In alle sectoren hebben bedrijven te maken met een verhoogde frequentie en omvang van verstoringen. Bedrijven moeten hun activiteiten snel afbouwen en dan weer opvoeren zodra de vraag terugkeert. Ze moeten van productportfolio wisselen afhankelijk van de beschikbaarheid van componenten. Enkele van de gebeurtenissen die het afgelopen decennium voor dynamiek hebben gezorgd zijn de aardbeving en tsunami in Fukushima in Japan, blokkering van het Suezkanaal, lock-downs die verband houdenmet Covid19 en varianten, halfgeleidertekosten (link bevindt zich buiten Axisto), personeelstekorten, oorlog in Ukraine, exploderende energiekosten (Link bevindt zich buiten Axisto), hoge inflatie.

Het is te begrijpen dat de meeste van deze verstoringen leiderschapsteams verrasten. De ergste van deze verstoringen hebben de output, omzet en winstgevendheid van bedrijven onderuitgehaald. Herstel kan maanden of zelfs jaren duren.

Process mining biedt het broodnodige overzicht in de end-to-end supply chain en levert beter inzicht en betere informatie ten behoeve van een betere, proactieve samenwerking intern en in de keten. Process mining biedt bovendien voorstellen voor beslissingen met hun consequenties ten behoeve van realtime optimalisatie van flows.

 

VOLLEDIGE TRANSPARANTIE

Axisto - Process MiningIn plaats van te werken met de ontworpen procesflow of de procesflow die wordt weergegeven in het ERP-systeem, bewaakt process mining het daadwerkelijke proces op elk gewenst niveau van granulariteit: end-2-end proces, procure-2-pay, productie, voorraadbeheer, crediteuren, voor een specifiek type product, leverancier, klant, individuele bestelling, individuele SKU. Process mining bewaakt compliance, conformiteit, samenwerking tussen afdelingen of tussen klant, eigen afdelingen en leveranciers, etc.

OVERZICHT OVER DE HELE SUPPLY CHAIN

Dashboards worden ingericht om volledig aan uw vereisten te voldoen. Ze zijn flexibel en kunnen eenvoudig worden aangepast wanneer uw behoeften veranderen en/of knelpunten verschuiven. Ze creëren realtime inzicht in de procesflow. U weet op elk moment hoeveel inkomsten er op het spel staan vanwege voorraadproblemen, wat de hoofdoorzaken zijn en welke beslissingen u kunt nemen en wat hun effecten en trade offs zullen zijn.

Axisto - examples of process mining dashboards

Als de leveranciersbetrouwbaarheid op het hoogste rapportageniveau niet op het targetniveau ligt, kunt u eenvoudig in realtime naar een specifieke leverancier en een bepaalde SKU gaan om in realtime te ontdekken wat het probleem veroorzaakt. Leveranciers kunnen bijvoorbeeld ook gehouden worden aan het best-practice serviceniveau van concurrerende leveranciers.

GEÏNFORMEERDE BESLUITEN NEMEN EN DE JUISTE ACTIES UITVOEREN

De interactieve rapporten tonen gaps tussen werkelijke en streefwaarden en geven details over de afwijkingen (waar in het proces de grondoorzaak ligt) , figuur A. Door op een van de gemarkeerde problemen te klikken, kunt u een passende actie toewijzen aan een specifieke persoon, figuur B. Of het kan zelfs automatisch worden gedaan wanneer een afwijking wordt geconstateerd.

Process Mining - geïnformeerde besluiten en de juiste acties
Figuur A, details van de afwijkingen.      Figuur B, pop up om een taak aan te maken.

En directe communicatie met betrekking tot de actie wordt in real-time gefaciliteerd, figuur C.

Process Mining - voorbeeld van actiescherm
Figuur C, uitwisselen van informatie.

SAMENVATTING

Process mining is een effectief hulpmiddel om de end-2-end supply chain flows te optimaliseren in termen van marge, werkkapitaal, voorraadniveau en -profiel, cash, ordercyclustijden, leverbetrouwbaarheid, klantenserviceniveaus, duurzaamheid, risico, voorspelbaarheid, enz. Doordat process mining de daadwerkelijke procesflows op itemniveau in realtime monitort, biedt het volledige procestransparantie en voegt het daarmee significante waarde toe aan de klassieke BI-suites. Process mining kan worden geïntegreerd met bestaande BI-applicaties om de kwaliteit van de rapportage en de besluitvorming te verbeteren.

 

Recessie aan de horizon? Op basis van eigen onderzoek en onderzoek van Bain & Company, Harvard Business Review, Deloitte, Gartner en McKinsey formuleren wij zeven acties om uw winstgevendheid te verhogen tijdens en direct na een recessie. Figuur 1 toont hoe groot het verschil tussen winnaars en verliezers is. Dit geldt niet alleen voor de EBIT, na een recessie weten winnende bedrijven ook flinke stappen in marktaandeel te maken.

Axisto - Zeven acties om uw winstgevendheid te verhogen tijdens en direct na een recessie
Figuur 1. “Winnende bedrijven verhoogden hun winstgevendheid tijdens en na de recessie, terwijl verliezers vastliepen” (Bron: Bain & Company).

DE ZEVEN BELANGRIJKSTE ACTIES OM TOT DE WINNAARS TE BEHOREN

De sleutel tot succes is voorbereiding. Hoewel, voorbereiding is eigenlijk een verkeerde woordkeuze. Winnaars zijn winnaars, omdat zij met een duidelijke visie structureel scherp aan de wind zeilen. Ze zijn proactief, snel en slagvaardig. Ze zijn financieel prudent om tegenslagen op te vangen en kansen te pakken zodra die zich voordoen. De onderstaande zeven acties geven helder aan wat dat concreet betekent.

1. DUIDELIJKE VISIE EN ORGANISATORISCHE ALIGNMENT

Hoe ziet uw bedrijf er over drie tot vijf jaar uit? En over één jaar? Wat zijn de ‘vital few’ strategische initiatieven en wat is het pad van strategie naar concrete acties en resultaten? Niet alleen uw leiderschapsteam dient gecommitteerd en aligned te zijn, dit geldt voor uw gehele organisatie. Strategy Deployment is een krachtig hulpmiddel in behoud van alignment en focus, monitoren van voortgang tegen plan en snelle en adquate bijsturing in geval van veranderende condities.

2. BEGRIJP UW STRATEGISCHE EN FINANCIËLE POSITIE

Het bepalen van uw plannen is afhankelijk van uw strategische en financiële positie (zie Figuur 2).

Axisto - Het bepalen van uw plannen vereist inzicht in de strategische en financiële positie van uw bedrijf
Figuur 2. Het bepalen van uw plannen vereist inzicht in de strategische en financiële positie van uw bedrijf (Bron: Bain & Company).

3. MAAK FINANCIËLE MIDDELEN VRIJ

De focus ligt op het in lijn brengen van uw uitgaven met uw visie en strategische initiatieven; geen botte kostenbesparing. Met Zero-based Alignment identificeert u de kernactiviteiten voor succes om die vervolgens zo efficiënt mogelijk in te richten. De activititeiten die niet in lijn zijn, worden gestopt. Met de financiële middelen die u vrijmaakt, kunt u de balans versterken en/of uw investeringsagenda ondersteunen.

Momenteel hebben we te maken met hoge inflatie. Problemen in de toeleverketens en capaciteitsbottlenecks zijn verantwoordelijk voor een deel daarvan, maar hun effect zal uitdempen. Een andere oorzaak zijn de sterk gestegen energiekosten ten gevolge van de strijd in Ukraïne en de resulterende economische sancties. Op termijn zal een deel van de kosten terugveren, maar niet meer naar het oude niveau. De kosten zullen structureel verhoogd blijven door urgentie van de klimaatgedreven energietransititie. Verder is veel geld in omloop, het effect daarvan op de inflatie zal ook langer aanhouden.

Met de huidige hoge inflatie kunnen marges heel snel negatief worden. Snelheid en flexibiliteit zijn geboden; verkoopprijzen moeten omhoog. Prijzen in één keer verhogen is moeilijk. Beter is het om dit in regelmatige kleine stappen te doen. Wat de mogelijkheden zijn, hangt af van de sterkte van het merk en de markt waarin uw bedrijf actief is. Stel wel zeker dat u de juiste klanten behoud.

4. BEHOUD UW KLANTEN

Behoud van klanten is veel goedkoper dan het verwerven van nieuwe. De marge-impact is aanzienlijk. Ontdek manieren om uw klanten door de economische dip heen te helpen en uw relatie met hen te versterken. Uiteraard zetten prijsverhogingen spanning op de relatie. Dit vraagt zorgvuldige verkenning. Zorg er wel voor dat u zich op de juiste klanten richt.

5. PLAN VOOR VERSCHILLENDE SCENARIO’S

Niemand weet wanneer en hoe een neergang zich volledig zal ontvouwen en wanneer de economie weer zal gaan groeien. De winnaars hebben verschillende scenario’s ontwikkeld en ze weten hoe ze moeten handelen in elk van die scenario’s. Dit stelt hen in staat om snel en slagvaardig te handelen.

6. HANDEL SNEL EN SLAGVAARDIG

Winnende bedrijven handelen snel en slagvaardig, in de neergang en vooral in de vroege opleving wanneer de kansen beginnen te ontstaan. Ze hebben de financiële middelen om te investeren vrijgespeeld.

7. OMARM TECHNOLOGIE

Niet alle bedrijven zijn even agressief geweest in de adoptie van nieuwe technologieën. Hier liggen veel mogelijkheden om efficiënte te verbeteren, meer waarde te genereren en daardoor concurrentievoordeel te behalen.

Om het belang van technologie nog eens extra te benadrukken.
In figuur 3 is de ontwikkeling van de ‘total shareholder return’ voor en na de recessie van 2009/ 2010 uitgezet. Duidelijk is te zien hoe winnaars wegbreken van de rest.

Figuur 3, Bedrijven met top-kwartiel omzetgroei en kostenbeheersing worden beloond door investeerders. Source: https://hbr.org/2019/05/how-to-survive-a-recession-and-thrive-afterward
Figuur 3, Bedrijven met top-kwartiel omzetgroei en kostenbeheersing worden beloond door investeerders. Bron: https://hbr.org/2019/05/how-to-survive-a-recession-and-thrive-afterward

Harvard Business Review vond uit dat 70% van de bedrijven in de 3 jaren volgend op de recessie hun groeitempo van voor de recessie niet wisten te hervinden. Slechts 5% van de bedrijven weet een groeitempo te ontwikkelen dat consistent boven die van hun concurrenten ligt (kwartaal-op-kwartaal simultaan groeien van omzet en winstmarge).

Digitale leiders hebben een 3x grotere kans om een omzet- en margegroei te realiseren die hoger is dan die in de branche!

Kunstmatige Intelligentie is hot. We kunnen vrijwel niets meer doen zonder bewust of onbewust in contact te komen met vormen van Kunstmatige Intelligentie. En het wordt steeds belangrijker. Dit artikel is een inleiding tot het vakgebied van de Kunstmatige Intelligentie. Het start met een definitie om vervolgens de verschillende sub-specialismen te verkennen, compleet met omschrijving en enkele toepassingen.

WAT IS KUNSTMATIGE INTELLIGENTIE?

Kunstmatige Intelligentie (KI) maakt gebruik van computers en machines om de vaardigheden van mensen op het gebied van probleemoplossing en besluitvorming te imiteren. Eén van de toonaangevende studieboeken op het vakgebied van KI is Artificial Intelligence: A Modern Approach (link bevindt zich buiten Axisto) van Stuart Russell en Peter Norvig. Daarin werken ze vier mogelijke doelen of definities van KI uit.

Menselijke benadering:

  • Systemen die denken als mensen
  • Systemen die zich gedragen als mensen

Rationele benadering:

  • Systemen die rationeel denken
  • Systemen die zich rationeel gedragen

Kunstmatige intelligentie speelt onder meer een groeiende rol in (I)IoT (Industrieel) Internet der dingen), waarbij (I)IoT-platformsoftware geïntegreerde AI-mogelijkheden kan bieden.

SUB-SPECIALISMEN BINNEN KUNSTMATIGE INTELLIGENTIE

Er zijn verschillende sub-specialismen die behoren tot het domein van de Kunstmatige Intelligentie. Hoewel er de nodige onderlinge afhankelijkheid tussen veel van deze specialismen zit, heeft elk daarvan unieke eigenschappen die bijdragen aan het overkoepelende thema KI. Het The Intelligent Automation Network (link bevindt buiten Axisto) onderscheidt zeven sub-specialismen, figuur 1.

Zeven sub-specialismen in KI
Figuur 1, Het Intelligent Automation Network onderscheidt zeven sub-specialismen binnen Kunstmatige Intelligentie.

Elke sub-specialisme wordt hieronder verder toegelicht.

MACHINE LEARNING

Machine learning is het vakgebied dat zich richt op het gebruik van gegevens en algoritmen om de manier waarop mensen leren te imiteren met behulp van computers, zonder dat die expliciet geprogrammeerd zijn, en daarbij geleidelijk de nauwkeurigheid te verbeteren. Het artikel “Axisto – een introductie tot Machine Learning” gaat dieper op deze specialiteit in.

MACHINE LEARNING EN PREDICTIVE ANALYTICS

Analytics en machine learning gaan hand in hand. Predictive analytics omvat een verscheidenheid aan statistische technieken, waaronder algoritmen voor machine learning. Met de statistische technieken worden huidige en historische feiten geanalyseerd om voorspellingen te doen over toekomstige of anderszins onbekende gebeurtenissen. Deze voorspellende analysemodellen kunnen in de loop van de tijd worden getraind om te reageren op nieuwe gegevens.

Het bepalende functionele aspect van deze technische benaderingen is dat predictive analytics een voorspellende score (een waarschijnlijkheid) geeft voor elk ‘individu’ (klant, medewerker, zorgpatiënt, product-SKU, voertuig, onderdeel, machine of andere organisatorische eenheid) om te bepalen, te informeren of invloed te hebben op organisatorische processen met betrekking tot grote aantallen ‘individuen’. Toepassingen zijn te vinden bij bijvoorbeeld marketing, kredietrisicobeoordeling, fraudedetectie, productie, gezondheidszorg en overheidsactiviteiten, waaronder wetshandhaving.

In tegenstelling tot andere Business Intelligence (BI)-technologieën is voorspellende analyse toekomstgericht. Gebeurtenissen uit het verleden worden gebruikt om te anticiperen op de toekomst. Vaak is de onbekende gebeurtenis van belang in de toekomst, maar voorspellende analyses kunnen worden toegepast op elk type ‘onbekend’, of het nu in het verleden, het heden of de toekomst is. Bijvoorbeeld het identificeren van verdachten nadat een misdrijf is gepleegd, of creditcardfraude als deze zich voordoet. De kern van voorspellende analyses is gebaseerd op het vastleggen van relaties tussen verklarende variabelen en de voorspelde variabelen uit eerdere gebeurtenissen, en deze te exploiteren om de onbekende uitkomst te voorspellen. Uiteraard hangt de nauwkeurigheid en bruikbaarheid van de resultaten sterk af van het niveau van de gegevensanalyse en de kwaliteit van de aannames.

Machine Learning en voorspellende analyses kunnen een belangrijke bijdrage leveren aan elke organisatie, maar invoering zonder na te denken over hoe ze in de dagelijkse activiteiten passen zal hun vermogen om relevante inzichten te leveren sterk beperken.

Om waarde uit voorspellende analyses en machine learning te halen, moet niet alleen de architectuur aanwezig zijn om deze oplossingen te ondersteunen. Ook hoogwaardige gegevens moeten beschikbaar zijn om ze te voeden en te helpen leren. Gegevensvoorbereiding en -kwaliteit zijn belangrijke factoren voor voorspellende analyses. Invoergegevens kunnen meerdere platforms omvatten en meerdere big data-bronnen bevatten. Om bruikbaar te zijn, moeten deze gecentraliseerd, uniform en in een coherent formaat zijn.

Daartoe moeten organisaties een degelijke aanpak ontwikkelen om gegevensbeheer te bewaken en ervoor te zorgen dat alleen gegevens van hoge kwaliteit worden vastgelegd en opgeslagen. Verder moeten bestaande processen worden aangepast om voorspellende analyses en machine learning op te nemen, omdat dit organisaties in staat zal stellen de efficiëntie op elk punt in het bedrijf te verbeteren. Ten slotte moeten zij weten welke problemen ze willen oplossen, dit om het beste en meest toepasselijke model te bepalen.

NATURAL LANGUAGE PROCESSING (NLP)

Natuurlijke taalverwerking is het vermogen van een computerprogramma om menselijke taal te begrijpen zoals deze wordt gesproken en geschreven – ook wel natuurlijke taal genoemd. NLP is een manier voor computers om betekenis uit menselijke taal te analyseren en te extraheren, zodat ze taken als vertaling, sentimentanalyse en spraakherkenning kunnen uitvoeren.

Dit is moeilijk, omdat het veel ongestructureerde gegevens omvat. De stijl waarin mensen praten en schrijven (ook wel stemgeluid/ toon genoemd) is uniek voor individuen en evolueert voortdurend om populair taalgebruik te weerspiegelen. Het begrijpen van de context is ook een probleem – iets dat semantische analyse vraagt van machine learning. Natuurlijk taalbegrip (NLU) is een vertakking van NLP en pikt deze nuances op via machinaal ‘begrijpend lezen’ in plaats van simpelweg de letterlijke betekenissen te begrijpen. Het doel van NLP en NLU is om computers te helpen menselijke taal goed genoeg te begrijpen, zodat ze op een natuurlijke manier kunnen converseren.

Al deze functies worden beter naarmate we meer schrijven, spreken en praten met computers: ze leren voortdurend. Een goed voorbeeld van dit iteratief leren is een functie als Google Translate die gebruikmaakt van een systeem dat Google Neural Machine Translation (GNMT) wordt genoemd. GNMT is een systeem dat werkt met een groot kunstmatig neuraal netwerk om steeds vloeiender en nauwkeuriger te vertalen. In plaats van één stuk tekst tegelijk te vertalen, probeert GNMT hele zinnen te vertalen. Omdat het miljoenen voorbeelden doorzoekt, gebruikt GNMT een bredere context om de meest relevante vertaling af te leiden.

Leer hoe Natural Language Processing werkt (link bevindt zich buiten Axisto).

Natuurlijke taalverwerking – mensen begrijpen – is de sleutel tot AI om zijn claim op intelligentie te rechtvaardigen. Nieuwe deep learning-modellen verbeteren voortdurend de prestaties van AI in Turing-tests. Google’s Director of Engineering Ray Kurzweil voorspelt dat “AI’s tegen 2029 “menselijke niveaus van intelligentie zullen bereiken“(link bevindt zich buiten Axisto).

Overigens, wat mensen zeggen is soms heel wat anders dan wat mensen doen. Begrijpen van de menselijke natuur is bepaald niet eenvoudig. Intelligentere AI’s vergroten het perspectief van kunstmatig bewustzijn, waardoor een nieuw veld van filosofisch en toegepast onderzoek is ontstaan.

SPRAAK

Spraakherkenning staat ook bekend als automatische spraakherkenning (ASR), computerspraakherkenning of spraak-naar-tekst. Het is een mogelijkheid die natuurlijke taalverwerking (NLP) gebruikt om menselijke spraak in een geschreven formaat te verwerken. Veel mobiele apparaten nemen spraakherkenning in hun systemen op om gesproken zoekopdrachten uit te voeren, bijv. Siri van Apple.

Een belangrijk spraakgebied in AI is spraak naar tekst, het proces waarbij audio en spraak worden omgezet in geschreven tekst. Het kan gebruikers met een visuele of fysieke beperking helpen en kan de veiligheid bevorderen met handsfree bediening. Spraak-naar-teksttaken bevatten machine learning-algoritmen die leren van grote datasets van menselijke stemvoorbeelden om tot voldoende gebruikskwaliteit te komen. Spraak-naar-tekst heeft waarde voor bedrijven omdat het kan helpen bij de transcriptie van video- of telefoongesprekken. Tekst naar spraak zet geschreven tekst om in audio die klinkt als natuurlijke spraak. Deze technologieën kunnen worden gebruikt om personen met een spraakstoornis te helpen. Polly van Amazon is een voorbeeld van een technologie die deep learning gebruikt om spraak te synthetiseren die menselijk klinkt ten behoeve van bijvoorbeeld e-learning en telefonie.

Spraakherkenning is een taak waarbij spraak door een systeem wordt ontvangen via een microfoon en wordt gecontroleerd aan de hand van een database met een grote woordenschat voor patroonherkenning. Wanneer een woord of zin wordt herkend, zal deze reageren met de bijbehorende verbale reactie of een specifieke taak. Voorbeelden van spraakherkenning zijn Apple’s Siri, Amazon’s Alexa, Microsoft’s Cortana en Google’s Google Assistant. Deze producten moeten de spraakinvoer van een gebruiker kunnen herkennen en de juiste spraakuitvoer of actie kunnen toewijzen. Nog geavanceerder zijn pogingen om spraak te creëren op basis van hersengolven voor degenen die niet kunnen spreken of mogelijkheid tot spraak hebben verloren.

EXPERTSYSTEMEN

Een expertsysteem gebruikt een kennisbank over zijn toepassingsdomein en een inferentie-engine om problemen op te lossen die normaal gesproken menselijke intelligentie vereisen. Een interferentie engine is een onderdeel van het systeem dat logische regels toepast op de kennisbank om nieuwe informatie af te leiden. Voorbeelden van expertsystemen zijn onder meer financieel beheer, bedrijfsplanning, kredietautorisatie, ontwerp van computerinstallaties en planning van luchtvaartmaatschappijen. Een expertsysteem op het gebied van verkeersbeheer kan bijvoorbeeld helpen bij het ontwerpen van slimme steden door op te treden als een “menselijke operator” voor het doorgeven van verkeersfeedback voor de juiste routes.

Een beperking van expertsystemen is dat ze het gezond verstand missen dat mensen wel hebben, zoals een begrip van de grenzen van hun vaardigheden en hoe hun aanbevelingen in het grotere geheel passen. Ze missen het zelfbewustzijn van mensen. Expertsystemen zijn geen vervanging voor besluitvormers omdat ze geen menselijke capaciteiten hebben, maar ze kunnen het menselijke werk dat nodig is om een probleem op te lossen drastisch verlichten.

PLANNING SCHEDULING EN OPTIMALISITIE

KI-planning is de taak om te bepalen hoe een systeem zijn doelen op de beste manier kan bereiken. Het is het kiezen van opeenvolgende acties die een grote kans hebben om de toestand van de omgeving stapsgewijs te veranderen ten einde een doel te bereiken. Dit soort oplossingen is vaak complex. In dynamische omgevingen met constante verandering, vereisen ze frequente trial-and-error iteratie om te finetunen.

Plannen is het maken van planningen, of tijdelijke toewijzingen van activiteiten aan resources, rekening houdend met doelen en beperkingen. Om een algortime te ontwerpen bepaalt planning de volgorde en timing van acties die door het algoritme worden gegenereerd. Deze worden doorgaans uitgevoerd door intelligente uitvoerders, autonome robots en onbemande voertuigen. Wanneer ze goed zijn ontworpen kunnen ze planningsproblemen voor organisaties op een kostenefficiënte manier oplossen. Optimalisatie kan worden bereikt door een van de meest populaire ML- en Deep Learning-optimalisatiestrategieën te gebruiken: gradient descent. Dit wordt gebruikt om een machine learning-model te trainen door de parameters ervan op een iteratieve manier te wijzigen om een bepaalde functie tot het lokale minimum te minimaliseren.

Zie ook onze “More Optimal Planning en Optimalisatie Software”.

ROBOTICS

Kunstmatige intelligentie bevindt zich aan de ene kant van het spectrum van intelligente automatisering, terwijl Robotic Process Automation (RPA), softwarerobots die menselijke acties nabootsen, aan de andere kant staat. De ene houdt zich bezig met het repliceren van hoe mensen denken en leren, terwijl de andere zich bezighoudt met het repliceren van hoe mensen dingen doen. Robotica ontwikkelt complexe sensor motorische functies die machines in staat stellen zich aan te passen aan hun omgeving. Robots kunnen de omgeving voelen met behulp van computervisie.

Het belangrijkste idee van robotica is om robots zo autonoom mogelijk te maken door te leren. Ondanks het niet bereiken van mensachtige intelligentie, zijn er nog steeds veel succesvolle voorbeelden van robots die autonome taken uitvoeren, zoals dozen dragen, objecten oppakken en neerleggen. Sommige robots kunnen besluitvorming leren door een verband te leggen tussen een actie en een gewenst resultaat. Kismet, een robot bij het Artificial Intelligence Lab van het M.I.T., leert zowel lichaamstaal als stem te herkennen en gepast te reageren. Deze MIT video (link staat buiten Axisto) geeft een goede indruk.

COMPUTER VISION

Computervisie is een gebied van AI dat computers traint om informatie uit beeld- en videogegevens vast te leggen en te interpreteren. Door machine learning (ML)-modellen toe te passen op afbeeldingen, kunnen computers objecten classificeren en reageren, zoals gezichtsherkenning om een smartphone te ontgrendelen of beoogde acties goed te keuren. Wanneer computervisie wordt gekoppeld aan Deep Learning, combineert het het beste van twee werelden: geoptimaliseerde prestaties gecombineerd met nauwkeurigheid en veelzijdigheid. Deep Learning biedt IoT-ontwikkelaars een grotere nauwkeurigheid bij objectclassificatie.

Machine vision gaat nog een stap verder door computer vision-algoritmen te combineren met beeldregistratiesystemen om robots beter aan te sturen. Een voorbeeld van computervisie is een computer die een unieke reeks strepen op een universele productcode kan ‘zien’ en deze kan scannen en herkennen als een unieke identificatiecode. Optical Character Recognition (OCR) maakt gebruik van beeldherkenning van letters om papieren gedrukte records en/of handschrift te ontcijferen, ondanks het grote aantal verschillende lettertypen en handschriftvariaties.

 

WAT IS MACHINE LEARNING?

Dit artikel behandelt de introductie tot machine learning en de direct gerelateerde concepten.

Machine learning is het vakgebied dat computers de mogelijkheid geeft om te leren zonder expliciet geprogrammeerd te zijn. Het is een subset van kunstmatige intelligentie (KI) die zich richt op het gebruik van gegevens en algoritmen om de manier waarop mensen leren te imiteren en waarbij de nauwkeurigheid geleidelijk wordt verbeterd.
Het basisconcept van machine learning betreft het gebruik van statistische leer- en optimalisatiemethoden (link bevindt zich buiten Axisto) waarmee computers datasets kunnen analyseren en identificeren. Machine learning-technieken maken gebruik van datamining om historische trends te identificeren teneinde toekomstige modellen te informeren.

Volgens de University of California, Berkeley, bestaat het typische begeleide machine learning-algoritme uit (ongeveer) drie componenten:

  • Een beslissingsproces: Een combinatie van berekeningen of andere stappen die de gegevens opnemen en een ‘gok’ retourneren van het soort patroon in de gegevens dat het algoritme zoekt.
  • Een foutfunctie: Een methode om te meten hoe goed de gok was door deze te vergelijken met bekende voorbeelden (indien beschikbaar). Is het besluitvormingsproces goed verlopen? Zo niet, hoe kwantificeert u “hoe erg” de misser was?
  • Een update- of optimalisatieproces: waarbij het algoritme naar de misser kijkt en vervolgens de manier, waarop het besluitvormingsproces tot de uiteindelijke beslissing komt, bijwerkt zodat de volgende keer de misser niet zo groot zal zijn.

Machine learning is een belangrijk onderdeel van het groeiende veld van datawetenschappen. Met statistische methoden worden algoritmen getraind om classificaties of voorspellingen te doen, waardoor belangrijke inzichten uit gegevens worden gehaald.

HOE LEERT EEN MACHINE LEARNING ALGORITME?

De technologiefirma Nvidia (link bevindt zich buiten Axisto) onderscheidt vier leermodellen, die worden bepaald door het niveau van menselijke interventie:

  • Begeleid leren: Als je onder begeleiding een taak leert, is er iemand aanwezig die beoordeelt of je het juiste antwoord krijgt. Evenzo betekent dit bij begeleid leren dat je een volledige set gelabelde(*) gegevens hebt, terwijl je een algoritme traint.
  • Onbegeleid leren: Bij onbegeleid leren krijgt een ‘deep learning’-model een dataset aangereikt zonder expliciete instructies over wat ermee te doen. De trainingsdataset is een verzameling voorbeelden zonder een specifiek gewenst resultaat of correct antwoord. Het neurale netwerk probeert vervolgens automatisch structuur in de gegevens te vinden door nuttige functies te extraheren en de structuur ervan te analyseren.
  • Semi-begeleid leren: is voor het grootste deel precies hoe het klinkt: een trainingsdataset met zowel gelabelde als niet-gelabelde data. Deze methode is met name handig wanneer het moeilijk is om relevante kenmerken uit de gegevens te extraheren en het labelen van voorbeelden een tijdrovende taak is voor de experts.
  • Versterkend leren: Bij dit soort machine learning proberen AI-algoritmes de optimale manier te vinden om een bepaald doel te bereiken of de prestaties van een specifieke taak te verbeteren. Als het algoritme actie onderneemt die in de richting van het doel gaat, ontvangt het een beloning. Het algemene doel: voorspel de beste volgende stap om de grootste uiteindelijke beloning te verdienen. Om zijn keuzes te maken, vertrouwt het algoritme zowel op lessen uit eerdere feedback als op verkenning van nieuwe tactieken die een grotere beloning kunnen opleveren. Het gaat om een langdurige strategie — net zoals de beste directe zet in een schaakspel je uiteindelijk niet kan helpen om te winnen; het algoritme probeert de cumulatieve beloning te maximaliseren. Het is een iteratief proces: hoe meer feedbackrondes, hoe beter de strategie van het algoritme wordt. Deze techniek is vooral handig voor het trainen van robots, die een reeks beslissingen nemen in taken zoals het besturen van een autonoom voertuig of het beheren van voorraad in een magazijn.

* Volledig gelabeld betekent dat elk voorbeeld in de trainingsdataset is voorzien is van het antwoord dat het algoritme op zichzelf zou moeten produceren. Dus een gelabelde dataset van bloemenafbeeldingen zou het model vertellen welke foto’s rozen, madeliefjes en narcissen waren. Wanneer een nieuwe afbeelding wordt getoond, vergelijkt het model deze met de trainingsvoorbeelden om het juiste label te voorspellen.

In alle vier de leermodellen leert het algoritme van datasets met menselijke regels of kennis.

Bij het navigatie van het domein van kunstmatige intelligentie komt niet alleen de term machine learning langs, maar ook deep learning (DL) en neurale netwerken (artificiële neurale netwerken – ANN). Kunstmatige intelligentie en machine learning worden door elkaar heen gebruikt, netals machine learning en deep learning. Maar in feite zijn ze een subset van een subset zoals gevisualiseerd in figuur 1.

Axisto - Introductie tot Machine Learning
Figuur 1. Kunstmatige neurale netwerken zijn een subset van deep learning is een subset van machine learning is een subset van kunstmatige intelligentie.

Daarom worden hieronder ook deep learning en kunstmatige neurale netwerken kort toegelicht.

HET VERSCHIL TUSSEN MACHINE LEARNING EN DEEP LEARNING IS IN DE MANIER WAAROP EEN ALGORITME LEERT

In tegenstelling tot machine learning, vereist deep learning geen menselijke tussenkomst om gegevens te verwerken. Deep learning automatiseert een groot deel van het functie-extractie proces, waardoor een deel van de handmatige menselijke interventie, wordt geëlimineerd en het gebruik van grotere datasets mogelijk wordt. “Non-deep” machine learning is voor het leren in meer of mindere mate afhankelijk van menselijk ingrijpen. Menselijke experts bepalen de reeks functies om de verschillen in de gegevensinvoer te begrijpen, waarvoor meestal meer gestructureerde gegevens nodig zijn om te leren. “Deep” machine learning kan gebruikmaken van gelabelde datasets, ook wel begeleid leren genoemd, om het algoritme te informeren, maar het vereist niet per se een gelabelde dataset. Het kan ook ongestructureerde gegevens in onbewerkte vorm verwerken (bijv. tekst en afbeeldingen) en het kan automatisch de reeks functies bepalen die verschillende categorieën van gegevens van elkaar onderscheiden.

Axisto - Machine Learning en Deep Learning
Figuur 2. Het verschil tussen Machine Learning en Deep Learning gevisualiseerd.

Deep learning gebruikt meerdere lagen om geleidelijk hogere niveaus van functies uit de onbewerkte invoer te extraheren. Bij beeldverwerking kunnen lagere lagen bijvoorbeeld randen identificeren, terwijl hogere lagen de concepten kunnen identificeren die relevant zijn voor een mens, zoals cijfers of letters of gezichten.
Bij deep learning leert elke laag zijn invoergegevens om te zetten in een iets meer abstracte en samengestelde weergave. In een toepassing voor beeldherkenning kan de onbewerkte invoer een matrix van pixels zijn. De eerste representatieve laag kan de pixels abstraheren en randen coderen. De tweede laag kan rangschikkingen van randen samenstellen en coderen en de derde laag kan een neus en ogen coderen. De vierde laag kan herkennen dat de afbeelding een gezicht bevat. Belangrijk is dat een deep learning proces zelfstandig kan leren welke kenmerken op welk niveau optimaal kunnen worden geplaatst. Dit elimineert de noodzaak voor handmatig ingrijpen niet volledig; verschillende aantallen lagen en laagafmetingen kunnen bijvoorbeeld verschillende gradaties van abstractie opleveren.
Het woord “deep” in “deep learning” verwijst naar het aantal lagen waardoor de data wordt getransformeerd, zie figuur 3.

NEURALE NETWERKEN

Kunstmatige neurale netwerken leren op meerdere lagen van details of representaties van gegevens. Door deze verschillende lagen gaat informatie van parameters op een laag niveau naar parameters op een hoger niveau. Deze verschillende niveaus corresponderen met verschillende niveaus van data-abstractie, wat leidt tot leren en herkennen.

Een ANN is gebaseerd op een verzameling van verbonden eenheden die kunstmatige neuronen worden genoemd (analoog aan biologische neuronen in een biologisch brein). Elke verbinding (synaps) tussen neuronen kan een signaal naar een ander neuron sturen. Het ontvangende (post-synaptische) neuron kan het signaal/de signalen verwerken en vervolgens de stroom-afwaartse neuronen die ermee verbonden zijn, signaleren. Neuronen kunnen een toestand hebben, over het algemeen weergegeven door reële getallen, meestal tussen 0 en 1. Neuronen en synapsen kunnen ook een gewicht hebben dat varieert naarmate het leren vordert, wat de sterkte van het signaal dat het stroomafwaarts verzendt, kan vergroten of verkleinen. Meestal zijn neuronen georganiseerd in lagen. Verschillende lagen kunnen verschillende soorten transformaties uitvoeren op hun invoer. Signalen gaan van de eerste (invoer) naar de laatste (uitvoer) laag, mogelijk na meerdere keren door de lagen heen te zijn gegaan.

Axisto - Artificieel Neuraal Netwerk
Figuur 3. Lagen in een kunstmatig neuraal netwerk.

TOEPASSINGEN VAN MACHINE LEARNING

Er zijn veel toepassingen voor machine learning; het is een van de drie belangrijkste elementen van Intelligente Automatisering en een autonoom operating model binnen Industrie 4.0. Machine Learning-applicaties kunnen tekst lezen en bepalen of de persoon die het heeft geschreven een klacht indient of feliciteert. Ze kunnen ook naar een muziekstuk luisteren, beslissen of het iemand blij of verdrietig zal maken, en andere muziekstukken zoeken die bij de stemming passen. In sommige gevallen kunnen ze zelfs hun eigen muziek componeren waarin dezelfde thema’s tot uitdrukking komen, of waarvan ze weten dat ze gewaardeerd zullen worden door de fans van het originele stuk.
Neurale netwerken worden gebruikt voor een verscheidenheid aan taken, waaronder computervisie, spraakherkenning, machinevertaling, filtering van sociale netwerken, het spelen van bord- en videogames en medische diagnose. Vanaf 2017 hebben neurale netwerken doorgaans een paar duizend tot een paar miljoen eenheden en miljoenen verbindingen. Ondanks dat dit aantal enkele ordes van grootte kleiner is dan het aantal neuronen in een menselijk brein, kunnen deze netwerken veel taken uitvoeren op een niveau dat verder gaat dan dat van mensen (bijvoorbeeld gezichten herkennen en “Go” spelen).

 

INVESTEREN IN INDUSTRIE 4.0-TECHNOLOGIE LEVERT FORSE VOORDELEN OP

In 2018 lanceerde het World Economic Forum (WEF) het nog steeds lopende initiatief, Shaping the Future of Advanced Manufacturing and Production, om het ware potentieel van Industrie 4.0-technologieën in productiebedrijven te begrijpen. Uit 450 cases van de 69 zogenaamde koploperbedrijven blijkt tot nu toe, dat organisaties die investeren in Industrie 4.0-technologie forse verbeteringen realiseren op het gebied van productiviteit, duurzaamheid, bedrijfskosten, maatwerk en snelheid-naar-markt.

Enkele concrete getallen: arbeidsproductiviteit gestegen met 32% tot 86%, doorlooptijden van bestellingen gedaald met 29% tot 82%, kwaliteit met 32% verbeterd, productiekosten met 33% omlaag, OEE gestegen met 27%, doorlooptijd van nieuw productontwerp naar markt gehalveerd.

Bovendien bleek dat met Industrie 4.0-technologieën niet alleen operationele problemen worden opgelost. Ook schadelijke milieueffecten, zoals afval, verbruik en emissies, kunnen verminderen. Natuurlijk, de grootste milieuvoordelen zijn afkomstig zijn van gerichte duurzaamheidsinitiatieven, maar toepassingen van Industrie 4.0-technologieën laten wel degelijk ook een aanzienlijke milieu-impact zien, zoals minder energieverbruik (reductie een derde) en minder waterverbruik (meer dan een kwart minder).

Van de 69(*) koploperbedrijven binnen het WEF-initiatief die er tot nu toe wereldwijd bestaan, heeft 64% zijn groei kunnen versnellen door toepassing van Industrie 4.0-concepten. In al die gevallen konden ze, vrijwel zonder financiële investeringen, capaciteit vrijspelen en veel flexibeler produceren. De businesscase is groot en de terugverdientijd is kort, zowel voor grote bedrijven als voor het MKB.

ECHTER, DE MEESTE BEDRIJVEN HEBBEN MOEITE MET DE IMPLEMENTATIE

De meeste bedrijven hebben moeite een Industrie 4.0-transformatie te starten en op te schalen. Het ontbreekt ze aan mensen met de juiste vaardigheden en kennis en aan voldoende begrip van de relevante technologieën en het leverancierslandschap. Gemiddeld komt 72% van de bedrijven niet verder dan de pilotfase.

Onze AIMA stelt productiebedrijven in staat te begrijpen waar ze staan en een stappenplan voor implementatie te ontwerpen om hun Industrie 4.0-implementatie te starten of door te groeien naar het volgende niveau. De AIMA beoordeelt uw bedrijfsvoering aan de hand van acht elementen, die zijn weergegeven in figuur 1.

Axisto - De zeven elementen van de Axisto Industrie 4.0 Maturiteit Assessment.
Figuur 1. De acht elementen van de Axisto Industrie 4.0 Maturiteit Assessment.

De acht elementen bevatten 33 categorieën (zie figuur 2) met elk de vier fundamentele bouwstenen van Industrie 4.0: processen, technologie, mensen & competenties, en organisatie.

Axisto - De acht elementen van de AIMA met de 33 categorieën, die elk processen, technologie, mensen en competenties en organisatie omvatten.
Figuur 2. De acht elementen van de AIMA met de 33 categorieën, die elk processen, technologie, mensen en competenties en organisatie omvatten.

HOE DE AIMA U ONDERSTEUNT BIJ UW INDUSTRIE 4.0 IMPLEMENTATIE

Onze AIMA helpt u:

  • kennis op te bouwen
  • muren tussen afdelingen af te breken en strategische alignment te creëren
  • te begrijpen waar uw activiteiten staan – wat sterk is en behouden moet blijven en wat moet verbeteren
  • te begrijpen wat uw belangrijkste aandachtsgebieden zijn, waarop u zich moet concentreren.

De AIMA helpt u bij het opzetten van een bedrijfsspecifieke interpretatie van de belangrijkste principes en concepten, de ontwikkeling van een stevige business case en levert meer momentum voor verandering.

HOE ONZE AIMA FUNCTIONEERT

De AIMA bestaat uit vier stappen met het leiderschapsteam:

  • Dag 1 – voorbereiding: met als doel de leden van het leiderschapsteam leren kennen, de visie en strategie te begrijpen, te begrijpen hoe het team de marktontwikkelingen, uitdagingen en kansen ziet en hoe het de ontwikkeling van het bedrijf in deze context beoordeelt, inventariseren van de verwachtingen voor de volgende dagen.
  • Dag 2 – identificatie van de ‘case for change’ en de mate van alignment binnen het team: introductie van Industrie 4.0 en een verkenning van de wijze waarop dit de (uitvoering van) de strategie beïnvloedt, testen van de mate van alignment binnen het leiderschapsteam, identificeren van ‘case for change’/ vaststellen of die er is.
  • Dag 3 – de Industrie 4.0 Maturiteit Assessment: de tweede workshop dag betreft de beoordeling van operations, waarbij gebruikgemaakt wordt van een selectie uit de AIMA categorieën, prioritiseren van de KPI’s en identificeren van de focusgebieden.
  • Dag 4 – ontwerp van de implementatie roadmap: stappen met betrekking tot processen, technologie, mensen & capaciteiten en organisatie
    identificatie van risico’s en ontwerpen van een risicomitigatie plan.

Door op deze gebieden te focussen, zullen prestatieverbeteringen in operaties worden versneld. AIMA levert de inzichten om een implementatie roadmap te ontwerpen en is een strategisch hulpmiddel om regelmatig de voortgang te beoordelen en uw roadmap te verfijnen op basis van nieuwe inzichten. Door te beginnen op operationeel leiderschaps-niveau kunnen we een algemeen kader creëren. AIMA wordt vervolgens ingezet bij de volgende niveau naar beneden in de respectievelijke fabrieken.
De opzet is vergelijkbaar met maar nu met het fabrieksleiderschapsteam:

  • Dag 1 – voorbereiding: met als doel de leden van het febrieksleiderschapsteam leren kennen, de locale visie en strategie te begrijpen, te begrijpen hoe het team de marktontwikkelingen, uitdagingen en kansen ziet en hoe het de ontwikkeling van hun fabriek in deze context beoordeelt, inventariseren van de verwachtingen voor de volgende dagen.
  • Dag 2 – identificatie van de ‘case for change’ en de mate van alignment binnen het team: introductie van Industrie 4.0 en een verkenning van de wijze waarop dit de (uitvoering van) de strategie beïnvloedt, testen van de mate van alignment binnen het fabrieksleiderschapsteam, identificeren van ‘case for change’/ vaststellen of die er is.
  • Dag 3 – de Industrie 4.0 Maturiteit Assessment: de tweede workshop dag betreft de beoordeling van de fabriek, waarbij gebruikgemaakt wordt van een selectie uit de AIMA categorieën, prioritiseren van de KPI’s en identificeren van de focusgebieden.
  • Dag 4 – ontwerp van de implementatie roadmap: stappen met betrekking tot processen, technologie, mensen & capaciteiten en organisatie, identificatie van risico’s en ontwerpen van een risicomitigatie plan.

Het aanbrengen van verbeteringen in deze aandachtsgebieden zal de grootste impact hebben op de prestaties van de fabriek binnen het algemene kader. Door gebruik te maken van deze trapsgewijze aanpak, worden de grootste winsten voor het hele bedrijf behaald in plaats van slechts een suboptimalisatie van een afzonderlijke fabriek.

AIMA RESULTATEN VOOR UW ORGANISATIE

AIMA biedt vier belangrijke resultaten:

  • Inzicht in Industrie 4.0, de belangrijkste principes en concepten, en hoe deze de strategie beïnvloeden (uitvoering)
  • Afstemming binnen het operationele leiderschapsteam en de fabrieksleiderschapsteams
  • Inzicht in uw Industrie 4.0-volwassenheidsniveau / gereedheid
  • Prioriteit van aandachtsgebieden om op korte termijn bedrijfswaarde te creëren binnen een lange-termijn context

STEL UW MENSEN IN HET CENTRUM VAN UW INDUSTRIE 4.0 IMPLEMENTATIE

De AIMA zal initieel momentum genereren. Het is echter belangrijk op te merken dat elke Industrie 4.0-implementatie alleen succesvol zal zijn als u uw mensen centraal stelt.

De grootste uitdaging voor een bedrijf zit niet in het kiezen van de juiste technologie, maar in het gebrek aan digitale cultuur en vaardigheden in de organisatie. Investeren in de juiste technologieën is belangrijk, maar het succes of falen hangt uiteindelijk niet af van specifieke sensoren, algoritmen of analyseprogramma’s.

De crux zit in een breed scala aan mensgerichte factoren. Axisto ondersteunt u bij het ontwikkelen van een robuuste digitale cultuur en zorgt ervoor dat verandering van binnenuit wordt ontwikkeld en wordt gedreven door helder leiderschap van bovenaf.

WAAROM AXISTO?

Axisto is opgericht in 2006 om bedrijven te helpen met de uitrol van hun strategische agenda – snel, meetbaar en duurzaam. We hebben meer dan 150 projecten uitgevoerd in Europa.

We hebben concrete praktijkervaring en daarom is onze aanpak praktisch en pragmatisch.

We combineren gedegen inhoudelijke expertise met uitstekende verandermanagement-vaardigheden.

We stellen een sterk lokaal ownership van de veranderingen zeker en doen er alles aan om onze klanten succesvol te maken.

 

 

HET DOEL MET INTELLIGENTE AUTOMATISERING

Het doel met Intelligente Automatisering (IA) is om betere bedrijfsresultaten te behalen door het stroomlijnen en schalen van besluitvorming binnen bedrijven. IA voegt waarde toe door de processnelheid te verhogen, de kosten te verlagen, de compliance en kwaliteit te verbeteren, de procesbestendigheid te vergroten en de beslissingsresultaten te optimaliseren. Uiteindelijk verbetert het de klant- en medewerkerstevredenheid en verbetert het de cashflow en EBITDA en verlaagt het werkkapitaal.

WAT IS INTELLIGENTE AUTOMATISERING?

IA is een concept dat gebruik maakt van een nieuwe generatie op software gebaseerde automatisering. Het combineert methoden en technologieën om bedrijfsprocessen automatisch uit te voeren namens kenniswerkers. Deze automatisering wordt bereikt door het nabootsen van de toepassingen van kennis die werknemers gebruiken bij het uitvoeren van hun werkzaamheden (bijvoorbeeld taal, visie, in de uitvoering en denken en leren). IA creëert effectief een op software gebaseerd digitaal personeelsbestand dat synergieën mogelijk maakt door hand in hand te werken met de mensen in het bedrijf.

Aan de eenvoudigere kant van het spectrum helpt IA bij het uitvoeren van repetitieve, weinig toegevoegde en vervelende werkzaamheden, zoals het reconciliëren van gegevens of het digitaliseren en verwerken van papieren facturen. Aan de andere kant versterkt IA werknemers door hen bovenmenselijke capaciteiten te bieden. Het biedt bijvoorbeeld de mogelijkheid om in een paar minuten miljoenen datapunten uit verschillende bronnen te analyseren en inzichten te genereren.

DRIE KERNCOMPONENTEN VAN INTELLIGENTE AUTOMATISERING

IA bevat drie kerncomponenten:

Axisto - Process MiningBusiness Process Management met Process Mining om bedrijfsprocessen flexibeler en consistenter te maken.

Axisto - Robotic Process AutomationRobotic Process Automation (RPA). Robotic Process Automation gebruikt softwarerobots of bots om repetitieve handmatige taken uit te voeren. RPA is zowel de toegangspoort tot kunstmatige intelligentie als dat het inzichten uit kunstmatige intelligentie kan gebruiken om complexere taken en applicatiescenario’s af te handelen.

Axisto - Artificial IntelligenceArtificial Intelligence. Door Machine Learning en complexe
algoritmen te gebruiken om gestructureerde en ongestructureerde gegevens te analyseren, kunnen bedrijven een kennisbank ontwikkelen en voorspellingen formuleren op basis van die gegevens. Dit is de beslissingsmotor van IA.

WAAR EN HOE TE BEGINNEN MET INTELLIGENTE AUTOMATISERING?

Het implementeren van Intelligente Automatisering lijkt misschien een ontmoedigende onderneming, maar dat hoeft niet zo te zijn. Zoals elke CEO, CFO, CIO, COO, zult u een scherp oog hebben voor het versnellen van de operationele prestaties, wat in wezen het verbeteren van het gedrag en de resultaten van uw bedrijfsprocessen is. Process Mining is een perfect tool om je daarbij te helpen.

Process Mining is een data gestuurde analysetechniek, d.w.z. analysesoftware, om bedrijfsprocessen objectief te analyseren en te bewaken. Het doet dit op basis van transactiegegevens die zijn vastgelegd in de bedrijfsinformatiesystemen van een bedrijf. De analysesoftware is systeemonafhankelijk en behoeft geen aanpassing van uw systemen. Process Mining geeft op feiten gebaseerd inzicht in hoe processen in de dagelijkse realiteit verlopen: alle procesvarianten (het zal u verbazen hoeveel er van een proces in uw bedrijf zijn) en waar de belangrijkste problemen en kansen liggen om de efficiëntie en effectiviteit van processen te verbeteren.

Process Mining is ook een uitstekende manier om de introductie van Robotic Process Automation voor te bereiden, wat de meest relevante volgende stap op uw IA-reis zou kunnen zijn. Process Mining kan puur als analysetool worden gebruikt, maar kan ook permanent worden geïnstalleerd om de performance van en de issues in de processen continu te monitoren. Het is een niet-intimiderende aanpak en een geleidelijke implementatie van Intelligente Automatisering.

HET BELANG VAN EEN BEDRIJFSBREDE VISIE EN GEZAMENLIJKE ROADMAP

Op een zeker moment, liever vroeger dan later, is het echter belangrijk om een alomvattende, bedrijfsbrede visie op te stellen en te communiceren over wat u met automatisering wilt bereiken: hoe zal automatisering waarde opleveren en concurrentievoordeel vergroten. U heeft een gezamenlijke roadmap nodig voor een succesvolle implementatie die betrekking heeft op processen, technologie (inclusief legacy systemen), mensen & & competenties en organisatie.

Zo’n gedeelde Intelligente Automatisering/Industrie 4.0 Roadmap zorgt voor een consistente, doordachte benadering voor het selecteren, ontwikkelen, toepassen en ontwikkelen van de IA/I4.0-structuur om de beoogde impact te bereiken. De Axisto Industrie 4.0 Maturiteit Assessment (AIMA) is een effectieve manier om zo’n gedeelde implementatie-roadmap te creëren.

DE CRUX VAN SUCCES LIGT IN EEN BREED SCALA AAN MENSENGERICHTE FACTOREN

Axisto - Change InsiderBelangrijk is dat de grootste uitdaging voor een bedrijf niet ligt in het kiezen van de juiste technologie maar in het gebrek aan digitale cultuur en vaardigheden in de organisatie. Investeren in de juiste technologieën is belangrijk, maar het succes of falen hangt uiteindelijk niet af van specifieke sensoren, algoritmen of analyseprogramma’s. De implementatie en opschaling van Intelligente Automatisering/Industrie 4.0 vereist een fundamentele verschuiving in mentaliteit en gedrag op alle niveaus in de organisatie.De crux tot succes ligt in een breed scala aan mensgerichte factoren.

Digitale transformatieprogramma’s, een nieuwe strategie, prestatieverbeterings-programma’s, ze zijn allemaal notoir moeilijk met succes te implementeren. De overgrote meerderheid van veranderingsinitiatieven heeft moeite om de geplande programmadoelen te behalen en te behouden. Sterker nog, slechts 30% is succesvol. Tijdige en volledige levering van een cruciaal initiatief is daarom voor elk bedrijf de echte bepalende factor voor concurrentievoordeel.

De overgrote meerderheid van veranderinitiatieven struikelt over datgene wat ze proberen te transformeren: de houding en het gedrag van mensen op alle niveaus van de organisatie. Onze Change Insider® (CI) meet de houding en het gedrag van mensen ten opzichte van het initiatief en hoe zij het ervaren. Op basis van deze inzichten faciliteert de CI concrete strategische en tactische acties die u moet ondernemen om uw veranderinitiatief succesvol te realiseren: op tijd, volledig en op een duurzame manier.

HOE DE CHANGE INSIDER® SUCCES VERZEKERT

De CI meet hoe mensen een initiatief waarnemen en ervaren. Dit wordt gedaan door een aantal volledig op maat gesneden vragen te stellen als onderdeel van een korte online enquête die ongeveer 6 minuten in beslag neemt. De vragen komen tot stand in samenwerking met mensen uit een dwarsdoorsnede van uw organisatie en bestrijken de context, doelstellingen, inhoud en aanpak van uw specifieke initiatief. Daarom worden de vragen volledig afgestemd op uw organisatie en uw veranderinitiatief. Het zijn de cruciale vragen die in uw organisatie leven over dit specifieke initiatief.

Iedereen in het kader van het initiatief beantwoordt deze cruciale vragen. Zij doen dit op een vertrouwelijke manier en kunnen ook nog opmerkingen toevoegen. De onderzoeksresultaten worden vervolgens gepresenteerd in praktische, bruikbare rapporten voor elke relevante doorsnede van uw organisatie.

De rapportages stellen u in staat om business units, afdelingen, teams en niveaus in de organisatie met elkaar te vergelijken. U ziet hoe uw mensen het initiatief ervaren en hoe de gekozen aanpak zowel de adoptie van de verandering als de daadwerkelijke verandering zelf beïnvloedt. De feedback brengt ook eventuele verschillen tussen verschillende niveaus of delen van de organisatie aan het licht. Zo kunt u gedifferentieerde interventies uitvoeren om het initiatief als geheel op de rails houden. Het onderzoek wordt met vaste tussenpozen herhaald. Zo volgt de CI het effect van interventies op de adoptie van verandering, de daadwerkelijke verandering zelf en de perceptie van het initiatief in de tijd. Dit geeft informatie over wat er waar en wanneer in de organisatie moet gebeuren om de gewenste voortgang en duurzaamheid van de verandering te realiseren (zie figuur 1).

Change Insider - adoptie van de verandering - perceptie van het initiatief
Figuur 1. Een voorbeeld uit een CI-rapport dat laat zien hoe mensen het initiatief ervaren door de ontwikkeling van antwoorden op kritische vragen over twee enquêtecycli te tonen.

Het doel van de Change Insider® is anders dan die van medewerker betrokkenheidsonderzoeken. De CI richt zich op het tot stand brengen van duurzame verandering in het kader van een specifiek initiatief. Enquêtes over werknemersbetrokkenheid meten hoe toegewijd werknemers zijn aan hun werkplek of werkgever.

DE DYNAMIEK VAN VERANDERING

Het vermogen van mensen om hun houding en gedrag te veranderen wordt voornamelijk bepaald door hun percepties en intenties. We moeten dus eerst percepties en intenties veranderen voordat er enige verandering in houding en gedrag optreedt. Maar hoe doen we dit? De beste manier om de perceptie en intenties van mensen te beïnvloeden, is door informatie te verstrekken en mensen aan te moedigen nieuwe ervaringen op te doen.

Percepties en intenties leggen de motivaties van mensen vast en zijn indicatoren van hoe hard mensen bereid zijn te proberen of hoeveel moeite ze van plan zijn te doen om het noodzakelijke gedrag te vertonen. Tijdens een veranderingsproces worden mensen geconfronteerd met twee krachten: ten eerste een veranderingsspanning (de gepercipieerde noodzaak en urgentie van het initiatief) en ten tweede de kracht om te veranderen (de bereidheid om de verandering te ondersteunen en over te nemen en het vermogen om bij te dragen). Beide krachten zijn nodig in een programma om verandering teweeg te brengen.

De manier waarop mensen deze krachten ervaren, is de belangrijkste indicator van de percepties en intenties van mensen ten aanzien van een initiatief. De score op deze twee indicatoren geeft de beste voorspelling over de intentie van een persoon om de vereiste houding en gedrag aan te nemen. In verschillende delen en niveaus van de organisatie zullen de twee krachten zich waarschijnlijk anders ontwikkelen, zoals weergegeven in figuur 2. Dit stimuleert de behoefte aan specifieke interventies voor verschillende delen van de organisatie

Axisto Change Insider - adoptie van de verandering - veranderspanning en veranderkracht
Figuur 2. Een voorbeeld uit een CI-rapport met de onderzoeksresultaten van drie teams (A, B, M) en de ontwikkeling van de effecten van interventies over twee enquêtecycli. De teams en hun ontwikkeling zijn goed te vergelijken.

De Change Insider® biedt op feiten gebaseerde begeleiding voor precies deze gedifferentieerde interventies om de tijdige en volledige levering van uw missiekritieke initiatief mogelijk te maken.

“Vertel me waar je je geld aan uitgeeft en ik zal je vertellen wat je strategie is.” Er is waarschijnlijk geen betere zin om het potentiële verschil tussen een beoogde en de defacto strategie te beschrijven. Zero-based budgettering (ZBB) is een krachtige methode om groei te versnellen, waarde te creëren en uw strategie in de realiteit om te zetten: Zero-based budgettering – making strategy happen.

WAT IS ZERO-BASED BUDGETTERING?

ZBB vertrekt van een blanco vel papier, niet van de begroting van vorig jaar. Op een zeer gedetailleerd niveau wordt bepaald welke middelen verschillende business units nodig hebben om de strategische doelen te realiseren. Vervolgens worden individuele kostencategorieën over alle bedrijfsonderdelen geadresseerd en moeten alle uitgaven worden verantwoord. In ZBB is de referentie niet het budget van vorig jaar, maar “nul”.

ZBB werd in de jaren zestig geïntroduceerd en kreeg langzaam tractie. Na een korte periode van populariteit zonk het weg in de vergetelheid. Nu, geholpen door de voortschrijdende digitalisering, zit het weer in de lift. ZBB wordt niet langer alleen gebruikt in de sector van verpakte consumentengoederen, en is ook niet alleen meer gericht op de kosten voor verkoop, administratie en de algemene kosten. Het verspreidt zich nu over verschillende sectoren en functies. En terecht, want het is geschikt voor elke branche en alle functies: inkoop, supply chain, verkoop en marketing, service en ondersteuning en meer.

ZBB IS NIET SLECHTS EEN TOOL OM KOSTEN TE BEHEERSEN

Veel bedrijven gebruiken het als een tool om kosten te beheersen. Echter, dit is een schromelijke onderschatting van de werkelijke kracht. Bij gebruik in een strategische context kan ZBB kostenstructuren herconfigureren, investeringsmiddelen vrijmaken en groei versnellen. Succesvolle bedrijven beginnen met een solide ‘Wat door Hoe’-doelstelling die het bedrijf richting geeft. De bijbehorende strategische doelen leiden vervolgens tot vragen over welke investeringen nodig zijn en wat de totale kostenstructuur moet zijn om deze investeringen mogelijk te maken. Zo is ZBB nauw geïntegreerd met de strategie van het bedrijf. Het richt zich zowel op kostendiscipline als op investeringen en kansen die groei stimuleren. Het gebruik van ZBB als een eenmalige exercitie zal het hem echter niet doen.

ZBB TRANSFORMEERT UW BUSINESS

ZBB is geen eenmalige oefening; het is een manier van zakendoen en onderdeel van het DNA van een organisatie. De implementatie ervan herontwerpt niet alleen uw processen, beleid en systemen, maar zorgt ook voor een nieuwe mentaliteit en gedrag. ZBB stelt een duidelijke kostenverantwoording en disciplines vast om kosten die weinig of geen waarde toevoegen, te verminderen en permanent te elimineren. Tegelijkertijd vraagt het een duidelijke verantwoording om de toegevoegde waarde van de juiste uitgaven te maximaliseren. ZBB daagt bedrijven uit om efficiënter en effectiever te opereren in verschillende functies, regio’s, divisies en business units om de omzet en marge te laten groeien. Het zet mensen aan bewuste, strategische besluiten te nemen en de juiste dingen voor elkaar te krijgen: Zero-based budgettering – making strategy happen.

ZERO-BASED BUDGETTERING IN GOEDE EN SLECHTE TIJDEN – BEHOUD STRATEGISCH MOMENTUM

Tijdens een recessie – en vooral vlak daarna – laten succesvolle bedrijven hun EBIT groeien, terwijl anderen vastlopen. Waarom winnen sommige bedrijven terwijl andere verliezen? De gemene deler van de winnaars is dat ze een strikte kostendiscipline handhaven en hun groeihefbomen financieren in zowel goede als slechte tijden. Ze behouden hun strategisch momentum, ongeacht de marktomstandigheden.

We weten dat voornamelijk de marge het totale aandeelhoudersrendement van een bedrijf bepaalt. De bedrijven die een aanzienlijk hogere lange termijn waarde genereren, laten hun EBIT het meest groeien. Ze implementeren de vereiste verandering al tijdens economisch goede tijden – d.w.z. preventief. Dus hoe eerder een bedrijf transformeert, hoe beter zijn toekomstige prestaties.

EN WAT TE DENKEN VAN LEAN SIX SIGMA (LSS)?

Lean wordt vaak gezien als een uitgebreide toolbox. Dit mist de essentie. Bij Lean draait alles om mentaliteit en gedrag – het gaat om strikte kostendiscipline en een snelle cashconversiecyclus. Lean is ontstaan bij Toyota toen het net na de Tweede Wereldoorlog het bedrijf weer aan het opbouwen was. Het zat krap bij kas, net als hun klanten.

Het hele concept van flow binnen de manier van werken van Toyota was, en is nog steeds, om een snelle cashconversiecyclus te garanderen en om kosten met lage toegevoegde waarde te elimineren. Bovendien benaderden ze alles vanuit het oogpunt van de klant: waar wil de klant voor betalen? Al het andere is verspilling. Het hebben van een snelle cashconversiecyclus creëert de mogelijkheid om sneller te groeien. En dat is wat ze deden.

Evenzo wordt Six Sigma vaak gezien als een uitgebreide toolbox. Echter, ook Six Sigma heeft alles te maken met mentaliteit en gedrag – één van hard elimineren van variatie. Six Sigma is eind jaren tachtig ontwikkeld door Motorola. Het bedrijf werd verlamd door de kosten van slechte kwaliteit, waardoor hun marges verdampten en de omzet onder druk stond. Wilde het bedrijf een levensvatbare toekomst hebben, dan moest het de variatie terugdringen.

HOE ZIJN ZERO-BASED BUDGETTERING EN LEAN SIX SIGMA GERELATEERD?

ZBB is de overkoepelende benadering om het succes van een bedrijf op korte en lange termijn te stimuleren: Zero-based budgettering – making strategy happen. Vanuit het oogpunt van bedrijfsstrategie wordt eerst de ‘Wat door Hoe’-doelstelling bepaald en vervolgens worden de belangrijkste doelen en targets vastgesteld. ZBB bekijkt het bedrijf als geheel vanaf het hoogste niveau, gevormd door zijn doel, visie en ambitie. Elk lk aspect van een bedrijf wordt erdoor beïnvloed: het bedrijfsmodel, inclusief de organisatiestructuur, en het beleid. ZBB gedijt bij de juiste mentaliteit en gedrag; verankerd in het DNA van de organisatie.

De mentaliteit en het gedrag achter Lean Six Sigma (LSS) passen volledig bij de mentaliteit en het gedrag achter zero-based budgeting. ZBB zal de selectie van tools uit de LSS-toolbox sturen die het beste bijdragen aan de behoeften van het bedrijf in zijn drive naar realisatie van zijn visie en ambitie – vergelijkbaar met de manier waarop Toyota en Motorola vaardigheden en tools ontwikkelden en verwierven die in overeenstemming waren met hun behoeften en gevormd door hun manier van denken.

Gedisciplineerd cash- en werkkapitaalbeheer zorgt voor goede operationele en financiële prestaties. Echter, de kwaliteit van het cash management, beheer van werkkapitaal en purchase-2-pay daalde in de 5 jaar voor de COVID-uitbraak. Een nadere analyse laat zien dat voorraadoptimalisatie de grootste uitdaging vormt, zowel in volatiele als niet-volatiele markten.

MET DUBBELE CIJFERS DE VOORRAAD OMLAAG ÉN BEHOUD OF VERBETERING VAN DE SERVICE

Decennia aan ervaring hebben ons geleerd dat direct naar de voorraden gaan, zowel de snelste als de meest zekere manier is om tot een goed presterende supply chain te komen. Voorraad bevindt zich in het hart van uw supply chain en is zowel een symptoom als een oorzaak van de supply chain-prestatie. Als u de juiste voorraad heeft, blijven uw klanten tevreden, verhoogt u de omloopsnelheid en vermindert u kosten en verspilling en speelt u cash vrij.

Bij Axisto combineren we de praktische zakelijke focus van managementadvies met het snelle analytische vermogen van geavanceerde informatietechnologie. We destilleren snel praktische inzichten uit data in Enterprise Resource Planning (ERP) systemen. Onze mensen concentreren zich op de verandermanagement uitdagingen van het implementeren en onderhouden van veerkrachtige en getrimde supply chain.

Onze unieke benadering van de supply chain stelt voorraadoptimalisatie centraal. Dit stelt ons in staat om voorraden met dubbele cijfers te verminderen en tegelijkertijd de serviceniveaus te handhaven of te verbeteren – met een hoge snelheid en een laag risico vergeleken met traditionele benaderingen.

ONZE PROPOSITIES VOOR VOORRAADBEHEER

Axisto biedt drie proposities voor voorraadbeheer: voorraadoptimalisatie, voorraadanalyses en evaluaties van voorraad leeftijdsprofiel.
Ons startpunt bij de meeste opdrachtgevers is een ‘quick scan. Op basis van slechts 3 standaardrapportages uit uw ERP-systeem kwantificeren we zowel per item als totaal het verbeterpotentieel. De output is zowel een directe kwantificering op hoog niveau van het verbeterpotentieel als de basis voor een routekaart om snel duurzame verbeteringen te realiseren.

Programma’s voor voorraadoptimalisatie

We bieden deskundige analyses en effectief verandermanagement, ondersteund door een duidelijk meetbare businesscase. Verbeteringen van voorraadposities met 20% of meer, soms veel meer, zijn meestal binnen het eerste jaar haalbaar, tegen een hoge ‘Return on Investment’.

 Voorraadanalyse

Vindt u het moeilijk om echt te begrijpen wat uw voorraadgegevens u vertellen, of wat u eraan moet doen? Heeft u optimalisatietools die moeilijk te gebruiken zijn of die resultaten opleveren waarvan u weet dat ze niet kloppen, maar u weet niet waarom? Met onze gepatenteerde technologie technologie bieden we klanten snel bruikbare inzichten in hun voorraadgegevens.

Daarnaast helpen we klanten met een reeks gerichte analyses, variërend van strategische voorraadpositionering (waar in uw toeleveringsketen moet u voorraad aanhouden?) tot het opstellen van voorraadbeleid voor artikelen die moeilijk te optimaliseren zijn, zoals reserveonderdelen, of producten die op bestelling gemaakt worden.

Beoordeling van voorraad leeftijdsprofiel

Voorraad wordt beïnvloed door bijna elk aspect van uw bedrijf. Daarom kan het op bedrijfsniveau moeilijk zijn om te weten waar de grootste kansen voor verdere verbetering liggen, of hoe u zich verhoudt tot uw concurrenten.

Axisto kan de kwaliteit van uw voorraadbeheer beoordelen. We combineren een gedetailleerde, bottom-up kwantitatieve beoordeling van uw verbeterpotentieel met een kwalitatief inzicht in uw mensen, processen en systemen, inclusief relevante benchmarks, om u bruikbare handvatten te geven waar u de volgende stap in uw prestatietraject kunt vinden.

EEN CASE

Uitdaging

Een middelgroot industrieel productiebedrijf met een sterke marktpositie en winstgevendheid had in het verleden weinig expliciet aandacht voor voorraad. Het gevolg was dat de voorraad geleidelijk toenam. Het was tijd om te handelen.

Resultaten

De voorraad werd in een periode van 3 jaar met meer dan 50% verminderd ten opzichte van de oorspronkelijke baseline, terwijl de serviceniveaus werden gehandhaafd of verbeterd. Verbeteringen in de onderliggende gegevens leidden tot een beter begrip van hoe en waarom te handelen – de vaardigheid in voorraadbeheer werd aanzienlijk verbeterd binnen de teams van de klant.

Enkele citaten

“We hebben eindelijk volledige transparantie over wat we hebben, zodat we wekelijks op feiten gebaseerde beslissingen kunnen nemen.” – Autofabrikant

Sinds de start van een programma hebben we onze voorraden met meer dan 50% verminderd.” –  Industrieel productiebedrijf

De resultaten zijn uitzonderlijk en hebben een groot verschil gemaakt voor onze cashflow.” – Mondiaal productiebedrijf

Het programma bracht een breed scala aan proceskwesties scherp in beeld, met een veel bredere impact dan alleen voorraad.” – Marktleider in discrete producten

Tegenwoordig verwachten klanten korte levertijden en hebben ze een lagere tolerantie voor late of onvolledige leveringen. Tegelijkertijd worden supply chain leiders geconfronteerd met stijgende kosten en volatiliteit. Process mining zorgt voor transparantie en zichtbaarheid in de hele supply chain en biedt voorstellen voor beslissingen met hun consequenties ten behoeve van realtime optimalisatie van stromen.

Volledige transparantie

In plaats van te werken met de ontworpen procesflow of de procesflow die wordt weergegeven in het ERP-systeem, bewaakt process mining het daadwerkelijke proces op elke gewenste granulariteit: end-2-end proces, procure-2-pay, productie, voorraadbeheer, crediteuren, voor een specifiek type product, leverancier, klant, individuele bestelling, individuele SKU. Process mining bewaakt compliance, conformiteit, samenwerking tussen afdelingen of tussen klant, eigen afdelingen en leveranciers, etc.

Zichtbaarheid van de gehele supply chain

Dashboards worden ingericht om volledig aan uw vereisten te voldoen. Ze zijn flexibel en kunnen eenvoudig worden aangepast wanneer uw behoeften veranderen en/of knelpunten verschuiven. Ze creëren realtime inzicht in de procesflow. U weet op elk moment hoeveel inkomsten er op het spel staan vanwege voorraadproblemen, wat de hoofdoorzaken zijn en welke beslissingen u kunt nemen en wat hun effecten en afwegingen zullen zijn.

 

 

 

Als de leveranciersbetrouwbaarheid op het hoogste rapportageniveau niet op het targetniveau ligt, kunt u eenvoudig in realtime naar een specifieke leverancier en een bepaalde SKU gaan om in realtime te ontdekken wat het probleem veroorzaakt. Leveranciers kunnen bijvoorbeeld ook worden gehouden aan het best-practice serviceniveau van concurrerende leveranciers.

Geïnformeerde besluiten maken en de juiste acties uitvoeren

De interactieve rapporten markeren hiaten tussen werkelijke en streefwaarden en geven details over de afwijkingen, figuur A. Door op een van de gemarkeerde problemen te klikken, kunt u een passende actie toewijzen aan een specifieke persoon, figuur B. Of het kan zelfs automatisch worden gedaan wanneer een afwijking wordt geconstateerd. En directe communicatie met betrekking tot de actie wordt in real-time gefaciliteerd, figuur C.

Fig. A, details van afwijkingen.    Fig. B, pop up voor taken. Fig. C, uitwisselen van informatie.

Samenvatting

Process mining is een effectief hulpmiddel om de end-2-end supply chain stromen te optimaliseren in termen van marge, werkkapitaal, voorraadniveau en -profiel, cash, ordercyclustijden, leverbetrouwbaarheid, klantenserviceniveaus, duurzaamheid, risico, voorspelbaarheid, enz. Doordat process mining de daadwerkelijke procesflows in realtime monitort, biedt het volledige transparantie en voegt het dus significante waarde toe aan de klassieke BI-suites. Process mining kan worden geïntegreerd met bestaande BI-applicaties en kan de rapportage en besluitvorming verbeteren. Wij zien process mining als een kernelement van Industrie 4.0.