Stel je voor: je wilt volgende maand je voorraad voorspellen, je cashflow inschatten of een seizoenspiek anticiperen. Tot nu toe had je daarvoor dure software of een data-analist nodig. IBM gooit dat nu overhoop met een open model dat tijdreeksen voorspelt, en het mag gewoon commercieel gebruikt worden.
Wat IBM precies lanceert
IBM heeft een nieuw model uitgebracht binnen zijn Granite-familie: een zogeheten time-series-model dat speciaal is gebouwd om ontwikkelingen over tijd te voorspellen. Denk aan verkoopaantallen, energieverbruik, voorraadniveaus of websitebezoek. Het bijzondere zit niet alleen in de prestaties; het model heeft een commerciële vriendelijke licentie. Dat betekent dat jij het mag downloaden, in je eigen omgeving draaien en er commercieel gebruik van maken, zonder per vraag een cloudfactuur te betalen.
Waarom dit een keerpunt is voor het MKB
Jarenlang was voorspellende analyse het domein van grote bedrijven met eigen data-teams. Voorspellingen maakte je met specialistische statistische modellen die veel kennis en onderhoud vergden. Een voorgetraind model dat je kant-en-klaar kunt inzetten, verlaagt die drempel drastisch. Je hoeft geen machine learning-expert te zijn om een redelijk betrouwbare omzetprognose te draaien; je hoeft vooral goede historische data te hebben. En dat is precies wat veel MKB-bedrijven wél hebben: jaren aan facturen, kassatransacties en orderhistorie die nu ineens waarde krijgen.
Een concreet voorbeeld
Neem een groothandel in bouwmaterialen met vijftien medewerkers. Elke lente stijgt de vraag naar tuin- en buitenartikelen, en elk jaar gokt de eigenaar op basis van gevoel hoeveel hij moet inkopen. Te veel inkopen betekent geld dat maanden vastzit in magazijn; te weinig betekent nee verkopen aan klanten die dan naar de concurrent gaan. Met een time-series-model kan die eigenaar zijn historische orderdata voeren, en krijgt hij een voorspelling per productcategorie per week. Niet perfect, maar een stuk beter dan de onderbuik. Zelfs een verbetering van een paar procent in voorraadbeheer kan tienduizenden euro's per jaar schelen.
De Nederlandse realiteit
In Nederland zijn juist sectoren als logistiek, bouw, food en e-commerce sterk afhankelijk van seizoenspatronen en grillige vraag. Denk aan een webwinkel die rond Sinterklaas en kerst piekt, of een horecagroothandel die rekening moet houden met vakantieperiodes. Deze bedrijven hebben vaak wel data, maar geen team om er iets mee te doen. Een open model dat je lokaal draait, past bovendien goed bij de Nederlandse zorg om datasoevereiniteit: je gegevens blijven in eigen huis, in plaats van naar een Amerikaanse cloud te gaan. Wie eenmaal ziet wat zijn eigen orderhistorie aan patronen bevat, wil vaak nooit meer terug naar gokken op basis van een halfjaar aan gemiddelden.
De kosten van niets doen
Wie blijft gokken op gevoel, betaalt daar op twee manieren voor. Enerzijds mis je omzet doordat je niet op tijd inkopen doet; anderzijds betaal je voor opslag en rente op voorraad die niet verkoopt. Voor een gemiddeld MKB-bedrijf kan een slechte voorraadinschatting per jaar tienduizenden euro's aan gemiste marge en kapitaalbeslag kosten. De investering om met een open model te starten is daarentegen beperkt tot wat rekentijd en een dagje experimenteren. Reken eens uit wat één procent minder dode voorraad je oplevert; vaak is dat al meer dan een heel jaar aan boekhoudsoftware kost.
Drie actiepunten
Verzamel eerst je historische data. Een model is zo goed als de data die je erin stopt. Exporteer je omzet, orders en voorraadmutaties van de afgelopen twee tot drie jaar in één schoon bestand.
Begin klein en simpel. Start met één productcategorie of één vestiging, niet met je hele assortiment. Zo leer je wat het model wel en niet kan, zonder groot risico.
Vergelijk met je onderbuik. Zet de modelvoorspelling naast je eigen inschatting. Waar ze sterk verschillen, zit vaak de interessantste informatie: daar moet je extra naar kijken.
Voorspellen wordt geen kunst meer die is voorbehouden aan de grootste bedrijven. Met een open model, je eigen data en een middag experimenteren, kun je beslissingen nemen op basis van signalen in plaats van gissingen. En dat is misschien wel de beste investering die je dit jaar kunt doen.