Geleverde Diensten
Samenvatting opdracht
Een magazijn moet de juiste voorraad bevatten zodat klanten hun bestelde producten op tijd kunnen ontvangen. Te laat geleverde producten leidt tot ontevreden klanten. Interne spoedacties om alsnog een product op tijd gereed te hebben voor de klant leidt tot extra kosten.
Voor onze opdrachtgever hebben we een applicatie ontwikkeld die dagelijks suggesties geeft om voorraadinstellingen van producten in het magazijn te verbeteren. Door middel van verschillende algoritmes zoals machine learning modellen worden deze suggesties betrouwbaar bepaald. Supply chain medewerkers interpreteren de suggesties en voeren waar nodig wijzigingen door. Hierdoor krijgen klanten hun bestellingen nog vaker op tijd en blijven kosten beheersbaar.
Vraag opdrachtgever
Onze opdrachtgever levert vanuit een magazijn producten aan klanten. Een deel van deze producten wordt ingekocht, en ander deel zelf vervaardigd. Hiervoor heeft het bedrijf 18.000 artikelen in het magazijn in verschillende aantallen op voorraad. Over tijd verandert het bestelgedrag van klanten, de voorraad in het magazijn moet hierop aangepast zijn om aan de gevraagde tijdigheid van leveren te kunnen voldoen.
Door het bedrijf werd elk half jaar een handmatige analyse gedaan om de voorraadinstellingen van producten te evalueren, zoals de minimale voorraadwaarde. Dit vergde veel tijd en de frequentie van een half jaar was te laag. De opdrachtgever vroeg ons om een applicatie te maken die dagelijks de optimale voorraadinstellingen van producten automatisch kon berekenen.
Oplossing Data Science Partners
Allereerst hebben we het aan het vraagstuk gerelateerde aanwezige datalandschap in kaart gebracht. Hierdoor wisten we welke data beschikbaar was vanuit productieorders, inkooporders en verkooporders, zowel van openstaande als voltooide orders. We hebben geanalyseerd hoe het bedrijf zelf de halfjaarlijkse evaluatie verrichtte. Gebaseerd op deze bevindingen en ontstane inzichten zijn we de applicatie gaan ontwikkelen.
De applicatie maakt gebruik van diverse algoritmes waarmee een complexe datastructuur vertaald wordt in praktische suggesties over voorraadinstellingen. Er zijn bijvoorbeeld seizoenscurves in de vraag te herkennen binnen productgroepen. Dit gecombineerd met overige gegevens brengt een machine learning model in staat om nauwkeurig te voorspellen wat het beste voorraadniveau van een product is.
De applicatie geeft waar nodig suggesties voor het aanpassen van instellingen. Vervolgens heeft een supply chain medewerker de vrijheid om hier invulling aan te geven. Hiermee is de medewerker in staat om betere beslissingen te nemen waardoor de kans vergroot dat een klant zijn bestelling op tijd ontvangt, en de kans verlaagt dat overtollige voorraad in het magazijn aanwezig is.
Resultaat
Er is een applicatie ontwikkeld die dagelijks suggesties geeft voor het aanpassen van voorraadinstellingen van producten. Na gebruik van de applicatie zijn meer zendingen op tijd bij klanten bezorgd, waardoor klanten tevredener zijn. Doordat voorraadinstellingen dagelijks geoptimaliseerd worden hoeft het bedrijf minder spoedacties te verrichten en is er minder overtollige voorraad aanwezig, waardoor kosten gereduceerd zijn.
