Case: de vraag naar dagvers brood in supermarkten voorspellen bij Bakkersland

Hoe de grootste bakkerij van Nederland met kunstmatige intelligentie haar rol in de keten verandert

Of je nu een bank, reisorganisatie, retailer of een bakkerij bent, het belang van data neemt toe. Datagedreven toepassingen hebben de potentie om complete waardeketens structureel te veranderen. Kijk naar Bakkersland, met een jaaromzet van vierhonderd miljoen euro de grootste bakkerij van Nederland. Om het proces van productie tot verkoop te optimaliseren is Bakkersland gestart met de ontwikkeling van een model dat de vraag naar dagvers brood voorspelt op basis van kunstmatige intelligentie. Doordat supermarkten nu vertrouwen op de geautomatiseerde bestellingen van hun brood, verandert Bakkersland zijn rol in de keten van enkel toeleverancier naar kennispartner.

Vraagvoorspellend produceren van brood

Voor supermarkten speelt brood een belangrijke rol als klantentrekker; het is dan ook belangrijk dat brood optimaal beschikbaar is. Supermarkten kunnen brood dat aan het einde van de dag overblijft niet meer verkopen, bij voorkeur bestellen winkels dan ook niet te veel brood. Bestel je te weinig, dan heb je lege schappen. Dit leidt ongemerkt tot onzichtbare frustratie bij de consument die mogelijk een broodvervangend product aanschaft, of erger, een concurrerende broodwinkel bezoekt als bepaalde broodsoorten niet meer op voorraad zijn.

Dagelijks levert Bakkersland twee miljoen broden bij twaalfhonderd supermarkten. Voor het produceren van brood op grote schaal is een flexibele organisatie essentieel. Winkelbestellingen komen in de praktijk vrij laat binnen, vaak zijn er ook nog telefonisch bij- en afbestellingen. In de resterende korte productietijd moet Bakkersland dan precies de juiste aantallen met de juiste kwaliteit gaan produceren.

“Kort-cyclische aanpassingen en feedbackloops zijn bij Bakkersland al jaren de gewoonste zaak van de wereld. Voor de continuïteit van de organisatie is het ook erg belangrijk om naar de lange termijn te kijken. Door de vraag naar brood te voorspellen, zijn wij in staat om onze productie beter te plannen en grondstoffen slimmer in te kopen”, vertelt Hein Boersma, IT director van Bakkersland.

Het kunstmatige intelligentie-model in productie brengen

Voorheen plaatsten supermarkten altijd zelf hun bestellingen op basis van de vraag die zij verwachtten. Ineens nam een voorspellend model, dat de balans tussen beschikbaarheid en derving moet bewaken, deze werkzaamheden uit handen. De uitrol bij een eerste supermarkt was dan ook best spannend, herinnert Boersma zich.

“In de beginfase kwam het nog regelmatig voor dat supermarkten op zaterdamiddag extra bestellingen plaatsten. Aan het einde van het weekend bleek vervolgens dat het extra bestelde brood nog keurig in het schap lag. Zonde van het brood, maar het zorgde er wel voor dat het vertrouwen in het model toenam”.

Het model herkent in de eerste plaats patronen, terugkoppeling vanuit de winkels is dan ook erg belangrijk om het model te optimaliseren. Door de combinatie van meer input en voortdurende optimalisatie weet het model de vraag steeds beter te voorspellen.

Anticiperen op individuele klantvragen vanuit een winkel blijft altijd belangrijk. “Een bepaalde klant kon op woensdag haar brood niet vinden in de winkel. Via de supermarktmanager kwam deze klacht bij ons terecht. Na bestudering van de gegevens bleek dat deze individuele klant al jaren altijd op donderdag kwam en zij de enige persoon was die bij deze supermarkt dit specifieke type brood bestelde. De supermarktmanager en de klant hebben afgesproken dat als zij op een andere dag komt, ze dit bij haar supermarkt kan laten weten zodat het brood speciaal voor haar op de gewenste dag beschikbaar is”, vertelt Boersma.

Datakwaliteit bepaalt de betrouwbaarheid

Het ontwikkelde model maakt gebruik van een unieke dataset die is opgebouwd uit diverse databronnen. Het model wordt gevoed met realtime kassatransactiegegevens die de supermarkten beschikbaar stellen. Vervolgens combineert Bakkersland deze data met externe gegevens zoals acties, weersvoorspellingen, vakanties, lokale evenementen en werkzaamheden. Als er bijvoorbeeld wegwerkzaamheden in de buurt van de ene supermarkt zijn, blijkt in de praktijk dat het aantal transacties bij een andere supermarkt in de buurt toeneemt.

Om een betrouwbaar model te ontwikkelen is het essentieel om te werken met schone data. Om de datakwaliteit te verbeteren filtert Bakkersland het model ook op bijvoorbeeld afrekenfouten, zoals grote hoeveelheden brood die aangeslagen zijn maar ook direct weer afgeboekt, of zoekt een match tussen de winkelcodes van de supermarkt en de productcodes van de bakker.

In de praktijk is gebleken dat klanten soms ook brood vooraf bestellen. Een klant bestelt bijvoorbeeld op woensdag stokbroden voor het weekend. Om te voorkomen dat je een model ontwikkelt op basis van vervuilde datasets is het belangrijk om dit soort patronen en uitschieters te herkennen en hierop te filteren.

Sturen op beschikbaarheid en marge

De resultaten na de eerste maanden zijn erg goed. Al na de eerste periode is gebleken dat het model zorgt voor een betere afzet in de supermarkten zonder toename van de derving op het einde van de dag en een afname van overproductie. Na de eerste supermarkt is het model incrementeel uitgerold naar vier en vervolgens naar tientallen supermarkten. Het doel is nu om zo snel mogelijk alle supermarkten van deze landelijke keten aan te sluiten op het model.

Door de enorme toename van het datavolume is Bakkersland steeds nauwkeuriger en met een grotere tijdshorizon in staat om de broodverkoop per supermarkt te kunnen voorspellen. Dit inzicht leidt tot een betere inschatting van productiecapaciteit en een slimmere inkoop van de benodigde grondstoffen. Door aan de hand van salesanalyses ook de gewenste marge mee te nemen in het model, ontstaat de mogelijkheid om te sturen op de beschikbaarheid van specifieke broodsoorten per type afnemer.