Van voorspelling tot beslissing: demand forecasting in de voedingsindustrie

Op 17 november vond het slotevent van Smart Meal Planning plaats als afsluiter van het twee jaar durende project waarin onderzoek werd gedaan naar het potentieel van AI voor het voorspellen van productiehoeveelheden bij laattijdige aanpassingen in de voedingsindustrie. Twee jaar lang sloegen VIVES en KU Leuven de handen in elkaar om samen met voedingsbedrijven aan de slag te gaan en dit potentieel maar ook de mogelijke drempels en oplossingen verder te verkennen. In dit artikel vind je een overzicht van de resultaten en inzichten van het project en het slotevent.

AI en waardecreatie 

AI valt niet meer weg te denken. We laten tekst genereren, maken gekke figuren of zelfs filmpjes die steeds moeilijker te onderscheiden zijn van de realiteit. Maar waar ligt nu het echte economische potentieel van AI voor voedingsbedrijven? En hoe begin je aan je AI-strategie?  Volgens Maarten Verschuere van VIVES zijn er drie belangrijke stappen: Inspire, Enable, Scale. 

En zo werd het Smart Meal Planning project geïnspireerd door voedselverliezen. België is één van de grootste voedselverpillers in Europa: 47% van de voedselverliezen binnen Europa gebeurt binnen de supply chain van rauwe grondstof tot product in de winkel. Consumentengedrag aan het einde van de supply chain is vaak een onvoorspelbare factor. Voedingsproducenten willen voldoen aan de vraag van de consument en zorgen daarom voor voldoende voorraad. Maar bij voedingsproducten, zeker kort houdbare producten, kan een grote voorraad leiden tot aanzienlijke verliezen indien deze voorraad groter was dan de vraag van de consument. De onderzoekers van VIVES en KU Leuven gingen hiermee aan de slag en zetten AI in om de vraag van de consument beter te kunnen voorspellen. Zo had het Smart Meal Planning project als doel om zowel economische impact als impact op de duurzaamheid te creëren en bovendien digitaal te innoveren (Afbeelding 1) 

AI  platform in de praktijk 

Binnen het Smart Meal Planning project werd er daarom een AI-platform ontwikkeld voor de toekomstige vraag te kunnen voorspellen voor kant-en-klare maaltijden. Dit platform werd niet enkel ontwikkeld maar ook in praktijk gebracht.  Daarom namen er verschillende bedrijven deel aan het project zodat dit kon getest worden met hun eigen data. De deelnemende bedrijven waren producenten van schoolmaaltijden, cateraars in zorginstellingen, maaltijdverdelers… 

In samenwerking met deze bedrijven werd een nauwkeurig en robuust AI-gebaseerd voorspellingsmodel ontwikkeld. Het platform moest eenvoudig toegankelijk zijn, zodat bedrijven snel informatie konden raadplegen, maar moest ook flexibel genoeg zijn om op maat van elk individueel bedrijf te werken. Al bij de eerste overlegmomenten kwamen verschillende uitdagingen naar voren. Zo moest een breed toepasbaar AI-voorspellingsmodel voor kant-en-klare maaltijden worden afgestemd op de context van diverse bedrijven, elk met hun eigen uitdagingen en verschillende niveaus van digitalisering (maturity levels). Bovendien moest er vertrouwen worden opgebouwd om met het AI-model te werken.

De belangrijkste boodschap die Filotas Theosodiou (onderzoeker bij VIVES) hierbij kon meegeven: ‘Het is niet zo moeilijk om het AI-platform te ontwikkelen, de moeilijkheid zit in de implementatie in de praktijk’. 

De opbouw van het platform werd stap voor stap aangepakt (figuur 2). Natuurlijk was dit geen rechtlijnig proces. Er was veel overleg, feedback, terugkoppeling en aanpassingen nodig om uiteindelijk tot het finale resultaat van dit project te komen. 

In de praktijk kwamen verschillende uitdagingen naar boven. Zo werd duidelijk dat er een verband zit tussen de vraag naar bepaalde maaltijden en het seizoen. Ook is het verband tussen verschillende maaltijden belangrijk om de ‘Meal cannibalization’ in kaart te brengen. Dit betekent dat een populair gerecht dat samen op het menu staat met andere gerechten ervoor kan zorgen dat het andere gerecht minder gekozen wordt. Om al deze zaken te kunnen voorspellen, is er veel data nodig. Bovendien waren er vaak verschillende dataformats beschikbaar of stonden er typefouten in manueel gecreëerde datasets. Dit toont nogmaals aan hoe belangrijk kwalitatieve data is voor een AI-model. Hoe kwalitatiever en uitgebreider de data, hoe beter de voorspelling. 

Om verbanden bloot te leggen, werd er ook aangeraden om maaltijd in verschillende slimme categorieën in te delen. Spaghetti bolognese valt bijvoorbeeld onder ‘pasta met rode saus’. Het groeperen van maaltijden kan nuttig zijn om meer patronen te herkennen. 

Uiteindelijk werd het model opgesteld met de historische data, extra info over de verschillende maaltijden, kalenderinformatie en bovendien kwam er een  bedrijfsspecifieke configuratie aan te pas. Het omzetten van voorspellingen naar beslissingen moet echter nog steeds kritisch gebeuren. Onverwachte gebeurtenissen zoals plotse weersverandering, grote hoeveelheden ziektes, laattijdige annulering kunnen de voorspellingen negatief beïnvloeden. Tijdens de testfase werd de voorspelling van het model week na week beter. Om de gebruikservaring te verbeteren, werd ook een chatbot aan het platform toegevoegd.

Uiteindelijk werd het model bij vijf bedrijven getest. Uit het model en de testen binnen dit project bleek dat hoe beter de voorspelling was, hoe minder voedselverspilling er optrad en hoe meer productiekosten konden worden gereduceerd.  

Van AI voorspelling naar beslissing

Risicobeheer is een belangrijke factor om van een AI-voorspelling naar een beslissing te gaan in de praktische context. Onverwachte gebeurtenissen kunnen leiden tot foutieve voorspelling en hiermee moet rekening gehouden worden bij het nemen van beslissingen.  Er moet rekening gehouden worden met onzekerheden in de toekomst en voorspellingsfouten. Bij forecasting moeten meerdere mogelijke toekomstscenario’s worden overwogen. Een beslissing kan genomen worden op basis van het worst case scenario, maar aangezien dat in de meeste gevallen een onwaarschijnlijk scenario is, moet een afweging gemaakt worden. Het AI-model kan ook voorspellen binnen een prediction interval. Het geeft dan een reeks waarden waarbinnen verwacht wordt dat de voorspelling met een bepaalde waarschijnlijkheid zal liggen. Er moet dus worden afgewogen hoe breed dit interval wordt ingesteld en of de beslissing gebaseerd wordt op het maximum, iets minder, of juist de exacte voorspelling. De keuze om het interval smaller of breder te zetten is een afweging tussen voldoende voorraad, kosten, voedselverspilling en  klanttevredenheid (zie figuur 3). 

Het is dus een afweging om de breedte van het interval te bepalen, zodat de kosten worden geminimaliseerd en de winst gemaximaliseerd.

Gelaagdheid van risicobeheer

KU Leuven voegde een extra laag toe aan dit risicobeheer, gebaseerd op een case bij IKEA. In het IKEA-restaurant is de eerste stap het ontdooien van ingevroren voedingsmiddelen, wat de houdbaarheid meteen vermindert. De tweede stap is het klaarmaken en opwarmen van de ontdooide voeding in de keuken om deze te serveren aan de klant. Het doel van KU Leuven was om op basis van historische data de hoeveelheden te voorspellen van de maaltijden die ontdooid moeten worden, zodat de beschikbaarheid van maaltijden wordt gemaximaliseerd en voedselverspilling geminimaliseerd. Hiervoor keken ze niet alleen naar voorspellingen op maaltijdniveau, maar ook op productniveau, omdat een maaltijd bestaat uit verschillende maaltijdcomponenten. Meerdere maaltijden kunnen bijvoorbeeld allemaal frietjes bevatten. Voorspellingen op maaltijdniveau of op componentniveau hebben elk hun sterktes en zwaktes. Als de gelaagdheid tussen de voorspelling van maaltijden en de verschillende maaltijdcomponenten in kaart wordt gebracht, kan het risico beter beheerd worden en kan er minder voedsel worden verspild. De methode die KU Leuven hiervoor ontwikkelde, werd geëvalueerd op basis van historische data en vergeleken met enkele andere methodes. Daaruit bleek dat rekening houden met zowel de maaltijden als maaltijdcomponenten in de voorspelling kostenefficiënter was en minder voedselverspilling opleverde ten opzichte van de andere modellen.

Hoe data, forecasting en AI de voedingsindustrie transformeren

VIVES onderzocht ook hoe datagedreven productieplanning momenteel in de voedingsindustrie wordt toegepast en waar de drempels en mogelijke opportuniteiten liggen. Dit deden ze via literatuuronderzoek , aangevuld met een survey en interviews met bedrijven. Deze resultaten kan je in volgend artikel terugvinden: Slimmer Produceren met Data | Hogeschool VIVES

Kansen van forecasting 

De onderzoeksresultaten tonen aan dat forecasting een strategisch instrument is dat productie kan optimaliseren en duurzaamheid verbeteren. De kansen van forecasting liggen op vier domeinen: 

• Slimme en flexibele productieplanning. Vraag, aanbod en grondstoffen kunnen realtime afgestemd worden om op het juiste moment de juiste volumes te produceren. 
• Door data over voedselverlies terug te koppelen naar de planning ontstaat er een lerend systeem. Door deze feedbacklus is er op lange termijn een datagedreven voedselketen waarin verspilling wordt gereduceerd.  
• Forecasting geeft de kans tot een verbeterde ketensamenwerking. Forecasting bevordert transparantie en gedeelde data kunnen leiden tot beter afgestemde leveringen in de keten en minder reststromen. 
• Inzetten op innovatie geeft bedrijven concurrentiekracht. Forecasting draagt bij aan een duurzame en slimme voedselproductie en digitale innovatie wordt zo de motor van duurzame groei. 

Tips voor bedrijven

Een eerste belangrijke stap is het verzamelen van kwalitatieve data om een AI-model te voeden. Wil je daarna starten met een pilootproject? Kies voor een haalbare piloot, baken duidelijk de grenzen af en zet haalbare doelen. Combineer AI ook met de menselijke expertise over het proces en product die aanwezig is in je bedrijf. Stel je verwachtingen bij: een AI-voorspelling zal nooit 100% juist zijn. Maar verbetert het huidige proces op vlak van accuraatheid of bespaart het tijd uit? Dan is dat een win.  Naast het ontwikkelen van het model is er ook aandacht nodig voor ‘change management’. Bouw vertrouwen op bij je personeel in het AI-systeem en leer hen stap voor stap hoe AI gebruikt kan worden. Geef ook de ruimte voor feedback van het personeel om de AI-tool en het platform waarop ze moeten werken verder aan te passen.  

What’s next?

Bedrijven kunnen via een licentie op Smart Meal Planning het AI model inzetten om hun eigen demand forecasting nauwkeurig en efficiënt uit te voeren. Het model wordt geleverd met een laagdrempelig, in co creatie ontwikkeld dashboard dat eenvoudig koppelt met bestaande systemen via CSV uitwisseling. Voor meer informatie of toegang tot de licentie kunnen bedrijven contact opnemen via forecasting@vives.be.