Een datagedreven aanvulsysteem voor dagverse producten

Het nieuwsverkoperprobleem met extra uitdagingen

In operations management is het beheren van de voorraad voor producten met een korte houdbaarheid of eenmalige verkoopkans per bestelling een uitdagende taak. Denk aan bederfelijke producten zoals versgebakken brood en bloemen, of seizoensgebonden artikelen zoals mode en tijdschriften. Aan het einde van een verkoopperiode hebben resterende producten vaak weinig of geen waarde meer. Het dilemma is duidelijk: als je te veel bestelt, maak je onnodige kosten en eindig je met verspilling; als je te weinig bestelt, loop je omzet mis, wat ook een kostenpost is. Daarom zijn strategieën voor dit soort producten (vaak aangeduid als single-period inventory models of nieuwsverkopermodellen) cruciaal om kosten te minimaliseren, de klantvraag te vervullen en goede beslissingen te nemen in onzekerheid.

De onzichtbare vraag

Hoewel algemene voorraadstrategieën worden toegepast, blijven er problemen bestaan. Een van de grootste uitdagingen is dat je de vraag naar een product vooraf moet kennen om optimale voorraadbeslissingen te nemen. In de praktijk, vooral bij bederfelijke producten, kun je de werkelijke vraag vaak niet waarnemen. Denk bijvoorbeeld aan een bakkerijproduct in een supermarkt met een houdbaarheid van slechts één dag. De vraag varieert dagelijks en om verspilling te vermijden, worden vaak lage bestelhoeveelheden aangehouden. Dit kan leiden tot situaties waarin de vraag niet duidelijk wordt:

• Je kunt de vraag niet schatten op basis van alle verkoopdata omdat uitverkoopdagen (60%) de werkelijke vraag niet reflecteren.
• Je kunt de vraag niet schatten op basis van de overige verkoopdata omdat deze alleen de lage vraagdagen weerspiegelen.
• Beslissingen puur gebaseerd op verkoopdata kunnen misleidend zijn, omdat verkoop fluctueren afhankelijk van bestelhoeveelheden, terwijl de vraag stabiel kan blijven.

De vragen blijven dus bestaan: wat is de werkelijke vraag? Wat is de optimale bestelhoeveelheid om de winst te maximaliseren?

Het probleem van “Small Data”

In een tijdperk van big data en kunstmatige intelligentie (AI) lijkt een kleine dataset een groot obstakel. In ons project was “small data” een extra uitdaging. Verkoopdata laten zowel jaarlijkse als wekelijkse seizoenspatronen zien, evenals promotie-effecten. Deze patronen verschillen sterk per product en per winkel, wat betekent dat de beschikbare verkoopdata beperkt en onvolledig zijn. Gemiddeld kunnen we de dagelijkse vraag van één product in één winkel slechts afleiden uit 20-40 dagen aan verkoopdata, waarvan 40-85% afkomstig is van uitverkoopdagen. Dit vraagt om methoden die verder gaan dan standaard AI-oplossingen.

Een betrouwbare datagedreven oplossing

Wij hebben een datagedreven aanvulsysteem ontworpen en geïmplementeerd voor dagverse (bederfelijke) producten. Het systeem biedt vraagvoorspellingen en optimale aanvulinstellingen voor verse producten met een houdbaarheid van één dag in verschillende supermarkten.

Vraagvoorspelling: Bayesian Statistiek voor onzichtbare waarheden

Om de eerder genoemde uitdagingen aan te pakken, maken we gebruik van wiskundige modellen om de relaties tussen aanvulstrategieën, vraag, verkoop en andere bedrijfsresultaten te beschrijven. Bayesian statistiek, een krachtige methode om onzichtbare waarheden te benaderen, wordt ingezet voor rigoureuze analyses en voorspellingen van de vraag. Met behulp van Sequential Monte Carlo-technieken (ook wel particle filters) kunnen we de berekeningen snel uitvoeren bij nieuwe verkoopdata. Daarnaast verifiëren we de vraagvoorspellingen door bedrijfsresultaten te vergelijken met historische data.

Optimalisatie van aanvulinstellingen

Naast betrouwbare vraagvoorspellingen is het systeem flexibel en uitbreidbaar voor het optimaliseren van aanvulinstellingen:

• Wat-als-analyse: Simuleer verschillende scenario’s, zoals veranderingen in minimale besteleenheden of productwinstmarges.
• Aanvuloptimalisatie: Bereken automatisch de optimale instellingen op basis van aangepaste strategieën, zoals winstmaximalisatie of serviceniveaudoelen.
• Gezondheidsscan: Analyseer hoe de huidige aanvulstrategieën afwijken van de optimale instellingen en ontvang aanbevelingen voor verbeteringen.

Significante resultaten

Uit een test op een bakkerijproduct in tien willekeurige supermarkten bleek dat de huidige winst met 4% – 7% kan worden verhoogd door alleen de bestelinstellingen te optimaliseren, zonder andere factoren te wijzigen.

Voorbij het nieuwsverkoper verhaal

Het succes van dit systeem is te danken aan de juiste modellering van het probleem. Dezelfde technieken kunnen worden toegepast in andere sectoren zoals geneeskunde, techniek, financiën en marketing. Heeft u te maken met complexe, onvolledige data of latente variabelen? Dan biedt onze aanpak de juiste oplossing.

Bij Twentynext zetten we data om in waardevolle inzichten. Samen vinden we de optimale oplossing voor uw uitdagingen.