AI Vraagvoorspelling & Productieplanning

Het probleem: plannen op gevoel, betaald met verloren capaciteit

Voor een fabrikant is de vraagvoorspelling het document dat stilletjes al het andere bepaalt. Het bepaalt hoeveel grondstof je inkoopt, welke lijnen je draait, hoe je het werk volgordeert en hoeveel mensen je inroostert. Als die voorspelling weinig meer is dan een gefundeerde gok in een spreadsheet, erft elke beslissing daarna de fout — en de kosten stapelen op.

Dat was de situatie die een toonaangevende schoenenfabrikant met €235M omzet bij ons neerlegde. De dagelijkse productieplanning besloeg een breed en seizoensgebonden SKU-assortiment, en was grotendeels handwerk. Planners leunden op ervaring, de cijfers van vorig jaar en een gevoel voor de markt. Dat werkte, tot het niet meer werkte: het bedrijf produceerde sommige lijnen te veel en kwam op andere tekort, geld zat vast in traag lopende voorraad en omzet ging verloren op precies de modellen die klanten wilden.

Bovenop die vraagonzekerheid zat een harde fysieke beperking. Elke matrijswissel aan de lijn kostte capaciteit — insteltijd, opwarmen, uitval en gemiste output. Zonder betrouwbaar vraagsignaal om omheen te plannen waren matrijswissels reactief, uitgelokt door verrassingen in plaats van ingepland in een verstandige volgorde. Elke onnodige of slecht getimede wissel was capaciteit die stilletjes uit de fabriek lekte. Ondertussen namen agressieve concurrenten graag elk stukje marktaandeel over dat wegglipte.

De opdracht was praktisch, niet academisch: geef planners een vraagsignaal dat ze kunnen vertrouwen, en zet dat signaal om in een productieplan dat recht doet aan hoe de fabriek écht draait.

Hoe het systeem werkt

We probeerden de planners niet te vervangen. We bouwden een voorspellings- en planningslaag die het zware statistische werk doet en vervolgens een heldere, uitlegbare aanbeveling overhandigt aan de mensen die de vloer kennen. De pijplijn draait in drie stappen.

1. Voorspellen — Prophet voor seizoen en trend

De eerste taak is de vorm van de vraag modelleren. Schoenen zijn sterk seizoensgebonden, met overlappende patronen: jaarlijkse seizoenen, feestdagpieken, promotiepieken en trage langetermijntrends per modelfamilie. We gebruikten Prophet, een additief tijdreeksmodel dat een reeks ontleedt in trend, seizoen en feestdageffecten. Prophet past hier goed omdat het meerdere seizoenspatronen helder aankan, omgaat met ontbrekende data en onregelmatige historie, en een voorspelling oplevert die een mens echt kan lezen — je ziet de trendlijn en de seizoenscurve, niet alleen een getal. Die transparantie telt wanneer een planner een productiebeslissing moet onderbouwen.

2. Verfijnen — gradient boosting (XGBoost) voor de drivers

Seizoen en trend verklaren veel, maar niet alles. Echte vraag reageert ook op prijswijzigingen, promoties, weer, kanaalverschuivingen en de lange staart van SKU-specifieke eigenaardigheden. Om die te vangen legden we een gradient-boosting-model (XGBoost) erbovenop. Waar Prophet het gladde, structurele deel van de reeks modelleert, leert XGBoost de resterende patronen uit een rijkere set kenmerken en corrigeert de voorspelling zodra nieuwe data binnenkomt. De combinatie is bewust: Prophet houdt de voorspelling stabiel en interpreteerbaar, terwijl gradient boosting de nauwkeurigheid aanscherpt op de rommelige, driver-rijke realiteit. Samen zijn ze nauwkeuriger dan elk model apart, en ze verslechteren gracieus — heeft een SKU weinig historie, dan geeft het structurele model nog steeds een verstandige basislijn.

3. Plannen — de voorspelling omzetten in een schema

Een voorspelling die in een dashboard blijft hangen, verandert niets. De derde stap zet het vraagsignaal om in productieplanning. Voorspellingen sturen het bouwplan zodat runs worden afgestemd op de echt verwachte vraag, en — cruciaal — zodat matrijswissels samenvallen met echte behoefte in plaats van te reageren op verrassingen. Door de productie te volgordeleren rond een betrouwbare voorspelling vermindert de fabriek het aantal verstorende omstellingen en de capaciteit die elke wissel verspilt. Het resultaat is een plan dat zowel vraaggericht als fysiek realistisch is voor de lijn.

Data en aanpak

Goede voorspelling is vooral goede data engineering. Voordat een model zijn nut bewijst, moet de historie schoon, uitgelijnd en betrouwbaar zijn — daarom behandelen we het datafundament als de eerste oplevering, niet als bijzaak. Voor deze opdracht consolideerden we historische verkoop- en orderdata over het SKU-assortiment, brachten we kalenders en promotie-events met elkaar in overeenstemming, en bouwden we een herhaalbare pijplijn zodat de modellen altijd trainen op consistente, actuele data.

• Backtesten vóór go-live. We valideerden de modellen tegen achtergehouden historische periodes en vergeleken de voorspelnauwkeurigheid met de bestaande planningsbasis van de fabrikant, zodat de verbetering gemeten was, niet aangenomen.
• Per-SKU en geaggregeerde views. Voorspellingen worden geleverd op het niveau dat planning echt nodig heeft — granulair genoeg om een lijn in te plannen, geaggregeerd genoeg om capaciteit en inkoop te plannen.
• Continue correctie. De gradient-boosting-laag corrigeert opnieuw op nieuwe data, zodat de voorspelling de realiteit volgt in plaats van weg te driften tussen handmatige updates.
• Mens in de lus. Planners beoordelen de aanbeveling en kunnen die overrulen; het systeem ondersteunt hun oordeel in plaats van het te overrulen.

Dit is dezelfde gedisciplineerde machine-learning-aanpak die we overal toepassen: kies de eenvoudigste modellen die bij het probleem passen, valideer ze eerlijk op echte data, en verpak ze in tooling die mensen daadwerkelijk gebruiken.

Resultaten — echte, geleverde uitkomsten

Dit zijn echte resultaten uit een Crux Digits-opdracht; de klantnaam is afgeschermd in afwachting van toestemming om die te publiceren. Binnen een jaar nadat het voorspellings- en planningssysteem in gebruik was genomen, zag de fabrikant:

• +8% omzetgroei binnen een jaar, doordat betere vraagafstemming betekende dat de juiste modellen beschikbaar waren wanneer klanten ze wilden.
• +7% verbetering van de productiecapaciteit, grotendeels teruggewonnen door verlies bij matrijswissels te verminderen en de lijnen tegen een realistisch plan te draaien.
• Marktpositie behouden op #4 tegen zware, agressieve concurrentie — verdediging van aandeel dat aan het wegglippen was.

Het patroon is precies wat voorspellen de moeite waard maakt: het verdient zich aan beide kanten van de balans tegelijk terug. Omzet stijgt omdat je geen vraag meer misloopt, en kosten dalen omdat je geen capaciteit meer verspilt. De voorspelling wordt de ene bron van waarheid die verkoop, inkoop en de fabrieksvloer op één lijn brengt.

Voor wie dit is, en de ROI-case

Deze aanpak past bij elk bedrijf waar de vraag ongelijk is en het aanbod beperkt — het meest voor de hand liggend in de maakindustrie, maar net zo goed in retail en groothandelsdistributie, food en consumentengoederen, en overal waar planners een groot, seizoensgebonden assortiment jongleren. Herkent u een van de volgende punten, dan valt er vrijwel zeker waarde te halen:

• Planning draait op spreadsheets en ervaring, en de nauwkeurigheid schommelt met wie het doet.
• U draagt structureel te veel trage voorraad terwijl u uitverkocht raakt op de snellopers.
• Omstellingen, instellingen of batchwissels vreten een aanzienlijk deel van de capaciteit.
• Voorspellingen worden af en toe met de hand bijgewerkt, dus ze zijn achterhaald tegen de tijd dat beslissingen vallen.

De ROI-rekensom is meestal eenvoudig. Een paar procentpunten voorspelnauwkeurigheid vertalen zich direct in minder werkkapitaal vast in voorraad, minder gemiste verkoop en teruggewonnen productie-uren — en die winst herhaalt zich elke planningscyclus. Omdat het systeem voortbouwt op tools en data die u al heeft, zijn de opstartkosten bescheiden tegenover de opbrengst. We houden de prijzen transparant en projectgebaseerd; hoe we opdrachten structureren ziet u op onze prijzen-pagina.

Hoe wij een pilot voor u zouden draaien

We vragen u niet om voorspelnauwkeurigheid op goed vertrouwen aan te nemen. We bewijzen het eerst op uw eigen data. Een typische pilot volgt een kort, risicoarm pad:

• Scope en datacheck. We bepalen samen de SKU's en horizon die er het meest toe doen, en beoordelen vervolgens de historie die u heeft en wat die kan dragen.
• Basislijn en backtest. We meten uw huidige voorspelnauwkeurigheid en bouwen en backtesten daarna de Prophet-plus-gradient-boosting-modellen daartegen — zodat de verbetering een getal is, geen belofte.
• Voorspellen en plannen. We leveren vraagvoorspellingen die in een productieplan voeden, met de mens-in-de-lus-beoordeling die uw planners nodig hebben.
• Beslissen met bewijs. U ziet de gemeten verbetering op uw eigen proces voordat u zich aan een volledige uitrol committeert.

Precies zo leverden we het bovenstaande resultaat, en zo halen we het risico uit elke opdracht. We zijn een AI-consultancy en softwarestudio uit Utrecht, actief in heel Nederland, de Benelux en Europa — en modellen omzetten in productiesystemen is precies waarvoor we gebouwd zijn. Is voorspelling en planning bij u een actueel probleem, dan valt dit werk midden in onze AI-implementatie-praktijk. Voor een verwant voorbeeld van verspilling terugdringen op de fabrieksvloer, zie onze case over predictive maintenance, of voor het vraagzijde-equivalent in consumentengoederen, onze case over churn-voorspelling. Bent u klaar om een pilot op uw eigen cijfers te scopen, neem dan contact op.