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.
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).
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. 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.
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.
Het onderstaande is een selectie van taken in natuurlijke taalverwerking (NLP). Sommige van deze taken hebben directe toepassingen in de echte wereld, terwijl andere vaker dienen als sub-taken die worden gebruikt om grotere taken op te lossen.
Optical Character Recognition (OCR)
Bepalen van de tekst die hoort bij een gegeven afbeelding die gedrukte tekst vertegenwoordigt.
Spraakherkenning
Aan de hand van een geluidsfragment van een sprekende persoon of personen bepalen wat de tekstuele representatie van de toespraak is. Dit is het tegenovergestelde van tekst naar spraak en is een extreem moeilijk probleem. In natuurlijke spraak zijn er nauwelijks pauzes tussen opeenvolgende woorden, en dus is spraaksegmentatie een noodzakelijke sub-taak van spraakherkenning (zie ‘woordsegmentatie hieronder). In de meeste gesproken talen gaan de klanken die opeenvolgende letters vertegenwoordigen in elkaar over in een proces dat co-articulatie wordt genoemd. De conversie van het analoge signaal naar discrete karakters kan dus een zeer moeilijk proces zijn. Aangezien woorden in dezelfde taal worden gesproken door mensen met verschillende accenten, moet de spraakherkenningssoftware ook nog een grote verscheidenheid aan invoer kunnen herkennen als identiek aan elkaar in termen van tekstueel equivalent.
Tekst naar Spraak
De elementen van een gegeven een tekst worden getransformeerd en een gesproken representatie wordt geproduceerd. Tekst-naar-spraak kan worden gebruikt om slechtzienden te helpen.
Woord segmentatie (Tokenization)
Opsplitsen van een stuk doorlopende tekst in afzonderlijke woorden. Voor een taal als Engels is dit vrij triviaal, aangezien woorden meestal worden gescheiden door spaties. Sommige geschreven talen, zoals Chinees, Japans en Thais, markeren woordgrenzen echter niet op een dergelijke manier, en in die talen is tekstsegmentatie een belangrijke taak die kennis van de woordenschat en morfologie van woorden in de taal vereist. Soms wordt woordsegmentatie ook toegepast in bijvoorbeeld het maken van woorden in datamining.
Document AI
Een Document AI-platform zit bovenop de NLP-technologie, waardoor gebruikers zonder eerdere ervaring met kunstmatige intelligentie, machine learning of NLP een computer snel kunnen trainen om de specifieke gegevens die ze nodig hebben uit verschillende documenttypen te halen. NLP-aangedreven Document AI stelt niet-technische teams in staat om snel toegang te krijgen tot informatie die verborgen is in documenten, bijvoorbeeld advocaten, bedrijfsanalisten en accountants.
Grammaticale fout detectie en correctie
Grammaticale fout detectie en correctie brengt een grote bandbreedte van problemen met zich mee op alle niveaus van taalkundige analyse (fonologie/orthografie, morfologie, syntaxis, semantiek, pragmatiek). Grammaticale fout correctie is van grote invloed omdat het honderden miljoenen mensen raakt die een tweede taal gebruiken of zich eigen maken. Voor wat betreft spelling, morfologie, syntaxis en bepaalde aspecten van semantiek kan dit, door de ontwikkeling van krachtige neurale taalmodellen zoals GPT-2, sinds 2019 worden beschouwd als een grotendeels opgelost probleem. Verschillende commerciële toepassingen zijn op de markt verkrijgbaar.
Machine vertaling
Automatisch tekst vertalen van de ene menselijke taal naar de andere is één van de moeilijkste problemen: alle verschillende soorten kennis zijn vereist om dit goed te doen, zoals grammatica, semantiek, feiten over de echte wereld, enz..
Natural Language Generation (NLG)
Informatie omzetten uit computerdatabases of semantische intentie in leesbare menselijke taal.
Natural Language Understanding (NLU)
NLU betreft het begrip van menselijke taal, zoals Nederlands, Engels en Frans, waarmee computers opdrachten kunnen begrijpen zonder de geformaliseerde syntaxis van computertalen. NLU stelt computers ook in staat om terug te communiceren met mensen in hun eigen taal. Het belangrijkste doel van NLU is om chat- en spraak gestuurde bots te maken die zonder toezicht met het publiek kunnen communiceren. Vragen beantwoorden en het antwoord op een vraag in mensentaal bepalen. Typische vragen hebben een specifiek juist antwoord, zoals “Wat is de hoofdstad van Finland?”, maar soms worden ook open vragen overwogen (zoals “Wat is de zin van het leven?”). Hoe werkt het begrijpen van natuurlijke taal? NLU analyseert gegevens om de betekenis ervan te bepalen door algoritmen te gebruiken om menselijke spraak te reduceren tot een gestructureerde ontologie – een gegevensmodel dat bestaat uit semantiek en pragmatische definities. Twee fundamentele concepten van NLU zijn intentie en entiteitsherkenning. Intentieherkenning is het proces van het identificeren van het gebruikerssentiment in invoertekst en het bepalen van het doel. Dit is het eerste en belangrijkste onderdeel van NLU omdat het de betekenis van de tekst vastlegt. Entiteitsherkenning is een specifiek type NLU dat zich richt op het identificeren van de entiteiten in een bericht en het vervolgens extraheren van de belangrijkste informatie over die entiteiten. Er zijn twee soorten entiteiten: benoemde entiteiten en numerieke entiteiten. Benoemde entiteiten zijn gegroepeerd in categorieën, zoals mensen, bedrijven en locaties. Numerieke entiteiten worden herkend als getallen, valuta en percentages.
Tekst-naar-beeld generatie
Geven van een beschrijving van een afbeelding en genereer een afbeelding die overeenkomt met de beschrijving.
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.
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.
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.
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.
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.
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.
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.
UITDAGING
Een jonge keten van betaalbare luxe hotels kende een sterke groei. Onlangs ontving het een injectie met vers kapitaal voor een nog snellere groei.
De uitdaging is om de interne processen en de organisatie op te schalen. De IT-directeur had ervaring met RPA bij zijn vorige werkgever en wilde hier de mogelijkheden verkennen.
AANPAK
De eerste gedachte was om drie RPA-platforms te vergelijken. Maar omdat er geen mogelijkheid was om tests uit te voeren in een andere omgeving dan in productie, werd dit idee terzijde geschoven.
Onze klant had eerdere ervaringen met UiPath; daarom besloten we om de toepasbaarheid van dit platform in deze omgeving te testen.
Samen met de interne organisatie hebben we in totaal 16 mogelijke use-cases geïdentificeerd. Ze varieerden van applicaties in het contact center, verschillende financiële processen, het afhandelen van ‘no shows’ tot het ondersteunen van de IT-crew die steeds afreisde om alle IT-systemen in een nieuw gebouwd hotel te testen. Al deze cases zijn omgezet in aanvullende RPA-toepassingen, en de hotelketen gaat maar door met het identificeren van nog meer use cases.
Industrie 4.0 betekent het samen groeien van de digitale en maakindustrie. Alle fysieke activa worden gedigitaliseerd en geïntegreerd in digitale ecosystemen met partners in de waardeketen.
Industrie 4.0 vertegenwoordigt een enorme stap in de prestaties. U kunt uw snelheid, flexibiliteit en productiviteit met 40% verbeteren. U kunt een nieuwe bedrijfsstrategie ontwikkelen en de kans grijpen om uw producten- en dienstenportfolio te innoveren.
Axisto werkt met u samen om de digitale volwassenheid van uw bedrijf in kaart te brengen met onze AIMA (Axisto Industrie 4.0 Maturiteit Assessment) en de elementen te kiezen die de meeste waarde opleveren in lijn met uw visie. Goed gekozen pilots zullen u helpen om op de leercurve te komen en enig eerste succes te behalen. U krijgt inzicht in de vaardigheidskloof en dit kan uw HR-strategie sturen. Wij kunnen u helpen om data-analyse goed in te richten en uw organisatie meer digitaal te ontwikkelen. De ervaring van Axisto zorgt ervoor dat u valkuilen op uw reis naar een digitale onderneming vermijdt.
Belangrijk 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 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 gedreven door helder leiderschap van bovenaf.
Een autonoom operating model is niet zomaar een digitale upgrade van uw huidige operating model. Het is een radicaal andere manier van zakendoen.
GEÏNTEGREERD PRESTATIE MANAGEMENT
Primaire en ondersteunende bedrijfsprocessen zijn geïntegreerd. Hierdoor kan de financiële afdeling veel wendbaarder optreden. De cashflow is ad-hoc zichtbaar, wat de plannings- en analysemogelijkheden verbetert. Een door het IT-systeem ondersteunde prognose vervangt handmatige prognoses. Eenmaal vastgesteld, maken KPI’s de controle gemakkelijker door middel van geautomatiseerde waarschuwingsberichten, waardoor onmiddellijk kan worden ingegrepen.
Het budgetproces is gewijzigd en loopt niet langer via de individuele bedrijfsfuncties (zoals Sales, Marketing, Productie, IT), maar via ‘value drivers’ (verkoophoeveelheden gekoppeld aan marktgegevens, prijzen in combinatie met klantclusters, etc.). Op elk moment kunnen de balans en P&L voor het bedrijf als geheel en voor elk van de afdelingen worden bepaald. Hierdoor is het mogelijk om scherp tegen de wind aan te zeilen.
De hele supply chain gebruikt een ‘single point of truth’ voor realtime informatie. De transparantie maakt het mogelijk om snel en eenvoudig verschillende scenario’s te simuleren, maar uiteindelijk nemen mensen de beslissingen. Het effect van beslissingen wordt in realtime berekend en gecommuniceerd in de gehele supply chain. Marge, ordercyclustijd en cash kunnen voorspellend worden geoptimaliseerd op basis van een holistisch beeld van de prestaties van de supply chain, voorraadniveaus en trendanalyses.
MOBIEL
Mobiele apparaten zijn een essentieel interactiekanaal voor zowel klanten als medewerkers. Als gevolg hiervan zijn het beheer en de controle van de integratie van verschillende mobiele apparaten en van de mobiele applicaties strategische factoren. Nieuwe en bestaande mobiele technologieën zijn eenvoudig te integreren.
AGILE SAMENWERKEN
De samenwerking is grotendeels multidisciplinair en zonder hiërarchie. Kennis en vaardigheden zijn geen dingen die je onderscheiden van anderen in het bedrijf – het zijn dingen die je beschikbaar stelt aan het team.
Samenwerking moet altijd en overal ad hoc kunnen worden opgezet, zelfs over geografische grenzen heen. Actieve uitwisseling van ideeën, kennis en expertise vraagt om een passend stimuleringsstelsel. Dit systeem richt zich op het groepsresultaat en stelt hen in staat om te begrijpen hoe zij bijdragen aan het algehele succes.
Sociale media en samenwerkingstechnologieën zijn een centraal element van communicatie, kennisoverdracht en teamwerk. Dit geldt voor interactie met klanten, medewerkers en zakenpartners. De technologieën worden gebruikt voor de interactieve uitwisseling van informatie en inhoud, waardoor samenwerking effectiever wordt, en ze zijn steeds meer gericht op het tot stand brengen van interactiepatronen in een digitale cultuur.
Het doel van de herinrichting van de kantooromgeving is om de samenwerking en creativiteit in het bedrijf te vergroten. Dit omvat bijvoorbeeld het creëren van creatieve zones in kantoren, het bouwen van open structuren waar geen vaste bureaus zijn en het integreren van het eigen thuiskantoor van de werknemer.
STRATEGISCH MANAGEMENT VAN HET PERSONEELSBESTAND
Digitalisering vereist nieuwe vaardigheden en capaciteiten van medewerkers. De ontwikkeling van deze competenties in het personeelsbestand vereist strategische planning om op de lange termijn aan de vereisten te voldoen. Het gebruik van analysemethoden maakt niet alleen een optimale inzet van medewerkers mogelijk, maar verheldert ook de vraag welke vaardigheden nu en in de toekomst nodig zijn en hoe deze zo snel mogelijk te verwerven.
STRATEGISCHE ONTWIKKELING VAN HET PERSONEEL
Kennis en ervaring verouderen steeds sneller en rollen en taken veranderen voortdurend. De medewerkers worden voortdurend uitgedaagd om nieuwe dingen te leren, deel te nemen aan trainingen voor nieuwe taken en zich aan te passen aan rolveranderingen.
Ons More Optimal Platform biedt bedrijven oplossingen om hun bedrijfsvoering van begin tot eind te modelleren, plannen en optimaliseren. Ons platform kan scenario’s aan die als te complex worden beschouwd voor andere softwareoplossingen: het plannen en optimaliseren van complexe productiewaardenetwerken, het optimaliseren van ingewikkelde logistieke operaties en het plannen en inroosteren van medewerkers met zeer diverse vaardigheden.
Belangrijke mogelijkheden zijn onder meer voorspellende en beschrijvende gegevensanalyse, prognoses, wat-als-scenarioplanning, gezamenlijke besluitvorming, storingsafhandeling en productieplanning.
Het platform wordt gehost in de cloud en er is geen aparte tooling nodig. U kunt supply chain-applicaties in uw browser modelleren waar eindgebruikers het ook gebruiken – wat u ziet is wat u krijgt!
Supply chain-modellering vereist geen code of specifieke berekeningen, en visualisatie kan worden gemaakt met een kleine hoeveelheid gemakkelijk te begrijpen code.
Krachtige algoritmische bouwstenen voor optimalisatie komen uit de doos en zijn volledig geïntegreerd in het platform.
Dankzij serverloze schaling kunnen meerdere algoritmen parallel draaien, zodat grote problemen in de supply chain kunnen worden aangepakt.
Kaarten, 3D-visuals, Gantt-diagrammen en andere kaarten komen uit de doos en kunnen eenvoudig door de modelleur worden geconfigureerd. Aangepaste visuals kunnen worden gemaakt met low-code en kunnen worden gedeeld met andere modelbouwers in de More Optimal-community.
De rekenmodule zorgt ervoor dat u zich kunt concentreren op wat er moet worden berekend; afhankelijkheden tussen berekende velden worden automatisch afgehandeld door het platform.
Uw bedrijfsresultaat wordt bepaald door het “gedrag” van uw bedrijfsprocessen. Waarom is de ordercyclustijd voor order A zo veel korter dan die voor B? Waar zitten de bottlenecks in mijn processen? Waar vindt herbewerking plaats en hoe ziet het eruit? Wat kan ik doen om mijn cash-conversiecyclus te versnellen? En hoe zit het met compliance?
Axisto beantwoordt deze en vele andere vragen met behulp van process mining. Process mining is een datagedreven analysetechniek die daadwerkelijk procesgedrag laat zien. We gebruiken deze techniek als analysetool voor proces- en prestatieverbetering. En het kan worden toegepast voor interne / externe audits of worden geïntegreerd in de dagelijkse bedrijfsvoering om het inzicht te vergroten en de besluitvorming te ondersteunen. Axisto begeleidt u door het doolhof van verschillende process mining-tools, helpt u bij het maken van een oplossing die bij u past en ondersteunt u bij een succesvolle implementatie.
Hoewel bedrijven veel van hun processen hebben geautomatiseerd, wordt veel van het werk nog steeds handmatig en routinematig gedaan. Medewerkers moeten bijvoorbeeld handmatig gegevens invoeren en schakelen tussen systemen, applicaties en schermen om de kritische bedrijfsprocessen te laten functioneren. Dergelijke activiteiten hebben op zichzelf geen meerwaarde. Ze kosten tijd, vormen een inherent risico en zijn duur.
Axisto vervangt deze taken door Robotic Process Automation (RPA), die de taken 24/7, snel en foutloos uitvoert. Zo kunnen medewerkers een meerwaarde leveren door hun aandacht en expertise te richten op die taken die belangrijk zijn. Het vrijmaken van tijd vereenvoudigt de overgang van reactieve naar proactieve operationele processen. RPA is zeer flexibel – het kan op veel verschillende gebieden worden gebruikt en kan snel worden vergroot en verkleind. RPA voegt waarde toe door de mogelijkheden van machine learning en kunstmatige intelligentie beter te benutten en te vergroten. Axisto geeft advies om uw beste opties te vinden en ondersteunt u bij het implementeren van deze nieuwe manieren van werken.