Handmatige planning ziet niet alle randvoorwaarden tegelijk
Een goede menselijke planner optimaliseert intuïtief, maar kan niet tegelijk tientallen randvoorwaarden in zijn hoofd houden (capaciteit per lijn, houdbaarheid per SKU, volgorde van allergeenwissels, beschikbaarheid van grondstoffen, personeelsshifts) bij elke herberekening.
Het frequente resultaat: ongemeten giveaway (product weggegeven boven het opgegeven gewicht) dat kan oplopen tot een paar procent van de productie — meestal de grootste verborgen kostenpost van een lijn, omdat niemand het expliciet bijhoudt. Productieplanning met AI, met vraagvoorspelling en productieoptimalisatie, betekent concreet een plan dat tegelijk rekening houdt met de capaciteit van de lijn, de houdbaarheid en de beschikbare grondstof — niet alleen een verkoopvoorspelling.
De gesloten planningslus
Vier stappen, klik op elk ervan. De laatste is altijd een mens.
Combineert een forecast op basis van de ERP-historie met scenariosimulaties, om de vraag met expliciete onzekerheid te schatten, niet als één enkel getal. Benodigde data: historische verkopen per SKU, seizoensinvloeden, promoties.
Zoekt het beste plan met gelijktijdige inachtneming van capaciteit, houdbaarheid, de volgorde van allergeenwissels, grondstoffen en shifts. Benodigde data: capaciteit per lijn, recepten, voorraden.
Het voorgestelde plan wordt getest op alternatieve scenario's: hogere of lagere vraag, een stilgelegde lijn. Benodigde data: de scenario's die de planning in de praktijk tegenkomt.
Het plan komt bij een planner terecht, die het goedkeurt, aanpast of afwijst. Pas dan gaat het terug naar het ERP.
Het model stelt scenario's voor, geen absolute waarheden
De vraagsimulatie-engine combineert een klassieke statistische forecast op basis van de ERP-historie met een multi-agent-simulatie-engine voor scenario's (bijv. een plotselinge vraagverandering, een onverwacht grote order). De juiste positionering is „scenario-/what-if-engine”, geen „orakel dat de toekomst exact voorspelt”.
Het verschil is belangrijk voor hoe het resultaat wordt gebruikt: een op scenario's gebaseerd plan vraagt dat de mens tussen varianten kiest, niet dat hij alleen een enkel cijfer bevestigt. De vraagvoorspelling met AI vervangt het oordeel van de planner niet — het combineert de historiek uit het ERP met gesimuleerde scenario's, en de eindbeslissing blijft bij de mens. De capaciteits- en voorraadgegevens die de optimalisator gebruikt, komen rechtstreeks uit het ERP — hoe ERP-data bij een AI-model terechtkomt wordt apart uitgelegd, met de nadruk op governance.
Een plan dat aan alle regels tegelijk voldoet
Bovenop de vraagsimulatie zoekt een wiskundige optimalisator (van het type MILP/CP-SAT) het plan dat tegelijk voldoet aan de capaciteit van de lijn, de houdbaarheidstermijnen, de juiste volgorde van allergeenwissels, de beschikbare grondstoffen en de streef-giveaway — niet slechts één of twee geïsoleerde criteria.
Dit soort optimalisatie gaat verder dan wat redelijkerwijs in Excel kan, zeker als de beperkingen vaak veranderen (een nieuwe order, een lijn stilgelegd voor onderhoud). Het doel van AI-productieoptimalisatie is het verminderen van de productie-'giveaway' — de hoeveelheid die boven de specificatie wordt gegeven als veiligheidsmarge, wat op termijn echt geld kost.
Eén lijn, enkele SKU's, schone data
We bevelen altijd een pilot aan op één lijn of enkele SKU's, met schone historische data, voordat je naar de hele fabriek uitbreidt. De kwaliteit van de historische data telt net zo zwaar als het algoritme — een goede forecast op slechte data levert een slecht plan op, hoe geavanceerd de optimalisator ook is.
De pilot valideert zowel de nauwkeurigheid van de forecast als, minstens zo belangrijk, of het planningsteam er voldoende vertrouwen in heeft om het voorgestelde plan te gebruiken in plaats van het huidige proces. AI-productieoptimalisatie begint altijd op één lijn of een paar SKU's met schone data, niet meteen op de hele fabriek.
Van discovery naar een door een mens goedgekeurd plan
Elk project van dit type begint met een pilotlijn, niet meteen met de hele fabriek.
- 01Discovery op één lijn: beschikbare historische data, reële beperkingen, wat er vandaag ongemeten verloren gaat
- 02We bouwen de vraagsimulator + de optimalisator, gekalibreerd op jouw data
- 03We testen het plan op what-if-scenario's voordat we het aan het planningsteam voorstellen
- 04We leveren het systeem met de menselijke goedkeuringslus ingebouwd, geen automatische uitvoering in het ERP
Vaste prijs, na een korte discovery.
- audit van data + randvoorwaarden
- kansenkaart
- pilotadvies
- vraagsimulator
- optimalisator onder randvoorwaarden
- door een mens goedgekeurd plan, niet automatisch
- uitbreiding naar meerdere lijnen
- integratie met het bestaande ERP
- onderhoudsretainer
Elk project heeft een andere context, andere processen en een andere infrastructuur, dus de prijs wordt vastgesteld na een korte, betaalde discovery en verandert daarna niet meer.
Veelgestelde vragen
Wat is „Production Brain” / productieplanning met AI?
Het is een gesloten planningslus: een vraagsimulator schat in wat er verkocht gaat worden, een wiskundige optimalisator zoekt het beste plan binnen de reële beperkingen van de lijn (capaciteit, houdbaarheid, allergenen), en het uiteindelijke plan wordt goedgekeurd door iemand van planning, niet automatisch uitgevoerd.
Wat is „giveaway” op een productielijn en waarom telt dat?
Giveaway is het product dat extra wordt meegegeven bovenop het op het etiket vermelde gewicht, om boetes voor onderverpakking te vermijden — het kan oplopen tot enkele procenten van de productie en wordt doorgaans niet expliciet gemeten. Het is vaak de grootste verborgen besparingskans in een lijn zonder digitale gewichtscontrole.
Wat kost een systeem voor productieforecast en -optimalisatie?
De prijs wordt bepaald na een korte, betaalde discovery. We publiceren geen cijfers uit klantprojecten.
Neemt het productieoptimalisatiesysteem automatisch beslissingen?
Nee — het stelt een plan voor, getest op what-if-scenario's, maar de uiteindelijke beslissing om het toe te passen blijft bij een planner. Het systeem is een beslissingsinstrument, geen autopilot die zonder controle rechtstreeks in het ERP schrijft.
Welke data zijn nodig om een pilot voor productieoptimalisatie te starten?
Een schone vraag-/verkoopgeschiedenis, de reële randvoorwaarden van de lijn (capaciteit, houdbaarheid, regels voor allergeenwissels), en de beschikbaarheid van grondstoffen en shifts. De kwaliteit van deze data telt net zo zwaar als het gebruikte algoritme.
Waarom pilot je op één lijn en niet meteen op de hele fabriek?
Omdat je de nauwkeurigheid van de forecast en het vertrouwen van het planningsteam valideert in een gecontroleerde omgeving, met beperkt risico, voordat je in uitbreiding investeert. Een mislukte pilot op één lijn is een goedkope les; een mislukte uitrol over de hele fabriek is een grote kost en een verlies van intern vertrouwen.
Laten we kijken wat we bij jou kunnen automatiseren.
Een gratis sessie van 30 minuten: we vertellen je wat er te automatiseren valt, hoe lang het duurt en wat het kost, met een vaste prijs na de discovery.