Organisatie
Meat&More is een snelgroeiende onderneming in de voedingssector die gespecialiseerd is in vlees en klant-en-klare producten. Meat&More werkt met een end-to-end aanpak en neemt alles, vanaf de productie tot en met de detailhandel voor zijn rekening. Ze hebben twee commerciële kanalen:
- Buurtslagers die retailers zoals bijvoorbeeld Smatch, Carrefour, Lidl en Delhaize voorzien van een vlees- en kant-en-klaar aanbod in hun winkels.
- Bon’Ap, een Meat&More winkelconcept dat een divers aanbod aan vlees en kant en klare producten aanbiedt. Daarnaast zijn ook andere producten in het assortiment opgenomen.
Uitdaging
Met zijn duizenden producten en honderden winkels, stelde Meat&More een Supply Chain 2020 program op met als doel dat het juiste product, in de juiste hoeveelheid, in de juiste winkel wordt geleverd. Door het tegenhouden van voedselverspilling zou dit niet enkel de omzetverliezen goedmaken, financieel gunstig en tijdbesparend moeten zijn maar dit zou de klantentevredenheid eveneens verhogen door minder stock-outs, verhoogde versheid en verantwoordelijkheidsgevoel voor het milieu.
Doel: omzetten van een pul-model naar een push model:
- In het bestaande pull-model worden bestellingen just-in-time door de winkelverantwoordelijke, op bestelling gemaakt of opgehaald en naar de winkels verzonden.
- In een slim push-model worden verwachte hoeveelheden op voorhand voorspeld voor alle producten en winkels, wordt de productie optimaal gepland en worden producten geleverd (d.w.z. gepusht) op basis van deze prognose.
Wanneer de slimme prognose rekening kan houden met het weer, seizoen gevoeligheden, prijsgevoeligheden, promoties en eerdere verkopen, kan dit push-model resulteren in een hoge mate van automatisering, geoptimaliseerde supply chain-planning en een betere uitvoering van ‘het juiste product is in de juiste hoeveelheid in de juiste winkel’.
Projectaanpak
Meat&More werkte samen met Moore Belgium Strategy & Operations en element61 om de principes van de Supply Chain en AI forecast engine te ontwerpen en op te stellen. Dit project bestond uit twee fases:
- Fase 1: ontwerp
De oorspronkelijke fase gericht op het ontwerpen van de nieuwe Supply Chain set-up inclusief een selectie van nieuwe processen en functies & verantwoordelijkheden.
Tegelijkertijd werd er een Proof of Concept opgesteld om te valideren of de AI een accurate voorspelling voor de verkoop kon leveren op basis van verkopen uit het verleden, promoties, weer en seizoensinvloeden.
Uit het resultaat van fase 1 kregen we twee belangrijke inzichten:
- Het AI algoritme was sterk in het voorspellen van de verwachte verkoop tot 49 dagen op voorhand. Met een foutenmarge van minder dan 5% voor de meeste producten in het Proof of Concept (b.v., root-mean-square-error gedeeld door gemiddelde verkopen), een push-model aanpak zou de planning van de Supply Chain optimaliseren en het zou tijdbesparend zijn.
- De toepassing ervan zou nieuwe technieken vereisten buiten de AI set-up waaronder een bijgewerkte vraagapplicatie voor winkelmanagers (om de voorspelling onder controle te houden) en een dynamische voorraadberekening (rekening houdend met de huidige voorraad, de prognose, producthoudbaarheid).
- Fase 2: implementatie
Het doel van de implementatie was om alle datastromen en technologieën in te stellen om deze Supply Chain set-up makkelijk te kunnen bezorgen aan 250 winkels voor alle (b.v. duizenden) producten. Op dit ogenblik was een uitbreiding essentieel waarbij element61 de klant begeleidde bij het gebruik van een Cloudplatform om alle gegevens en AI-berekeningen uit te voeren.
Na een selectie van leveranciers heeft Meat&More gekozen voor Microsoft Azure als vertrouwenspartner voor hun Cloudplatform. Het ontwerp van de architectuur, de opzet en de ontwikkeling gebeurde in co-ontwikkeling tussen het element61 en het Meat&More team.
De oplossing voor AI vraagprognose
Meat&More beschikt over duizenden producten in honderden winkels. Vroeger werd een vraagprognose handmatig gedaan, gebaseerd op traditionele tools (Excel) en expertise. Het manuele proces, dat gericht was op uitzonderingen van een handmatige prognose van alle producten voor alle winkels, was te tijdrovend.
In een push-model is een accurate vraagprognose essentieel en zijn de contextdetails over de producten van belang om in aanmerking te worden genomen: b.v. BBQ-producten hebben worden het meest verkocht in zomerweekends en gourmet-producten zijn het populairst rond vakantieperiodes. Tegelijkertijd heeft elke winkel zijn eigen specialiteiten: b.v. producten kunnen goed verkopen in een bepaalde regio terwijl het in een andere regio niet verkoopt. Het resulteerde in het feit dat we specifiek moesten zijn per product per winkel en het was eveneens essentieel om niet generiek te zijn: het is namelijk onmogelijk te verwachten dat een prognosemodel accuraat is in het voorspellen van zowel BBQ-ribbetjes als kippensoep.
De aanpak was gericht op het opmaken van een prognosemodel per product en per winkel. Maar allemaal maken ze gebruik van een breed scala aan gedeelde besturingsprogramma’s waaronder afgelopen verkopen, seizoen gebondenheid, feestdagen, promoties, prijswijzigingen, het weer, wijzigingen in het assortiment ect.
Interne en Externe data wordt gebruikt voor alle AI prognoses
Bij de transformatie van een pull-model naar een push-model is belangrijk voor Meat&More en winkelverantwoordelijken, om transparantie te hebben in het AI algoritme: “Wat drijft de prognose en waarom voorspelt het X”. Om transparantie te garanderen werd er besloten om niet te werken met diepgaand leren maar simpelweg met performante AI-technieken.
De vraagprognose was geen standaard time-series set-up. Hoewel trends en seizoen gebondenheid een invloed hebben, suggereert het belang van drijfveren zoals een promotie en weersverandering, een voorgestelde verandering in het gebruik van een driver-bases regressiebenadering. De beste nauwkeurigheid werd gerealiseerd met behulp van een RandomForestRegressor met hyperparameter-afstemming en aandacht voor het verwijderen van uitzonderingen van het uitganspunt. De gerealiseerde nauwkeurigheid varieerde echter per product. Maar het totale succescijfer was < 5% voor fouten op 60% van de geteste producten op een cross-validated test periode (b.v. RMSE gedeeld door het gemiddelde van fouten).
Het resultaat is een AI-algoritme dat dagelijks wordt uitgevoerd voor elk product en voor opslag- en prognosehoeveelheden tot 14 dagen vooraf. De langetermijnprognose (14 dagen) wordt gebruikt voor MRP & inkoop. En de kortetermijnprognose (d.w.z. toekomstige verkoop) wordt gebruikt voor het aanvullen van en leveren aan winkels.
De prognose plannen vs. effectieve verkopen van Vol-au-vent
De oplossing voor uitbreidbaarheid: een Hybrid Data Platform door gebruik van Microsoft Azure
Het algoritme heeft gegevens en computerkracht nodig om te uitgevoerd te kunnen worden. Om uitbreiding en flexibiliteit te kunnen toestaan, heeft Meat&More beslist om hun bestaande BI set-up aan te vullen met een Data Platform in de Microsoft Azure Cloud.
Met behulp van een on-premise gateway, worden verschillende gegevenssets inclusief transactionele verkoopgegevens, promotiegegevens en het weer, dagelijks opgenomen in het Azure Data Lake (Blob Storage) door gebruik van Azure Data Factory. Eenmaal geladen, activeert het hulpmiddel voor de planning ‘Airflow’ de prognosecyclus waarbij een cluster van berekeningsknooppunten (tot 200 VM’s) in Azure Batch parallel aan de training (één keer per week) wordt gestart en elke dag de aanvraag voor vraagprognose beoordeeld.
Het Data Platform ondersteunt het gebruik van open-source tooling zoals R en Spark om eender welke nieuwe AI technieken in de toekomst zo snel mogelijk worden geïntegreerd. Microsoft Azure Cloud heeft deze open-sourcefocus mogelijk gemaakt via services zoals Azure Container Registry en Azure Batch gelet op het gebruik van Docker technologie, hadden we een maximale flexibiliteit in het verankeren van onze AI algoritme in een open-source set-up geconfigureerd met best-practices.
Om toekomstige groei te garanderen werd er een DevOps werkwijze geïntroduceerd met collaboratieve code-ontwikkeling, unit-testing, continue integratie en deployment en infrastructuur als code.
Data Platform Architectuur
Resultaten
Op het moment van schrijven (mei 2019) wordt deze AI vraagprognose set-up momenteel uitgevoerd en wordt de Supply Chain levering aan 5 winkel voor ongeveer 100 producten geautomatiseerd. Met positieve eerste reacties is de uitbreiding naar nog meer producten en meer winkels eveneens gepland in Q3 en Q4 2019.
Bovendien heeft Meat&More data en AI-mogelijkheden in zijn organisatie opgenomen. Met een degelijk gegevensplatform in Microsoft Azure Cloud en een bewezen eerste AI-case, worden er steeds meer gebruiksmogelijkheden gedefinieerd op het gebied van verkoop, marketing en Supply Chain.
Coaching and co-ontwikkeling
Dit project werd voor 100% gerealiseerd door co-ontwikkeling en coaching. Een Meat&More team bestaande uit 1 Data Engineer en 1 Data Scientist, werden ondersteund door een element61 team bestaande uit eveneens 1 Data Engineer en 1 Data Scientist. Tijdens de implementatieperiode van 6 maand nam de tijd die het element61 team doorbracht geleidelijk af en nam de toegewezen tijd van het interne team toe, waarbij meer eigendom en meer ontwikkeling in eigen handen werd genomen. Deze co-ontwikkeling vertaalde zich effectief in het uitleggen van de nieuwe Azure-technologieën, het delen van best-practices, het verduidelijken van onze aanpas en het stap voor stap ontwikkelen van de end-to-end AI en de Data-oplossing.
Wilt u meer weten?
- Bekijk dan de video customer case-study om meer te weten te komen over dit project met Meat&More.
- Contacteer ons voor informatie i.v.m. het starten van een AI vraagprognose.
