Experimenteren met innovaties, een educatief proces

Van experimenteren kun je leren! We hebben enerzijds uitdagingen bij onze food klanten, anderzijds een nieuw Dynamics 365 platform. En dat biedt kansen! Hoe kunnen we voor de uitdagingen bij onze klanten innovatieve oplossingen bedenken op basis van nieuwe technologieën die beschikbaar worden gesteld door Microsoft? Die vraag heeft geleid tot de start van een pilot voor Demand Forecasting; het voorspellen van de vraag. Een uitdaging die vooral bij veel versbedrijven van toepassing is. Want het is complex. Inkoop en verkoop zijn iedere dag anders, maar er valt zeker nog veel winst te behalen. Uit de pilot zijn dan ook interessante bevindingen gekomen. Maar ook bij een pilot kan het gebeuren dat de uitkomst niet naar verwachting is. Kort op een rijtje het proces en onze bevindingen:

Geschreven door: Thijs Boonen en Robin de Kivit, Consultants Schouw Informatisering

Combinatie foodkennis en Dynamics 365 platform

Samen met Microsoft zijn we dit experiment gestart. Het combineren van onze foodkennis en de mogelijkheden van het Dynamics 365 platform bieden een goede basis. Om te beginnen hebben we in kaart gebracht welke factoren een impact kunnen hebben op vraag en aanbod, zoals het weer. Stap twee bestond uit het opschonen van historische data van klanten (met toestemming van de klant), om dit in één model bij elkaar te brengen. Belangrijk is hier de visie van de klant; Hoe werken zij met het systeem? Zijn er specifieke variabelen die door in- en verkopers worden gebruikt? Op basis van de geformuleerde factoren en de historische (weer)data hebben we een model gebouwd in Microsoft’s cloud service Machine Learning Studio. Dit model doorloopt elke ingevoerde stap en leert met behulp van algoritmes van de gegevens en variabelen die je het voedt. Dit geeft een score hoe goed jouw model denkt te voorspellen. Uiteindelijk sluit je de pilot door bij de klanten te valideren of jouw data echt klopt.

Uitkomsten pilot Demand Forecasting

De uitkomsten waren helaas niet naar verwachting. Dan ontstaat al snel de vraag; Zijn onze variabelen goed geweest? Waar hebben we iets verkeerd gedaan? We kwamen tot de conclusie dat we voor een tool als dit, een team aan experts nodig hebben die allen met elkaar samenwerken. Van de klant, tot de softwareleverancier, tot data scientists die context kunnen geven aan de uitkomst. Wij hebben de foodkennis, de tools en het ERP-systeem vol met bruikbare data en we experimenteren in mogelijkheden. Maar we hebben ook data scientists en de klant nodig om een model te creëren die we uiteindelijk in de praktijk kunnen inzetten.

Basis voor toekomstige ontwikkelingen

Kortom, experimenteren is een leerzaam proces. Het is niet alleen het wel of niet ontwikkelen van een verkoopbaar product, maar het gaat ook zeker om het enthousiasme dat intern en extern ontstaat tijdens zo’n proces om te experimenteren met technologische innovaties. En dat is de basis voor toekomstige ontwikkelingen!

Krachten bundelen met Erasmus Q-Intelligence

Simultaan aan bovenstaand experiment heeft een klant van Schouw Informatisering een vergelijkbaar experiment uitgevoerd met Erasmus Q-Intelligence (EQI). Hieruit bleek dat we onze krachten op dit gebied perfect kunnen bundelen met deze Data Analytics specialist. Die samenwerking zorgt er dan ook voor dat we onze klanten nu kunnen helpen met specifieke uitdagingen op het gebied van Demand Forecasting.

Lees hier meer over de Demand Forecasting tool die we aanbieden in samenwerking met EQI.