Machine learning best practices voor forecasting in retail

26 juni 2024 Consultancy.nl 3 min. leestijd

Bedrijven maken steeds vaker gebruik van machine learning om complexe uitdagingen in hun supply chain aan te pakken. Supply Value dook in het onderwerp en vergelijkt in zijn nieuwe whitepaper drie vooruitstrevende forecastmodellen – Prophet, Neuralprophet en LightGBM – in real-life casussen binnen de retailindustrie.

Het accuraat kunnen voorspellen van de vraag van consumenten (demand forecasting) is een eeuwenoude aanpak. Informatie die voortvloeit uit deze forecasting wordt gebruikt om de productie en supply chain te sturen.

Door de opkomst van geavanceerde technologieën, zoals artificial intelligence (AI) en machine learning (ML), kunnen organisaties hun vraagprognoses aanzienlijk verbeteren. Slimme modellen kunnen vliegensvlug complexe berekeningen uitvoeren en zorgen dat algoritmes zich continu evolueren.

Machine learning best practices voor forecasting in retail

De whitepaper van Supply Value biedt tal van best practices voor de toepassing van machine learning in vraagprognoses, waarbij zorgvuldige planning en een gedegen uitvoering worden benadrukt om kosteneffectieve overgangen te waarborgen.

Automatisering is daarbij een belangrijke drijfveer die processen stroomlijnt, handmatig werk vermindert en de productiviteit verhoogt.

De studie waarschuwt echter ook voor valkuilen, zoals het verkeerd meten van nauwkeurigheid, wat de beoordeling van modelprestaties kan verstoren.

Datavolwassenheid

Een van de belangrijkste aanbevelingen van de auteurs is dat het gebruik van ML hand in hand dient te gaan met datavolwassenheid. “Het is essentieel voor bedrijven om toegang te hebben tot zowel kwalitatieve als kwantitatieve data. Bedrijven met volwassen datasets, datasystemen en dataworkflows zijn beter in staat machine learning te gebruiken voor nauwkeurige forecasts. Ook verhoogt dit de kwaliteit van forecasts.”

De whitepaper biedt inzichten in hoe bedrijven hun datavolwassenheid kunnen verhogen. Via drijfveren en obstakels kunnen strategieën worden bedacht voor bedrijven in verschillende stadia van datavolwassenheid. Of het nu gaat om betere datakwaliteit of meer automatisering, goed georganiseerde dataworkflows en strategische planning vormen de basis voor nauwkeurige forecasts.

Best practices

Via een pilotstudie namen de onderzoekers de kracht en beperkingen van machine learning in vraagprognoses onder de loep. Hieruit komen twee belangrijke adviezen naar voren: stem AI- en ML-modellen af op de specifieke bedrijfscontext, en vind de juiste balans tussen modelcomplexiteit en praktische uitvoerbaarheid.

“Hoewel toenemende modelcomplexiteit de prestaties kan verbeteren, wordt het minder begrijpelijk hoe het model tot een oplossing komt. Bedrijven moeten een balans vinden die past bij hun specifieke situatie. Bijvoorbeeld, neurale netwerken werken goed bij een constant wisselende vraag, zoals in de mode-industrie, terwijl LightGBM effectief is bij grote en rijke datasets, zoals vaak voorkomt bij e-commercebedrijven.”

Het rapport eindigt met een bemoedigend advies voor partijen in de retailsector. “De studie laat zien hoe transformerend AI en NL kunnen zijn voor het realiseren van nauwkeurigere en efficiëntere voorspellingen. Grote voordelen kunnen worden behaald. Zorg dat de randvoorwaarden op orde zijn (denk aan data-architectuur, modelcomplexiteit, datagovernance, enzovoorts) en boek stap voor stap vooruitgang.”