Hoe u waarde maximaliseert met predictive analytics

Ochtendfile. Naast me staat een vrachtwagen van een bekende zuivelproducent. ‘16.000 liters vol van mogelijkheden’ luidt de reclame op de zijkant. Ik staar ernaar en sla – beroepsdeformatie! – aan het peinzen over hoe predictive analytics hieraan bij kan dragen. Stapvoets rijdend en opties wikkend en wegend kom ik tot het antwoord. En tot deze blog. Puzzelt u mee en maximaliseer uw waarde!

Ik sta nog steeds in de file, naast een tank vol melk, al zijn we nu enkele meters verder. Ik blijf me verplaatsen in de schoenen van de zuivelproducent. Met die drinkbare inhoud is veel mogelijk, besef ik me. Maar om te bepalen wat ik met die 16.000 liter ga doen, moet ik wel weten welke grondstoffen ik vandaag ontvang, wat de kwaliteit ervan is en welke producten me vandaag de grootste marges leveren. Het antwoord op deze vraagstelling doet mij denken aan de sudoku’s die ik op zaterdagochtend met een kopje koffie probeer op te lossen. Daarbij moet je immers, om tot de juiste antwoorden te komen, puzzelen met de gegevens die al bekend (en ingevuld) zijn. Binnen de levensmiddelenindustrie staat dit bekend als valorisatie. Een sudoku waarmee we dagelijks geconfronteerd worden en die we ook nog zo goed als in ’real time’ moeten zien op te lossen!

Wat is eigenlijk valorisatie?

Valorisatie stamt van het Latijnse woord ’valor’ (waarde). Het gaat hier om ‘waarde’ creëren, of liever: ‘waarde’ maximaliseren. De uitdaging ligt in het garanderen van optimale waardecreatie en het tegelijk balanceren van de productie op basis van de vraag van de markt. Denk aan het maken van verschillende zuivelproducten – kaas, yoghurt, (half)volle melk enzovoorts  – op basis van (in dit geval) koeienmelk als grondstof. Afhankelijk van de kwaliteit en/of andere karakteristieken, wordt er besloten welke eindproducten hieruit geproduceerd kunnen worden en hoe de planning eruit moet zien. Hier geldt het principe van de sudoku, waarbij de uitkomst natuurlijk ook nog afhankelijk is van de vraag vanuit de markt. Deze kan voor bepaalde producten zo goed als dagelijks veranderen, met grote fluctuaties als gevolg (ook voor de waarde van aandelen op de beurs).

Dubbele onzekerheid in de supply chain en de rol van predictive analytics & big data

Veel productiebedrijven hebben dus eigenlijk te maken met een dubbele onzekerheid. Onzekerheid in de kwaliteit en variabiliteit van bepaalde kritische eigenschappen van de ontvangen grondstoffen. En bovendien nog de onzekerheid van de vraag vanuit de markt. Deze twee onzekerheden bevinden zich ook nog eens aan de twee uiteinden van de supply chain!

De uitdaging aan het begin van de supply chain is om zo goed mogelijk de kritische variabelen bij ontvangst te bepalen. Het liefst eigenlijk om deze nog voor ontvangst te kunnen voorspellen op basis van de historische gegevens per toeleveranciers, omgevingsfactoren, seizoen, et cetera. Op basis van de inzet van predictive analytics kunnen fabrikanten in staat worden gesteld om vanuit voorspellingen hun processen ’real time’ te kunnen instellen. Zij kunnen dan de juiste producten produceren, met de gewenste specificaties en binnen de afgesproken toleranties.

Aan de andere kant van de keten hebben producenten te maken met de onzekerheid in de afname van hun producten. Tevens is er ook een zeer grote volatiliteit van de dagelijkse marktprijs. Hier zou predictive analytics met een voorspelling van de marktvraag en de marktprijs van de afgezette producten een cruciale rol kunnen spelen in de optimalisatie van de productieplanning en verkoopstrategieën.

Nauwkeurige voorspelling

Data Scientists zijn in staat om op basis van het combineren van verschillende bronnen van informatie en de toepassing van data mining tools, modellen te bouwen die de werkelijkheid met een enorme nauwkeurigheid kunnen nabootsen. Zo kunnen kritische verbanden geïdentificeerd en vastgelegd worden in wiskundige modellen. Met behulp van deze wiskundige modellen kunnen dan vervolgens de kwaliteit en de variabiliteit van bepaalde kritische producteigenschappen met een grote mate van zekerheid voorspeld worden. De control algoritmes maken dan gebruik van deze modellen en combineren historische data met ‘real time’-data. Geïntegreerd met de planning- en procesbesturingsystemen zorgen ze voor de gewenste optimalisatie van de productie.

Met behulp van precies dezelfde tools en op basis van dezelfde predictive analytics & big data principes, zijn we ook in staat om een goed inzicht te krijgen in het patroon die de vraag vanuit de markt kan volgen. De gebouwde modellen zullen hier ook cruciaal zijn in de optimalisatie van de productieplanning en verkoopstrategieën.

De multiple sudoku

Bij deze ontdekkingsreis in de invoering van predictive analytics, ontdekken veel fabrikanten gauw, dat het hier niet gaat over een ‘enkele’ sudoku, maar een ‘multidimensionale’. Dit beseffend, zie ik dat ik bijna aan het eind van mijn autorit ben gekomen. Na de file volgde, ongemerkt, kilometers asfalt waarop ik op normale snelheid kon rijden. Zo dadelijk stap ik uit. Tijd dus om – voordat ik inparkeer, enkele conclusies te trekken.

Allereerst besef ik me het volgende: juist omdat het succesvol toepassen van predictive analytics niet alleen afhankelijk is van het begrip van de individuele sudoku, maar ook van de relatie tussen de verschillende sudoku’s, is hier de input van domeinexperts, in samenspraak met de Data Scientist, cruciaal in het opstellen van de juiste strategie voor de introductie van predictive analytics technieken.

Gevoelsmatig lijkt het oplossen van deze sudoku’s een kolossale taak. Maar u weet vast hoe je een olifant kunt opeten. Juist: hapje voor hapje. En dat is ook hier het geval. Voor de juiste olifanthapjes en de juiste volgorde van de gerechten, moeten we ons laten leiden door onze Master Chefs; de ‘Senior Data Scientists’!