Voorraadbeheer is voor veel retailers nog best een spannende aangelegenheid. De balans tussen te veel, te weinig of voldoende is fragiel. AI kan daar iets aan veranderen, zeker als technologieën gecombineerd worden. ''Retailprocessen profiteren van een betere planning.''
Kunstmatige intelligentie straalt al jaren als grootste ster aan de technologiehemel. Vrijwel elk retailbedrijf wil er iets mee doen, of doet dit al. Omdat AI goed is in het verwerken van grote hoeveelheden data, tegenwoordig ook verschillende soorten data, lijkt het ideaal voor iets als voorraadbeheer en voorraadoptimalisatie.
''AI is een tool voor het oplossen van een specifiek probleem'', vindt Steven Pauly. Als senior consultant en research scientist houdt hij zich bij Slimstock bezig met de mathematische kant van voorraadoptimalisatie.
Toegevoegde waarde AI in supplychainplanning
Pauly ging tijdens RetailTrends Tech 2025 in op de mogelijkheden van AI voor retailers. ''Uit onderzoek blijkt dat bedrijven vooral kansen zien om met AI meer toegevoegde waarde te leveren op het gebied van supplychainplanning. Veel zaken kunnen...
Voorraadbeheer is voor veel retailers nog best een spannende aangelegenheid. De balans tussen te veel, te weinig of voldoende is fragiel. AI kan daar iets aan veranderen, zeker als technologieën gecombineerd worden. ''Retailprocessen profiteren van een betere planning.''
Kunstmatige intelligentie straalt al jaren als grootste ster aan de technologiehemel. Vrijwel elk retailbedrijf wil er iets mee doen, of doet dit al. Omdat AI goed is in het verwerken van grote hoeveelheden data, tegenwoordig ook verschillende soorten data, lijkt het ideaal voor iets als voorraadbeheer en voorraadoptimalisatie.
''AI is een tool voor het oplossen van een specifiek probleem'', vindt Steven Pauly. Als senior consultant en research scientist houdt hij zich bij Slimstock bezig met de mathematische kant van voorraadoptimalisatie.
Toegevoegde waarde AI in supplychainplanning
Pauly ging tijdens RetailTrends Tech 2025 in op de mogelijkheden van AI voor retailers. ''Uit onderzoek blijkt dat bedrijven vooral kansen zien om met AI meer toegevoegde waarde te leveren op het gebied van supplychainplanning. Veel zaken kunnen efficiënter of beter. Retailprocessen profiteren absoluut van een betere planning. De winst zit daarbij vooral aan de operationskant.''
Iets wat machinelearning kan doen, is beheerwerk uit mensenhanden nemen. Deeplearning is daarnaast in staat om magazijnen verder te verbeteren. Bijvoorbeeld door magazijntaken te laten uitvoeren door chatbots en agents, kwaliteitsinspectie door camera’s te laten uitvoeren en robots die losse items uit bakken halen, of dozen picken.
Tekst loopt door onder het beeld
Robots kunnen een belangrijke bijdrage leveren aan de efficiëntie in een warehouse.
'Eerste chatbot al in 1965'
De AI van 'vroeger', tot 2017, was een andere AI dan waar veel bedrijven nu oog voor hebben. ''Tot dat moment hadden we het eigenlijk over deeplearning en machinelearning, daarvoor zelfs over symbolic en classic AI. De tools die daarbij hoorden, werkten vooral op basis van voorgeprogrammeerde kennis. Ik vermoed dat maar weinig mensen weten dat er al in 1965 een chatbot bestond. De kennis over AI-technologie was rond het jaar 2000 al behoorlijk volwassen en de eerste industriële toepassingen met behulp van deeplearning waren in opkomst. Denk aan beeld- en spraakherkenning die destijds al op mobiele telefoons te vinden was.''
Herkennen van patronen
Veel van de huidige supplychainplanningtools zijn volgens hem gebaseerd op een doorontwikkelde versie van machinelearning. ''Deze planningtools zoeken naar en herkennen patronen, en nemen de resultaten daarvan mee in planningbeslissingen.''
Supervised en unsupervised learning
Machines kunnen volgens hem bijvoorbeeld het verschil zoeken tussen input- en outputdata en volumes voorspellen op basis van productiedata. ''Dat is eigenlijk een vorm van supervised learning, waarbij een machine adviseert. Veel bedrijven met een logistieke tak gebruiken dit voor het voorspellen van levertijden en de end-of-life van een product. Dat doen machines op basis van een niet al te grote gestructureerde set data.”
Unsupervised learning bestaat overigens ook. Retailers zetten dat vooral in bij onderzoek naar de vraagvoorspelling van nieuwe producten, aldus Pauly.
Machines voeden met positieve en negatieve feedback
Waar Pauly naar eigen zeggen 'erg enthousiast' over is, is reinforcement learning. ''Dat is het nemen van een beslissing in een complexe omgeving, een vorm van schaken. Je kunt dit vergelijken met supplychainplanning en het nemen van beslissingen.''
Hoewel dit lijkt op machinelearning, is het toch net anders. ''Een machine neemt in een bepaalde omgeving een beslissing en diezelfde omgeving geeft daarop feedback. Dat leidt tot positieve of negatieve beloningen voor de machine. Daarna weet de machine op basis van de bevindingen welke beslissing hij moet nemen, zoals wat een retailer op welk moment moet bestellen.''
Deze laatste vorm gebruiken aanbieders van voorraadbeheersoftware. Retailers kunnen aan de hand van de voorraadbeheersoftware vragen wat ze wanneer moeten bestellen, en in welke hoeveelheden. Vervolgens kunnen ze dit stap voor stap optimaliseren, stelt Pauly. ''Dat geldt voor voorraad, serviceniveaus en kosten.''
LLM-AI als oplossing voor voorraadoptimalisatie?
Generatieve AI gaat nog een stap verder, omdat de technologie in staat is zelf content te generen. ''Ook dat is interessant'', vindt hij. ''Het heeft al geleid tot het ontstaan van een soort 'foundationmodel': een taalmodel dat heel veel data kan verwerken en alle taken zal uitvoeren die je geeft.''
Is dit zogenoemde largelanguagemodel (LLM) de oplossing voor bedrijven die voorraadbeheer willen optimaliseren? Daar is Pauly op dit moment nog niet van overtuigd. ''Als je een foundationmodel of LLM al je vragen laat beantwoorden, dan werk je eigenlijk met een generalist.''
Tekst loopt door onder de afbeelding
Koffieproducent JDE Peet's gebruikt AI om de vraag naar zijn producten beter te voorspellen.
Met dat laatste lossen retailers niet alle planningsuitdagingen op. ''Er is natuurlijk meer om op in te spelen dan seizoenspatronen. Er zijn ook losse patronen waar je iets mee moet.''
JDE Peet’s zet AI al in voor meer inzicht in welke koffieproducten er wanneer nodig zijn in het supermarktschap. Een combinatie van demandplanning en AI heeft geresulteerd in een betere vraagvoorspelling. De mogelijkheden om bij te sturen nemen toe voor de producent, simpelweg omdat het inzicht accurater is.
Combinatie van LLM-foundationmodels
Pauly deelt 3 tips voor wie nu zelf al aan de slag wil met AI. ''Investeer eerst in domeinspecifieke AI-kennis, daar waar je zelf het meeste gevoel bij hebt. Los vervolgens de meest urgente problemen op en kijk of AI daarbij kan helpen. Creëer tenslotte de juiste basis. Jouw supplychainstrategie en end-to-endplanning moeten de basis vormen. Kijk pas daarna of een AI-tool daaraan iets toevoegt.''
AI is, ongeacht de vorm, een serieuze hulp voor het efficiënter maken van retailoperaties, vindt hij. ''Ik kan me heel goed voorstellen dat een combinatie van meerdere LLM-foundationmodels uitkomst biedt.''
Op die manier zouden bedrijven hun supplychainplanning van onderaf kunnen optimaliseren, zegt hij. ''Toch zijn we er nog niet, want op dit moment mislukt 85 procent van de AI-projecten tijdens of na de uitrol.''
