Een beter inkoopbeleid met de inzet van AI

12. oktober 2022 - 19:01

Door: Redactie Baaz

Auteur: Antoine Brouwer – Director Retail Solutions IG&H

Voorheen namen inkopers beslissingen op basis van een beperkte hoeveelheid data, die vaak in spreadsheets was vastgelegd. In de praktijk zorgde dat voor een slecht voorraadbeheer met onnodige hoge kosten. Vandaag de dag zijn met de inzet van kunstmatige intelligentie betere inkoopbeslissingen mogelijk. Deze aanpak zorgt voor kleinere voorraden, hogere beschikbaarheid met betere marges.

Door de pandemie zijn we onverwacht geconfronteerd met schaarste en logistieke problemen. En een recent aantal maatschappelijke ontwikkelingen was niet te voorspellen, zoals de enorme stijging van de kosten voor gas en elektra en daaruit voortvloeiende hoge kosten en inflatie. Tegen deze snel veranderende achtergrond werkt een aantal markten nog altijd zoals ze dat gewend was. Ingesleten gewoontes zijn bijna niet af te leren en de mens houdt nu eenmaal van vertrouwde routines. Toch verwacht ik dat ook in retail de knop om zal gaan. In 2023 voorzie ik dat de inzet van kunstmatige intelligentie in de retail betaalbaar en gemeengoed gaat worden. Al tijdens de coronapandemie zagen we een trend dat retailers, van online supermarkten tot apotheken, op zoek gingen naar oplossingen in de richting van artificial intelligence in combinatie met data en analyses.

Het retail landschap wordt steeds complexer en onvoorspelbaarder. Alleen al het aantal Stock Keeping Units (SKU’s) die bedrijven moeten managen en verkopen is al onvoorstelbaar. Tegelijkertijd baseren inkopers binnen de retailsector hun beslissingen vaak op gewoontes en regels (als ik meer inkoop van product A, dan geldt dat ook voor product B) om ze ondersteunen bij het voorspellen, aanvullen en beheren van de voorraden. Deze regels werken wel, maar vaak alleen als het gaat om consistente, voorspelbare productcategorieën en bekende trends.

Naast uitdagingen rondom het aantal SKU’s en de voortdurende coronapandemie hebben bedrijven ook te maken met personeelstekorten, de situatie in Oekraïne en vertragingen in de supply chain. Deze factoren hebben invloed op de retailsector en zorgen ervoor dat het steeds lastiger is om voorraden te beheren en inkopen te voorspellen op basis van regels die voorheen goed werkten. Het is goed om te weten dat niet lopende voorraad de duurste kostenpost op de balans van een retailer is.

Artificial intelligence kent al verschillende toepassingen, denk bijvoorbeeld aan chatbots of het monitoren van klantgedrag in winkels. Dit zijn slechts een paar voorbeelden, maar de verwachtingen zijn hoog voor AI en in de toekomst zullen we vaker toepassingen gaan zien in software, hardware en services. Uit een onderzoek van het ING Economisch Bureau bleek dat in 2021 14 procent van de retailers gebruik maakte van AI. Gezien de enorme uitdagingen kan de retailsector enorm veel baat hebben bij AI. Het zorgt ervoor dat retailers op basis van betere voorspellingen hun inkoop kunnen verbeteren zodat ze hun voorraad strak kunnen managen.

Het huidige systeem

Zoals gezegd maken ze binnen de retail nog veel gebruik van systemen op basis van regels, zoals ‘zodra er nog X aantal van dit product op voorraad is, moeten we er Y van bestellen’. Toch blijkt dit vaak niet meer de ideale methode en kunnen retailers mede daardoor te maken krijgen met over- of understock. Daarnaast zorgt een overdaad aan regels dat het ontrafelen van alle verbanden en het verkrijgen van een duidelijk inzicht zonder de hulp van AI lastig is.

AI kan, in tegenstelling tot regels, relaties leggen. Waar je op regels gebaseerde systemen kan zien als een Excel-sheet met ‘als-dit-dan-dat’ relaties - en als A gebeurt, doe dan B – gaat AI een stapje verder: ‘Als A en B plaatsvinden, dan heeft dat invloed op C, maar ook op de relatie tussen C en D.’

Voorspellingen doen wordt complexer

Het retail landschap wordt steeds complexer, waarbij bedrijven met steeds meer verschillende factoren rekening moeten houden. Het is dan handig als het systeem zich kan aanpassen aan veranderende omstandigheden, wat vaak niet het geval is bij een systeem op basis van regels. Zo’n systeem leert niet in de loop van de tijd, terwijl dit bij AI wel het geval is en dit retailers in staat stelt om proactief te reageren op de verschillende veranderende omgevingsfactoren en mogelijke verstoringen. Het verkrijgen van inzichten en het slimmer worden van het systeem in de loop van de tijd bieden een enorm voordeel voor retailers.

Als we kijken naar productvoorspellingen, is de markt voor hardloopschoenen een goed voorbeeld. Stel dat er een nieuwe schoen van een bepaald merk op de markt komt en je hebt al enige ervaring met vorige modellen en je weet hoe de markt reageert. Op basis van eerdere logica kun de mapping maken. Maar wat gebeurt er als een merk een volledig nieuw schoenmodel uitbrengt? Dat is onbekend terrein. Met AI is het mogelijk om scenario's te vergelijken; het is dan mogelijk dat te voorspellen wat er gebeurt bij de introductie van een nieuw product en inschatten of het volume er ongeveer hetzelfde uitziet en wat de prijsklasse is.

Om nog een stap verder te gaan: voorspellingen doen voor een compleet nieuw merk is een nog grotere uitdaging. De retailer moet beginnen met het verzamelen en analyseren van data om de huidige processen te bekijken. Helaas zijn de bestaande processen en data daar niet goed genoeg. Er moeten volledig nieuwe relaties worden voorspeld en er moet rekening worden gehouden met een groot aantal factoren. AI kan hierbij helpen om snel logica en patronen te herkennen, terwijl het zichzelf voortdurend optimaliseert. Uiteindelijk zal de software de basis onder de knie hebben en kan de retailer zij aandacht richten op onderdelen waar dat het hardst nodig is.

Op dit moment zien we een langzame toename van AI-toepassingen in de retailsector, en wordt het met name ingezet bij grote retailbedrijven. Dat de technologie nog beperkt wordt ingezet, komt onder andere door terughoudendheid van retailers om nieuwe technologieën te implementeren. Een gemiste kans, omdat zij hier juist veel baat bij kunnen hebben om hun demand planning te optimaliseren en zo over- of understock kunnen voorkomen.