Een voorbeeld uit de echte wereld: Yoghurt in het schap

Stelt u zich eens voor dat u een yoghurt koopt in een supermarkt in de buurt. Om dit eenvoudige product verkrijgbaar te maken, moesten er van tevoren verschillende beslissingen worden genomen:

  • Het commerciële team moest onderhandelen met de detailhandelaar.
  • Het logistieke team plande de levering.
  • Het distributiecentrum heeft het artikel in de juiste hoeveelheid op voorraad.
  • Het productieteam produceerde de yoghurt.
  • Het inkoopteam kocht al weken van tevoren ingrediënten en verpakkingen.

Als we rekening houden met meerdere SKU's, seizoensgebondenheid, promoties en verschillende kanalen (detailhandel, distributie, e-commerce), neemt de complexiteit exponentieel toe. De rol van S&OP is het coördineren van deze keten om ervoor te zorgen dat het juiste product op de juiste plaats, op het juiste moment beschikbaar is - tegen de laagste kosten en met het hoogst mogelijke rendement.

Waar AI al waarde levert: Vraagplanning

Het uitgangspunt van S&OP is vraagvoorspelling. En dit is waar AI tot nu toe de grootste impact heeft gehad.

Hoe werken voorspellende vraagmodellen?
Traditioneel werden prognoses gemaakt met behulp van eenvoudige statistische methoden of menselijk oordeel. Met AI gebruiken we algoritmen voor machinaal leren die in staat zijn om patronen te identificeren in grote hoeveelheden historische data, terwijl ook relevante externe variabelen worden meegenomen.

Robuuste modellen volgen meestal een proces als dit:

  • Bouw een historische verkoop database op die diep genoeg is om trends en seizoensinvloeden vast te leggen.
  • Verrijk met verklarende variabelen:
    • Promotionele kalenders
    • Regionale feestdagen
    • Temperatuur en weer
    • Marketingevenementen
    • Economische indicatoren (bijv. inflatie)
    • Acties van concurrenten
    • Kannibalisatie van producten
  • Stel de data samen met actieve deelname van het bedrijfsteam - essentieel om irrelevante of vervormde variabelen te verwijderen.
  • Modelleer met technieken zoals beslisbomen, regressies, neurale netwerken of ensemblemodellen, afhankelijk van de complexiteit en granulariteit van het probleem.
  • Voortdurend evalueren, uitschieters opsporen, prognoses periodiek herzien en onzekerheid kwantificeren.

Goede modellen geven niet alleen een getal aan, maar ook betrouwbaarheidsintervallen, wijzen op uitschieters in de prognoses en leggen uit welke variabelen elk resultaat beïnvloeden.

Opmerking: Het doel in dit stadium is om een schatting te maken van onbeperkte vraag, d.w.z. wat de markt zou willen kopen, ongeacht de beperkingen van de voorraad of logistiek. Aangezien deze informatie niet altijd direct waarneembaar is, helpen indicatoren zoals de out-of-stock index, de beschikbaarheid van de vloot, de vraagcurve en de afschrijvingskosten van vervallen voorraad bij het kalibreren van de modellen.

Waar AI verder kan gaan: Operationele planning en optimalisatie

Met de voorspelling van de vraag in de hand wordt de uitdaging: hoe kan aan die vraag worden voldaan, gezien de echte operationele beperkingen? Dit is waar optimalisatiemodellen om de hoek komen kijken - een ander gebied waar AI intensiever kan (en moet) worden ingezet.

Hoe werken optimalisatiemodellen?
In tegenstelling tot voorspellende modellen die anticiperen op gedrag, streven optimalisatiemodellen ernaar om de beste beslissingen te nemen, rekening houdend met duidelijke beperkingen en doelstellingen.

Typische stappen zijn onder andere:

  • Structurele parameters in kaart brengen:
    • Productiecapaciteit per lijn en fabriek
    • Productie- en transportkosten
    • Doorlooptijd leverancier
    • Logistieke regels en gecontracteerde serviceniveaus
  • De doelfunctie definiëren:
    • Totale kosten minimaliseren?
    • De vervulling van de voorspelde vraag maximaliseren?
    • Belasting over fabrieken verdelen?
  • Beperkingen definiëren:
    • Maximale productie- en opslagcapaciteit
    • Minimum SLA waaraan moet worden voldaan
    • Invoer en beschikbaarheid van de vloot
    • Minimale productie per fabriek
  • Een optimalisatiealgoritme kiezen dat levensvatbare operationele scenario's kan genereren die vergeleken kunnen worden op basis van financiële of risicocriteria.

Het grote voordeel is het mogelijk maken van gestructureerde simulaties, zoals:

  • Wat gebeurt er als een leverancier vertraging oploopt?
  • Is het de moeite waard om meer te betalen voor een snellere manier van transport?
  • Is het beter om de dienstverlening in een bepaalde regio stop te zetten om het serviceniveau in een andere regio op peil te houden?

De volgende stap: Financiële evaluatie en besluitvorming

Zodra de operationele scenario's gegenereerd zijn, begint de financiële beoordelingsfase. Hier helpen simulatie- en gevoeligheidsanalysemodellen bij het beantwoorden van kritieke vragen:

  • Hoeveel kost het om een verkoop te verliezen?
  • Is het de moeite waard om meer te betalen voor een dringende grondstof?
  • Wat is de financiële impact van prioriteit geven aan één klant of regio?

AI kan hier ook worden gebruikt om deze gevolgen te kwantificeren en bruikbare inzichten te genereren. Maar belangrijker dan technologie is ervoor te zorgen dat financiële, commerciële en controllingteams betrokken zijn bij het definiëren van trade-offs.

Kunstmatige intelligentie als brug tussen silo's

Hoewel veel van de waarde van AI in technische stappen ligt (voorspellende en optimalisatiemodellen), wordt de impact ervan pas echt zichtbaar als er op verschillende gebieden wordt samengewerkt. S&OP vereist een constante afstemming tussen teams met verschillende doelen - en AI kan als bemiddelaar fungeren en data brengen om moeilijke gesprekken te ondersteunen en beslissingen te begeleiden.

Om dit mogelijk te maken, is het ook essentieel om te investeren:

  • Data bestuur, om de kwaliteit en integriteit van informatie te waarborgen
  • Multidisciplinaire teambetrokkenheid, gericht op waarde, niet alleen op technische nauwkeurigheid

Een cultuur van voortdurend leren, met korte validatie- en aanpassingscycli

Reeds waargenomen resultaat met AI in S&OP

Bedrijven die AI al toepassen in hun S&OP-processen hebben tastbare voordelen behaald:

  • Minder misgelopen verkopen door te anticiperen op pieken en voorraden
  • Geoptimaliseerde voorraden, met minder vastliggend kapitaal
  • Grotere operationele efficiëntie, waardoor knelpunten in de productie en logistiek worden vermeden
  • Betere onderhandelingen met leveranciers, gebaseerd op betrouwbaardere prognoses

Deze winsten versterken dat AI niet langer slechts een toekomstige gok is - het is een huidige hefboom, met ruimte om te groeien.

Conclusie

S&OP is van nature een proces van afstemming en convergentie. AI heeft het vermogen om het nauwkeuriger en responsiever te maken en het af te stemmen op de marktrealiteit. We zien dit effect al bij vraagvoorspelling - en de volgende stap is om de aanwezigheid ervan uit te breiden naar operationele en financiële beslissingen, altijd met menselijke ondersteuning en bedrijfsvisie.

Hoe meer AI wordt geïntegreerd in de dagelijkse activiteiten van bedrijven, hoe meer S&OP zal verschuiven van een afstemmingsoefening naar een strategische prestatiemotor.