IBP of is het tijd voor AI-BP?

S&OP mag dan een 40 jaar oud concept zijn, het ontwikkelt zich steeds sneller, mede door de mogelijkheden die worden geboden door de nieuwste generatie Advanced Planning Systems.  

Achterblijvers en early adopters: het gat groeit 

Als we naar onze klantenportefeuille kijken, dan is de volwassenheidskloof bij S&OP opvallend. Onder de achterblijvers vinden we engineering-bedrijven zoals machinebouwers, leveranciers van magazijnautomatisering en andere assemblage- en engineer-to-order-bedrijven. Velen van hen zetten nu pas de eerste voorzichtige stappen in de wereld van S&OP, waarin ze de klassieke strijd om buy-in aangaan met de commerciële functies. 

Aan de kant van de vernieuwers vinden we de FMCG-multinationals, die deze strijd al decennia geleden achter zich hebben gelaten. Zij zijn volop bezig met het verkennen van de wereld van Machine Learning, AI en data lakes gevuld met interne en externe data, gecombineerd met de oneindige rekenkracht van cloud computing. Dit is waar het interessant wordt, dus laten we eens kijken waar deze groep mee bezig is! 

IBP 1.0: één waarheid en één plan 

Het belangrijkste idee achter Integrated Business Planning is om het bedrijf te sturen op basis van één waarheid. De financiële plannen zijn in dit geval gebaseerd op de bottom-up volumeplannen die door supply chain worden gemaakt en vervolgens worden vertaald naar Euro's. IBP verschuift de focus van het balanceren van vraag en aanbod naar het beheersen van het gat tussen de doelstellingen en de financiële forecast en vervangt de traditionele maandelijkse Management Reviews. 

De conversie van volume naar waarde gebeurt minimaal op omzetniveau, maar gaat vaak ook naar brutomarge of soms zelfs EBIT. Niets nieuws zover, hoewel de conversie naar omzet  uitdagend kan zijn door de complexe en landspecifieke prijsstructuren die typisch zijn voor FMCG. 

AI biedt nieuwe mogelijkheden om met minder moeite accuratere forecasts te genereren en is dus zeer relevant voor IBP. Denk hierbij aan “driver based forecasting” o.b.v. interne en externe inputs, geautomatiseerde decompositie en segmentatie en vele andere ontwikkelingen die helpen om meer data gedreven forecasts te genereren met minder menselijke biases en een hogere nauwkeurigheid. AI forecasting verdient meer aandacht dan een enkele alinea, reden dat we hier in een aparte blog op terugkomen. 

IBP 2.0: beslissingsondersteuning met financiële e2e scenario's 

IBP kan veel meer zijn dan het managen van het gat tussen plan en target. Een gebied dat vaak over het hoofd wordt gezien, is het gebruik van financiële scenario's die idealiter end-to-end KPI’s optimaliseren en die met een paar muisklikken kunnen worden opgezet en geanalyseerd. Twee belangrijke gebieden waar dit tot kwalitatief betere  beslissingen zal leiden: 

1. Tactische beslissingen, genomen in het IBP-proces. 

1. Operationele beslissingen, genomen in S&OE. 

Het paradigma in FMCG, zeker bij A-merk fabrikanten, is om tegen elke prijs aan de vraag te voldoen. De klant is koning, Supply Chain en Operations moeten volgen en zo nodig alles uit de kast trekken om te kunnen leveren. 

Dit zal (en moet waarschijnlijk) niet snel veranderen, maar end-to-end analyses van financiële scenario's kunnen toch veel waarde toevoegen, omdat de afwegingen die vandaag impliciet worden gemaakt dan expliciet worden. Heeft het echt zin om de verkoopvolumes te verhogen via korte termijn promoties, om toch nog de omzetdoelstelling van dit kwartaal te halen? Of kunnen we beter een kleine omzetdaling accepteren en optie B activeren, die een hogere EBIT heeft doordat extra kosten worden vermeden? Plannen we in S&OE weekenddiensten, voorproducties, of zetten we uitzendkrachten in om de hogere orderintake van onze nieuwste innovatie te ondersteunen? Niet door te kijken naar standaardkosten, maar door de impact op de variabele kosten die we in ons APS hebben gesimuleerd te evalueren. 

Wat is er zo anders? 

In theorie zou je meeste scenario's in Excel kunnen bouwen, ad hoc data verzamelen, handmatige analyses uitvoeren en allerlei heuristieken toepassen. In de praktijk zal dit alleen gebeuren voor de grote beslissingen, wat betekent dat de overgrote meerderheid van de afwegingen wordt gemaakt op basis van onderbuikgevoel en in functionele silo's. Jammer, want het is onwaarschijnlijk dat deze manier van werken optimale financiële resultaten oplevert. 

AI/ML kan nu al een grote impact hebben op de efficiëntie en kwaliteit van forecasting en voorraadbeheer. De verbeteringen in IBP-beslissingsondersteuning worden echter meer gedreven door de combinatie van “Concurrent Planning” (één database voor demand en supply), digital twins met gedetailleerde financiële modellen en de enorme rekenkracht van cloud computing. Deze combinatie maakt het mogelijk om snel de voor IBP zo belangrijke end-to-end-scenario’s te definiëren en analyseren. Conceptueel waarschijnlijk niet eens zo heel anders dan de handmatige versies, maar in de praktijk een wereld van nieuwe mogelijkheden! 

Waarom zou je je druk maken? 

Veel zaken kunnen worden geautomatiseerd, maar dat geldt niet voor het maken van niet-routinematige, cross-functionele afwegingen. De kwaliteit van besluitvorming kan wel sterk worden vergroot door geautomatiseerde ondersteuning aan te bieden o.b.v. volume- en financiële data en KPI’s. Hierdoor kunnen we de focus verleggen van het handmatig vinden van haalbare oplossingen naar het automatisch creëren van opties die financiële KPI's zoals marge en EBIT optimaliseren. Omdat we data-geïnformeerde en niet data-gedreven beslissingen willen, moeten de uiteindelijke cross-functionele afwegingen vervolgens worden gemaakt in de S&OE- en IBP-processen, door mensen die de business en al haar complexiteiten echt begrijpen!