Verkoopgedrag voorspellen met demand forecasting

Gepubliceerd op 31 januari 2024

Veel factoren bepalen het gedrag van consumenten, wat op zijn beurt de verkoop van voedingsmiddelen bepaalt. Een effectieve techniek om dit in kaart te brengen is demand forecasting. Met de snelle vooruitgang van AI-toepassingen, is het niet te verwonderen dat AI zich ook een weg baant in demand forecasting. In dit artikel leert u enkele cases uit de voedingsindustrie kennen.

Het voorspellen van het consumentengedrag vormt een grote uitdaging om te bepalen hoeveel je precies moet produceren. Voor producten met een relatief lange houdbaarheid, is stock opbouw een goede optie. Echter bij producten met een korte houdbaarheid wil je enerzijds niet te weinig produceren zodat je jouw klanten niet teleurstelt, maar ook niet te veel zodat de voedingsverliezen zo klein mogelijk blijven. Waar bedrijven die snel bederfbare producten produceren tegen aan lopen, is dat ruim voor de leveringsdatum een groot volume wordt besteld en er uiteindelijk nog last-minute aanpassingen in het bestelvolume worden doorgevoerd. Het voedingsbedrijf in kwestie moet dan flexibel genoeg zijn om hun productieplanning aan te passen, wat zorgt voor extra druk en stress op de werkvloer, een inefficiënte personeelsplanning, overtollig geproduceerde maaltijden (food waste) en stijgende kosten doordat enkel het afgenomen bestelvolume wordt gefactureerd. Hoewel het voorspellen van gedrag een uitdaging is, biedt data uit het verleden waardevolle inzichten om te anticiperen op het gedrag van klanten in verschillende situaties.

Voorspellen van consumentengedrag

Een veel gebruikte techniek is demand forecasting die voorspelt hoeveel goederen klanten zullen vragen in de toekomst. Hiervoor wordt veelal de historische sales data gebruikt om dit te voorspellen. Echter zijn er ook vaak externe factoren die een invloed hebben op de toekomstige verkoop. Een voorbeeld dat vaak gegeven wordt, is dat wanneer de weerman 30°C voorspelt in het weekend, Jan modaal de neiging heeft om dat weekend een BBQ te organiseren en daarvoor zijn koteletjes bij de beenhouwer zal halen. Er zijn vaak nog een tal van factoren die hierin meespelen, waar demand forecasting geen rekening mee houdt. Door het gebruik van artificiële intelligentie (AI) kunnen er in grote datasets patronen worden herkend die een persoon niet zou opmerken. Vaak gebruiken bedrijven AI om inefficiënties weg te werken die veroorzaakt worden door het fout afstemmen van vraag en aanbod tijdens het productieproces.

Waarom demand forecasting?

Er zijn verschillende voordelen verbonden aan het gebruik van demand forecasting met AI. Zo kan een voedingsbedrijf kosten besparen en verbeteringen doorvoeren in de financiële- en personeelsplanning. Daarnaast zorgt het ook voor een reductie van food waste en optimaal gebruik van resources. De klant zal tevreden zijn, aangezien er minder kans is dat het product ‘out of stock’ is. Toch moet je erover waken dat je niet blindelings op het systeem zal vertrouwen. Correlaties in data betekent niet dat er automatisch een causaal verband is. Demand forecasting is een tool, waarbij de uiteindelijk kennis steeds bij de mens zal blijven liggen.

Voorbeelden uit de voedingsindustrie

Ons dagelijks brood: hoe La Lorraine Bakery Group IoT gebruikt om hun verkoop te laten toenemen

La Lorraine Bakery Group had als doel hun vraag en aanbod beter op elkaar afstemmen en er zo voor zorgen dat op elk tijdstip van de dag de consument nog een mooi aanbod aan brood kon kopen. Om dit te kunnen verzekeren hadden ze een goed inzicht nodig in de verkoop patronen op verschillende locaties. Samen met Delaware pakten ze dit probleem aan door de broodsnijmachines in de winkels uit te rusten met een klein IoT- apparaat dat informatie kon geven waar en wanneer een brood verkocht werd. Een eerste uitdaging was om de een betrouwbare IoT technologie te vinden om informatie verkregen van de broodsnijmachine correct te kunnen koppelen naar de analytische omgeving. Er werd gekozen voor een apparaat dat trillingen detecteert.

Een tweede uitdaging was transparantie en communicatie, zowel naar klanten waarvan we data wilden verzamelen als verkoop vertegenwoordigers voor wie dit een nieuwe aanpak was.

Uiteindelijk gaf dit La Loraine Bakery group een beter zicht in de vraag maar was het ook een manier om voedselverspilling te verminderen.

Danone reduceert fouten in hun forecast door gebruik van Machine Learning

Ook Danone group maakte gebruik van Machine Learning om de vraag beter te kunnen voorspellen. Hierbij was het een uitdaging om ook rekening te kunnen houden met promoties en media-evenementen waardoor de vraag sterk kan variëren. Danone produceert ook een groot aanbod aan verse voeding met een korte houdbaarheid, waardoor een goede voorspelling nog belangrijker is. Machine learning kon niet enkel de vraag beter voorspellen maar was ook een meerwaarde om de planning tussen verschillende afdelingen te verbeteren.

Delhaize verlaagt voedselverspilling met 21%

In het kader van AI Kickstart werd er voor Delhaize Belgium een demand forcasting model ontwikkeld om de vraag van de consumenten zo goed mogelijk te voorspellen. Voor de input data werd er rekening gehouden met promoties, dag van de week en tijdstip maar ook bijvoorbeeld weersomstandigheden. Na verschillende maanden testen werd het model accurater en heeft de forecasting ervoor gezorgd dat de voedselverspilling met 21% verminderd werd.

Hoe zelf aan de slag gaan?

Ben je zelf nog zoekende van hoe je jouw demand forecasting kan verbeteren? Dan is het TETRA project ‘Smart Meal Planning’ mogelijks interessant voor jou. In dat project zullen Hogeschool VIVES en KU Leuven praktijkgericht onderzoek voeren om AI-gebaseerde voorspellingstools te ontwikkelen die laattijdige aanpassingen in bestelvolumes kan voorspellen. Met data vanuit de industrie zal Hogeschool VIVES en KU Leuven aan de slag gaan om het potentieel ervan aan te tonen.