3 concrete besparingen die dankzij machine learning mogelijk zijn

Door Christiaan Vrieling

Machine learning heeft zich ontwikkeld tot een heuse modeterm. Tegelijkertijd merk ik in de praktijk dat er ook nog veel onduidelijkheid bestaat over wat je eigenlijk concreet aan machine learning kunt hebben. In dit artikel drie voorbeelden uit de finance, e-commerce en industrie over hoe zelflerende technieken tot besparingen hebben geleid. 

1. Forecasting van grootboekrekeningen
In de grootboekrekening kunnen per afdeling verborgen gegevens zitten die belangrijk zijn voor de toekomst van het bedrijf. Niet alleen de winst- en verliesrekening, maar ook individuele wijzigingen kunnen worden geanalyseerd om afdelingen te vergelijken en verbeteringen door te voeren. De grote hoeveelheid data kan ook worden benut in de budgetplanning voor de toekomst; op basis van de huidige grootboekstand kan dankzij machine learning een accurate prognose worden berekend voor de ontwikkeling van iedere afzonderlijke afdeling. Verder kan het routinewerk geautomatiseerd worden om transacties toe te wijzen per grootboekrekening, op basis van eerdere menselijke toewijzingen. Data zoals klantnaam, omschrijving van items of bankrekeningnummer kunnen we dan gebruiken om te herkennen wat voor transactie behandeld wordt.

2. Verkoopanalyse in de e-commerce
De meeste huidige e-commerce websites werken op basis van persoonlijke aanbevelingen. Verkoopgegevens en online bezoekgeschiedenis van eerdere klanten worden gebruikt om producten te tonen waar de huidige bezoeker waarschijnlijk ook interesse in heeft. Dit is inmiddels bij de meeste mensen wel bekend.  Soms kan het zelfs vervelend zijn, bijvoorbeeld wanneer je aanbiedingen voor een nieuwe stofzuiger te zien krijgt die je gisteren al gekocht hebt. Maar het is een kwestie van tijd voordat de mogelijkheden voor de e-commerce hiervoor veel breder en ook accurater zullen zijn, mede dankzij machine learning.

Een recent voorbeeld van de mogelijkheden die er nu al zijn is recentelijk gegeven door een Duits bedrijf dat zijn goederenoverschot in het magazijn met 20% wist te verminderen. Dit na de introductie van een voorspelmodel op basis van eerdere transacties. Machine learning dus. In Groot-Brittannië is een nieuwe online supermarketketen bezig met het bouwen van een volledig geautomatiseerd online verkoopmodel. Robots halen de boodschappen automatisch op in het magazijn op het moment dat er online een bestelling wordt gedaan. En chauffeurs van de leverwagens krijgen automatisch navigatie-informatie door per levering. Amazon.com heeft patenten ingediend waar ze pakketten met drones en zelfrijdende auto bezorgen. De besparing op personeelskosten zal evident zijn.

3. Voorspellen van onderhoudsbeurten in de industrie
Bedrijven met grote machines, bijvoorbeeld in de industrie, kunnen dankzij machine learning gebruikmaken van prestatiedata van de machine om te voorspellen wanneer deze op het punt van een defect staat. Sensoren meten hoe het is gesteld met bijvoorbeeld temperatuur, draaikracht of toerental van de machine en verschaffen de computer hierover informatie. Deze informatie kan vervolgens worden geanalyseerd en gecombineerd met eerdere faaldata. Op basis van die data, die steeds weer wordt bijgewerkt en dus ‘zelflerend’ is, kan een berekening worden gemaakt van de kans op een bepaald defect op een bepaald moment. Het periodieke onderhoud kan zo bijna automatisch worden bepaald. Een grote luchtvaartmaatschappij heeft met dit principe in korte tijd al 300 miljoen euro aan onderhoudskosten bespaard. Ze hebben een model ontwikkeld op basis van 10 jaar aan reparatiebeurten in de vloot met 17.000 commerciële vliegtuigen. Machines worden bovendien meer en meer online gekoppeld (Internet of Things) en zo zullen er grote hoeveelheden data beschikbaar komen om nog veel meer voorspellingen te doen. Machine learning zal dan pure noodzaak zijn om het kaf van het koren te scheiden.

Deze drie voorbeelden laten zien dat, met de toenemende aantallen data, machine learning een niet te stoppen ontwikkeling is in vrijwel iedere sector. Wie in deze beginfase van machine learning aanhaakt, heeft over enkele jaren een voorsprong op de concurrentie.

Christiaan Vrieling is controller en bedrijfskundige, gespecialiseerd in vraagstukken rondom business intelligence. Hij is ondernemer en directeur van SUMMAVIEW, een jong bedrijf gespecialiseerd in Team Business Intelligence. Christiaan schrijft graag over onderwerpen als data-science, machine learning, database-optimalisatie en fancy dashboards.