Retailers, autodealers, banken, mutualiteiten, apotheken, … kennen allemaal de complexiteit van het ontwikkelen van een performant netwerk aan verkoop- of servicepunten. Hierbij zoekt men steeds een evenwicht tussen minimale infrastructuurkosten en maximale rentabiliteit of service. Bij de zoektocht naar de meest rendabele configuratie exploreert en evalueert Artificial Intelligence de meest veelbelovende oplossingen.
We kennen allemaal retailers die hun activiteiten startten met één verkooppunt. Na een succesvolle opening besluiten ze om enkele kilometers verderop in het volgende stadscentrum een tweede verkooppunt te openen. Vervolgens een derde, vierde, …, totdat een bepaalde dekking van het gebied wordt bereikt. Bij het ontwikkelen van zijn netwerk baseerde de retailer zich op zijn intuïtie en buikgevoel en met een zeker succes. Nochtans, ondanks zijn investeringen, vermindert zijn algemene rentabiliteit. Vandaag komt hij tot het besef dat om zijn rentabiliteit te waarborgen hij zijn verkooppuntennetwerk moet herbekijken. Daarbij is het voor hem nu belangrijk rekening te houden met de demografische karakteristieken van de bevolking evenals het marktpotentieel. Dit wil niet noodzakelijk zeggen dat het aantal verkooppunten zal moet toenemen om zijn resultaten te maximaliseren. Het doel is om de verkooppunten zodanig te lokaliseren dat de beste dekking van het marktpotentieel wordt bereikt.
Zoals in dit voorbeeld ontwikkelen de meeste netwerken van verkooppunten zich progressief in functie van de opportuniteiten en de economische context. Wanneer men op een gegeven moment het netwerk van verkooppunten verder wenst te ontwikkelen, rationaliseren of optimaliseren is het van belang dit netwerk en de markt in een breder perspectief te bekijken.
Hierbij nemen we een relatief simpel voorbeeld. In het jargon van de geomarketing spreekt men van de hypothese van een “green field”. Hierbij wordt de strategie herbekeken op basis van een blanco kaart. Doorheen een proces van modellering, rekening houdend met sociodemografische karakteristieken van de bevolking, het marktpotentieel, de concurrentie, … wordt het exacte aantal verkooppunten berekend, evenals de locatie van deze verkooppunten, om het meest rendabele netwerk uit te tekenen.
Het is in deze stap dat artificial intelligence in het proces wordt geïntegreerd. Beeld u in dat 500 mogelijke locaties voor verkooppunten werden bepaald in België en dat u een netwerk van 50 verkooppunten wenst uit te bouwen. In dit precieze geval heeft u de keuze uit meer dan een miljard mogelijke configuraties. Hoe kiest u hieruit de meest rendabele oplossing voor uw bedrijf? Artificial intelligence beschikt over de capaciteit om binnen dit kluwen aan mogelijke configuraties diegene uit te kiezen die de hoogste rentabiliteit bieden. Het gebruik van artificial intelligence is in dit precieze geval een methode die “reinforcement learning” heet.
Uit de 500 mogelijke locaties zal het artificial intelligence mechanisme 50 locaties uitkiezen. Een module berekent (evalueert) de rentabiliteit van deze configuratie. De configuratie en de rentabiliteit ervan worden vervolgens opgeslagen. Dit proces wordt nadien nog 5.000 maal herhaald om over een brede waaier aan mogelijkheden te beschikken die reeds werden geëvalueerd.
Na een eerste reeks van 5.000 tests wordt de strategie aangepast. Door de resultaten te analyseren leert het artificial intelligence mechanisme dat de aanwezigheid van bepaalde locaties goede resultaten blijkt te geven. Hij integreert dit nieuwe gegeven en start een nieuwe testreeks van 5.000 configuraties. Bij deze nieuwe tests wordt de selectie beïnvloed door wat in de vorige reeks werd geleerd. Doorheen de verschillende iteraties bouwt het artificial intelligence mechanisme het uiteindelijke netwerk met de hoogste rentabiliteit.
De werking van dit artificial intelligence mechanisme illustreren we aan de hand van een korte film. Hierin kan u waarnemen hoe de 500 mogelijke locaties worden geëvalueerd. Sommige locaties verdwijnen, terwijl andere een grotere kans hebben behouden te worden in de uiteindelijke configuratie. Tot op het laatste moment laat het artificial intelligence mechanisme toe alle opties te herbekijken. Zo kan u in de film zien dat bepaalde locaties tot op het laatste moment kunnen wijzigen.
In deze case is het artificial intelligence mechanisme gebaseerd op een “reinforcement learning” model. Hierbij evalueert het mechanisme de oplossing en geeft het een score aan het verkooppuntennetwerk dat het samenstelt. Een hoge score is voor het mechanisme een grotere beloning. Doorheen de verschillende testreeksen probeert het mechanisme de hoogst mogelijke score (en beloning) te bereiken die aan het doel van de retailer voldoet: de beste configuratie van het netwerk vinden dat de hoogste rentabiliteit garandeert.
Deze rentabiliteit van het netwerk wordt geëvalueerd aan de hand van een simulator. Hiervoor integreren we tal van belangrijke gegevens: marktpotentieel, rentabiliteitsdrempel, locatie van concurrenten, consumentenprofielen, en nog veel meer!
Om een netwerk aan verkoop- of servicepunten te optimaliseren biedt artificial intelligence de mogelijkheid een extreem grote hoeveelheid configuraties te exploreren die niemand analytisch kan aanpakken. Naast de exploratie van mogelijke configuraties bepaalt het artificial intelligence mechanisme ook het netwerk aan verkooppunten die de hoogste rentabiliteit biedt. Deze methoden worden al meer dan 15 jaar gebruikt en verfijnd bij SIRIUS Insight, wat de betrouwbaarheid van het proces waarborgt.
Meer weten over netwerkoptimalisaties? Bekijk onderstaande film, download de documentatie, of contacteer ons voor meer informatie.
