Digital Transformation

    Deel via:

    Vijf bedrijfsprocessen die een revolutie ondergaan door machine learning

    Deel 2 van een 3-delige serie. Lees ook deel 1 en deel 3.

    Het bedrijfsleven staat voor grote uitdagingen. Zo worden databases overspoeld met informatie vanuit bronnen die een paar jaar geleden nog ondenkbaar waren. 

    Informatie over klantsentiment, werknemersprestaties, marktbewegingen, de status van werk in uitvoering, financiële posities, projectafronding en ontelbare andere bronnen stelt eigenlijk nog maar weinig voor, vergeleken met de data die het Internet of Things gaat genereren. Met die data valt geld te verdienen, maar de meeste bedrijven hebben de tools nog niet in handen om die waarde te verzilveren. In hun rapport Big Data Dilemma uit 2016, schreven leden van het U.K. House of Commons Science and Technology Committee: 'Ondanks het feit dat datagedreven bedrijven 10 procent productiever zijn dan organisaties die hun data niet gebruiken, schatten de meeste bedrijven in dat ze maar 12 procent van hun data analyseren. Dus de vraag is niet of we onze data moeten gebruiken. De vraag is meer: hoe kunnen we de complexiteit binnen organisaties verlagen, zodat we alle inzichten aan het licht kunnen brengen die verborgen zitten in onze data?

    280424_SAPTechEd16_LasVegas_11053
     

    Machines hebben het antwoord

    Bedrijven die voordeel weten te halen uit machine learning pakken de voorsprong. De technologie ligt op de plank en is klaar om alle processen binnen organisaties te verbeteren. Het geeft organisaties precies de flexibiliteit die ze nodig hebben om snel in te spelen op veranderingen in de markt en verwachtingen van de klant. 

    Dus, hoe kunt u gebruikmaken van de realtime context die een intelligente ERP-cloudoplossing biedt, zodat u écht waarde toevoegt? Hier zijn vijf voorbeelden van hoe machine learning u hierbij kan helpen.

    1. Finance: overlopende activa en passiva

    Machine learning helpt finance teams om eenvoudig te bepalen wat de overlopende posten zijn van bonussen. Momenteel proberen CFO-teams alle Key Performance Indicatoren in compensatieplannen te voorspellen, waarbij het huidige personeelsbestand, salarissen en bonusplannen het uitgangspunt vormen. Vanuit daar proberen ze zo nauwkeurig mogelijk de reserveringen te berekenen (waarschijnlijk inclusief buffer voor de zekerheid). Maar nauwkeurigheid is dan meer het resultaat van geluk dan van wijsheid.

    Door machine learning toe te passen op deze berekeningen, kunnen voorspellende analyses als een waardevolle tool dienen om correcte cijfers over de overlopende posten te genereren. Daardoor houden finance teams meer tijd over voor activiteiten die écht een menselijk oordeel nodig hebben.

    2. Inkoop: contractonderhandeling

    Strategische inkoop is een ingewikkeld proces waarbij veel informatie samenkomt en waarbij het belangrijk is continu met leveranciers te communiceren. De kosten hiervan gaan direct van de winst af, dus alles wat de efficiency verbetert en de inventaris vermindert, maakt een groot verschil.

    Machine learning kan historische gegevens die in uw systeem zijn opgeslagen naar boven halen om de duur van contracten te voorspellen. Het kan het tijdstip voorspellen waarop een inkoopcontract voor 100% is verbruikt. Met deze innovatie weet u zeker dat u uw inkoopcontracten heronderhandelt om aan actuele behoeften te voldoen, en dit niet op de gok doet.

    3. Sales: op projecten bieden

    Inschatten of u op commerciële projecten gaat bieden, vraagt om een nauwkeurige inschatting per project. Wat is de omvang? Is het complex? Welke vaardigheden zijn nodig? Om die inschatting zo nauwkeurig mogelijk te maken, zijn organisaties vaak afhankelijk van managers die in het verleden voor vergelijkbare projecten hebben gewerkt. Dat kan beslissingen afhankelijk maken van het persoonlijke inschattingsvermogen van managers.

    Machine learning geeft verkoop- en projectteams met één druk op de knop toegang tot een gigantische database met informatie over eerdere projecten van over de hele wereld. Teams kunnen die inzichten gebruiken om een nauwkeurige inschatting te maken van de omvang en complexiteit van een specifiek project. Dat helpt bedrijven om uiteindelijk te knoop door te hakken: gaan we bieden of niet? En zo ja, welk bod is realistisch en garandeert ons winst.

    4. Marketing: een hechtere band met de klant

    Onderzoek van TDWI geeft aan dat marketing vaak een van de eerste afdelingen is die gebruikmaakt van nieuwe technologie om klantbehoeften beter te doorgronden. Zo wordt machine learning toegepast voor klantensegmentatie en om klanten op persoonlijk niveau productaanbiedingen te kunnen doen.

    Het is mogelijk een leermodel in te zetten over hoe klanten met vergelijkbare eigenschappen eerder reageerden op een bepaalde aanbieding. Andere toepassingen zijn up-selling, cross-selling en het gebruik van machine learning voor productaanbevelingen.

    5. Productie: productieopbrengsten verhogen

    Dankzij machine learning worden team-, machine-, leverancier- en klantvereisten geoptimaliseerd en neemt de opbrengst in de productie toe. Het toepassen van machine learning om data van duizenden geautomatiseerde parameters te verbinden die allemaal realtime rapporteren, is een ware game changer. Door te garanderen dat de productkwaliteit blijft voldoen aan de steeds hogere verwachtingen van de klant, kan de verkoop toenemen en verspilling juist worden voorkomen. Daarnaast maakt het slim verbinden van data het mogelijk om problemen met machines al te voorspellen voordat deze zich überhaupt voordoen.

    De technologie om processen bij alle afdelingen opnieuw vorm te geven, bestaat al. Reden genoeg dus om vandaag nog te profiteren van de kracht van machine learning. Ontdek hoe SAP S/4HANA Cloud u hierbij kan helpen.