie van GenAI waarmee visuele marketingconcepten worden omgezet in technische beschrijvingen en zoekopdrachten naar formules. Resultaten: 99%: verkorting van de tijd die nodig is voor het vergelijken van portefeuilles (van meerdere dagen tot slechts 20 minuten) en een 35-voudige toename van het aantal geanalyseerde simulaties van nieuwe formules. |
| Beoordeling van de vraag | Hoog | ML-modellen waarin naast historische verkoopcijfers ook meerdere factoren die de vraag beïnvloeden zijn verwerkt: seizoensinvloeden, weersomstandigheden, marktontwikkelingen en commerciële signalen. | Marktleider in de gasdistributiesector: een geïntegreerd AI-platform dat de commerciële vraagcurves voor bulk- en flessen-LPG samenbrengt en voorspelt. Resultaten: • Een afname van 2% in de wereldwijde MAPE voor vraagprognoses in vergelijking met het oude model. • 33%: vermindering van kritieke fouten in de commerciële planning. • Een verviervoudiging van het aantal klantenportefeuilles dat binnen het ideale nauwkeurigheidsniveau voor de levering functioneert. |
| Beoordeling van het aanbod | Gemiddeld-hoog | Digitale tweelingen en optimalisatie met behulp van machine learning voor beslissingen inzake capaciteit, toewijzing en voorraadniveaus. | Agrosector: Fabriekssimulator en optimalisatiemodel opgeschaald voor meerdere productielijnen, waarmee verliezen worden beperkt en de marge per fabriek wordt geoptimaliseerd. |
| Geïntegreerde afstemming | Laag-gemiddeld | Modules die data uit verschillende gebieden automatisch samenvoegen om de afstemming van operationele, commerciële en financiële plannen te versnellen. | Detailhandel: Een tool die gegevens op het gebied van uitbreiding, geomarketing en financiën (data) verzamelt en binnen enkele minuten een volledige haalbaarheidsstudie voor een nieuwe winkel genereert (een proces dat voorheen weken in beslag nam en waarbij drie teams betrokken waren). |
| Overzicht voor het management | Laag | Augmented BI waarmee scenario’s in natuurlijke taal kunnen worden verkend, waarbij de output is afgestemd op het profiel van de leidinggevende. | Sector consumptiegoederen: Een meerjarig traject van end-to-end-toepassingsscenario’s waarin financiën, prijsstelling, bedrijfsvoering en HR met elkaar worden verbonden, waaruit blijkt dat de toegevoegde waarde toeneemt wanneer toepassingsscenario’s onderling zijn gekoppeld, in plaats van geïsoleerd te blijven. |
Zoals verwacht geldt: hoe dichter de fase bij een duidelijk omschreven statistisch probleem ligt, des te sneller is de invoering verlopen. Hoe meer deze afhankelijk is van onderhandelingen binnen de organisatie, des te trager verloopt het rijpingsproces.
Dit geeft ook aan waar het op dit moment de moeite waard is om te investeren. Afhankelijk van het belang van deze fase voor de sector en de mate van volwassenheid van het bedrijf, moeten leidinggevenden op het gebied van toeleveringsketens en IT zowel proefprojecten als structurele projecten evalueren. In een bedrijf in de sector van snel verhandelbare consumptiegoederen (FMCG) bijvoorbeeld, betekent het hanteren van een prognose die uitsluitend op tijdreeksen is gebaseerd, dat men ver achterblijft bij wat al jaren beschikbaar is en dat men waarde genereert voor concurrenten. Vanuit een ander perspectief kan voor bedrijven in de cosmetica- of farmaceutische sector, waar innovatie in hoog tempo plaatsvindt, het investeren in het verder ontwikkelen van de Portfolio Review – ondanks de lage mate van volwassenheid ervan – een aanzienlijk concurrentievoordeel opleveren.
Wat AI nog steeds niet kan oplossen
Ondanks opmerkelijke vooruitgang constateren wij ook enkele intrinsieke uitdagingen in het IBP-proces, dat nog steeds in hoge mate afhankelijk is van menselijk oordeel en een grondig begrip van de organisatorische context.
- Het stellen van doelen en stimulansen. Verkoop, bedrijfsvoering en financiën meten dezelfde transactie vaak op verschillende manieren (volume, marge, OTIF), en elke afdeling streeft naar optimalisatie op basis van haar eigen KPI. Geen enkel model lost dit op zichzelf op, omdat het geen data- of nauwkeurigheidsprobleem is: het is een bestuurskwestie, waarbij expliciet moet worden bepaald welke prioriteit het bedrijf wil stellen wanneer afdelingsdoelstellingen met elkaar in conflict komen. Zolang deze definitie niet is vastgelegd met de juiste benchmark, zal AI het conflict alleen maar automatiseren.
- Samenwerking over de grenzen van de organisatie heen. CPFR- en VMI-tools bestaan al tientallen jaren en blijven zich verder ontwikkelen, maar het op grote schaal toepassen ervan – het systematisch afstemmen van plannen met leveranciers en distributeurs – is voor de meeste bedrijven in Brazilië nog lang geen realiteit. Het gaat hier om een structureel knelpunt: het hangt af van contracten, commercieel vertrouwen tussen de partijen en compatibele systemen tussen de partners, en niet alleen van de beschikbare technologie.
- Vertrouwen in modellen en de invoering van AI. Zelfs wanneer het model technisch gezien daartoe in staat is, aarzelt de organisatie om de besluitvormingsbevoegdheid aan het model over te dragen. Deze aarzeling is grotendeels terecht; beslissingen over capaciteit en de portefeuille hebben gevolgen die te kostbaar zijn om te worden gedelegeerd zonder een bewezen staat van dienst op het gebied van nauwkeurigheid. Het traject omvat een parallelle validatieperiode, waarin het model zijn nauwkeurigheid bewijst alvorens de besluitvorming over te nemen, in plaats van een directe sprong van “geen AI” naar “AI aan het roer”.”
De volgende ontwikkeling: van assistent tot coördinerend medewerker
De vooruitgang van het nieuwe, op AI gebaseerde IBP in fasen zoals vraagplanning en aanbodbeoordeling zal waarschijnlijk blijvend superieure resultaten opleveren voor bedrijven en steeds verder worden geïntegreerd met de andere fasen van het proces. De visie van een volledig autonome toeleveringsketen is nog steeds een ambitie, maar er zijn al voorbeelden van systemen die marktsignalen en relevant nieuws verzamelen om de vraag te sturen, automatisch optimalisatiemodellen activeren en inconsistenties signaleren voordat een mens ernaar hoeft te zoeken.
In dit nieuwe scenario ondergaat de dagelijkse routine van de IBP-analist een ingrijpende transformatie. De professional die voorheen tweederde van zijn tijd besteedde aan het samenvoegen van verspreide data-gegevens, het opzetten van draaitabellen en het ordenen van kolommen om inzichten te verkrijgen – om vervolgens vakjes uit te lijnen in presentaties die al bij het opstellen verouderd waren – zal zijn dagelijkse werkzaamheden radicaal zien veranderen. Zijn of haar aandacht verschuift steeds meer naar kritische analyse en verificatie van het werk van de agenten, onderhandelingen met leveranciers en klanten, en het identificeren van kansen binnen het plan. Een veel interessantere functie met een hogere toegevoegde waarde. En juist deze analist, bevrijd van de draaitabel, zal de ontwikkeling stimuleren van de fasen die nog achterblijven.
Aangezien de doelstelling van IBP – het in evenwicht brengen van vraag en aanbod – ongewijzigd blijft, maar de instrumenten zich hebben ontwikkeld in de richting van kunstmatige intelligentie, wordt de kennis die managers en directeuren in dit proces hebben opgebouwd nog waardevoller. AI is geenszins bedoeld om decennia aan ervaring en contextueel inzicht te vervangen, maar is juist in staat het bereik van dit menselijk kapitaal te vergroten. Hierdoor kunnen leidinggevenden dit kapitaal inzetten om te experimenteren op gebieden waar zij voorheen beperkingen zagen, waardoor in elke cruciale fase efficiëntie wordt gerealiseerd en op middellange termijn de basis wordt gelegd voor een flexibeler en intelligenter platform.
