Data science & supply chain: hordes om te nemen

Data science & supply chain: steeds vaker een logische combinatie. De hoeveelheid data groeit, het gebruik van data science ook. Toch zijn er nog organisaties en bedrijven die nog niet gestart zijn met data science. Omdat de mogelijkheden voor de supply chain ongekend groot zijn, staat Tinus stil bij de hordes die genomen moeten worden en geeft wat handige adviezen.

We verzamelen meer en meer data. Elke twee jaar een verdubbeling. Dat betekent dat we in de komende twee jaar meer data verzameld zullen hebben dan in alle jaren ervoor. In het verleden gebruikten we data voornamelijk voor het optimaliseren van processen. Dat noemden we dan ‘operations research’. Belangrijkste verschil: tegenwoordig krijgen we meer data uit andere bronnen dan van onze eigen systemen. En we kunnen steeds beter vooruitkijken, dat is ook nieuw. Doordat de rekenkracht van onze ‘machines’ zo enorm is toegenomen, zijn de mogelijkheden voor het optimaliseren van de supply chain ongekend groot. Desondanks zijn nog lang niet alle bedrijven in de logistieke keten aan de slag gegaan met deze kans van jewelste. In dit artikel staan we stil bij de belangrijkste redenen om nog niet te starten met data science. En we geven wat tips en adviezen om zelf aan de slag te gaan.

Datagebrek

Veel analyses zijn opgebouwd uit eenvoudig te verkrijgen data. Die zijn het meest makkelijk en tegen lage kosten beschikbaar. Dat brengt evenwel risico’s met zich mee. Het is immers verleidelijk om op basis van die ‘beperkte’ uitkomsten conclusies te trekken. De vraag is of die conclusies valide zijn? Of dat we er beter aan hadden gedaan om meer tijd en geld te besteden aan het verzamelen van meer relevante data? Want hoeveel zin heeft het om data te analyseren, zonder dat de gegevens een zekere mate van compleetheid hebben?

Datakwaliteit & integriteit

Bij data gaat het niet alleen over aantallen maar vooral ook om de kwaliteit van de informatie. Alleen de combinatie van die twee voorwaarden maakt verantwoord beslissen goed mogelijk. In de meeste gevallen wordt gebruik gemaakt van een mix van interne en externe databronnen. Wie werkt met externe databronnen dient allereerst de vraag te stellen hoe compleet en betrouwbaar die zijn. Geeft data, op basis van sociale media, bijvoorbeeld wel een juiste afspiegeling van wat er speelt in de samenleving? Bij inzet van interne data blijft het belangrijk te weten hoe volledig en actueel de masterdata is. Het is erg belangrijk om de data goed om te schonen. Dat betekent dat de data wordt opgeschoond en getransformeerd, een tijdrovend proces. Inconsistenties en duplicaten moeten bijvoorbeeld worden verwijderd en de data moet gestructureerd worden. Algoritmes kunnen hier anders niet goed mee omgaan of geven onbetrouwbare uitkomsten.

Data scientists

Wie data op de juiste manier wil verwerken, moet overweg kunnen met de daartoe geëigende gereedschappen. Nog belangrijker is het om de juiste vragen te stellen, de juiste data te gebruiken en de juiste aannames te doen. De belangrijkste daarvoor benodigde eigenschap is het vermogen om je niet te laten verleiden door data die irrelevant is of er anderszins niet toe doen. Niets over het hoofd zien, kennis van het werkveld hebben, het werkdomein overzien, statistische know-how, handig zijn met data science tools en kunnen programmeren. Het vraagt nogal wat. Een goede data scientist vinden, is zo makkelijk nog niet, en zeker niet goedkoop. Gebaseerd op vele vacatures  van de laatste twee jaar uit Jobdigger voor data scientist, zien we al snel bruto jaarsalarissen van 50.000-60.000 bruto.

Datakosten

Het argument dat een dergelijke operatie alleen iets zou zijn voor grote bedrijven is flauwekul. Tegelijkertijd zien we dat markten worden opgeschud door nieuwe spelers die van data science een strategisch voordeel hebben gemaakt. Kosten voor opslag van data en verwerking van data zijn enorm gedaald. Ook worden methoden en technieken, zoals sensoren, om data te verzamelen en te verwerken steeds goedkoper.

Delen van data

Om een volledige keten te optimaliseren, is samenwerking in de keten noodzakelijk. Dat lukt alleen als data correct en gestructureerd wordt uitgewisseld. Lastig, omdat er veelal ook data bestaat die we niet met elkaar willen delen of mogen delen. Om dat probleem te omzeilen, zullen er ongetwijfeld andere werkwijzen ontstaan om zo andere vormen van samenwerking in de keten mogelijk te maken. Het delen van informatie met de gehele keten zou bijvoorbeeld tot het inzicht kunnen leiden dat de data in de keten het beste op een andere plek kan komen te liggen. Of wellicht zijn er zelfs schakels in de keten overbodig: niet voor alle ketenpartners per definitie de gewenste uitkomsten. Lastige afwegingen voor individuele schakels in de keten. Echter, voor de keten als geheel is alle data in de keten relevant en het delen van alle informatie kan de keten als geheel veel opleveren. Een supermarktketen die verkoopdata en forecasts durft te delen met leveranciers, kan zo haar voorraden optimaliseren en opslingereffecten in de keten voorkomen.

Data-eigenaren

Zeker bij door bedrijven verzamelde persoonsgegevens van klanten is het van belang goed na te denken over het eigenaarschap van de data. Wet- en regelgeving richt zich meer en meer op bescherming van persoonsgegevens. Deze persoonsgegevens mogen gebruikt worden, mits ze volledig zijn geanonimiseerd. Het beschikbaar stellen van dergelijke klant data aan derden vormt nochtans een risico. Ook in een logistieke keten vormt het eigenaarschap van de data een uitdaging. Immers, gevoelige bedrijfsinformatie moet worden gedeeld met partners in de keten. Een kwestie van vertrouwen!

Vertrouwen in data

Het blijft lastig om te vertrouwen op uitkomsten van data analyses. Veel managers varen een eigen persoonlijke koers. Harde cijfers die soms een ongewenste of verrassende uitkomst bieden, worden dan genegeerd. Kleine fouten in de data analyse of in de gebruikte data kunnen grote verschillen in de uitkomsten te weeg brengen. Dat maakt het vertrouwen op de uitkomsten dan ook niet altijd makkelijk. Data gedreven denken is niet voor iedereen weggelegd

SCEX-Advies voor data science & supply chain

SCEX–Advies: ga op bescheiden schaal aan de slag met dit boeiende thema en leer al doende. Je kunt bijvoorbeeld – zoals een van onze opdrachtgevers doet – je supply chain planners op een cursus sturen. Daar leren ze hoe ze data science op eenvoudige wijze kunnen toepassen (denk aan forecasting en demand management) en ontdek je of data science voor jouw organisatie de moeite waard is.

Onderstaand een kort stappenplan dat data scientists veelal volgen in hun aanpak. Dit geeft een beeld van de te nemen stappen en alles wat erbij komt kijken als je ermee aan de slag zou willen gaan.

  1. Ophelderen van de precieze vraag. Heel goed doorvragen wat men precies wil achterhalen, wat de exacte vraag is die ze voor ogen hebben.
  2. Daarna wordt allerlei data verzameld uit diverse bronnen. Bijvoorbeeld online, api’s, logs, webservers en databases. Soms is de data niet direct voorhanden en zal deze eerst verzameld moeten worden door bijvoorbeeld sensoren in te gaan zetten. De juiste data verzamelen is cruciaal.
  3. Dan wordt de data voorbereid voor de data analyse. Opschonen en transformeren van de data naar bruikbare data voor de analyse. Een tijdrovende stap in veel gevallen. Duplicaten en inconsistenties worden verwijderd en de data wordt gestructureerd.
  4. Hierna vinden de verkennende data analyses plaatst. Zo worden de variabelen voor het model gedefinieerd en verfijnd. Wat zijn de variabelen die de uitkomst samen voorspellen?
  5. In deze stap wordt de data gemodelleerd. Dat betekent dat het model wordt gezocht dat zo goed mogelijk aansluit. Dit model wordt getraind middels test data om te ontdekken of het aansluit op de bedoelde situatie.
  6. Daarna worden het model en de uitkomsten gevisualiseerd en gecommuniceerd. Dit betekent dat tools als Qlickview en Tableau veelal worden ingezet om de data te presenteren.
  7. Tot slot wordt het model geïmplementeerd en wordt er onderhoud gepleegd. Hoe vergaat het gebruik en wat zijn de uitkomsten?

 

Sparren over het gebruik van data science in uw bedrijf? Neem dan contact op met info@scex.nl. Volg ons op Linkedin om op de hoogte te blijven van de nieuwste trends en ontwikkelingen.

data science & supply chain hordes

Gerelateerde blogs

Bekijk alle blogs

Overtuigd? Of heeft u nog vragen waar we in geloven als ketenversnellers. In de nieuwsbrief krijgt u antwoorden en blikken we vooruit wat ons beweegt.

In Suppleye vindt u alles over de laatste trends en ontwikkelingen in de vorm van artikelen, columns, handige checklists en nog veel meer. Welke categorie is voor u interessant? Als u niks wilt missen, meld u dan aan voor de nieuwsbrief of volg ons op LinkedIn.

Inschrijven