Unilever ontwikkelde ML-tool voor P&L-forecasts

Artificiële intelligentie (AI) en machinelearning (ML) zijn uitgegroeid tot een geïntegreerd onderdeel van het ondernemerslandschap. Waar data, accuraatheid en voorspelbaarheid centraal staan, schuilt vaak het grootste potentieel. Dat verklaart meteen ook waarom elke CFO AI en ML hoog op de agenda plaatst. Toch zit er veelal nog een grote kloof tussen ambitie en realisatie. Unilever vatte vier jaar geleden al de koe bij de horens. De financiële afdeling plukt daar nu de vruchten van met een ML-gedreven forecastingtool.

Unilever bundelt zijn activiteiten binnen vijf businessgroepen: beauty en welzijn, persoonlijke verzorging, schoonmaak- en wasproducten, voeding & ijs. Elke businessgroep is wereldwijd verantwoordelijk voor haar strategie, groei en winst. VP Finance en CFO Joost Folkers stuurt het beheer van de businessgroep ijs op Europees niveau aan en leidt de algemene financiële Benelux-organisatie. Het ML-forecastingproject heeft in hoofdzaak betrekking op de rol als mondiale finance-vicevoorzitter.

Manueel versus ML

Forecasting vormt een essentiële schakel om de business aan te sturen. Accurate inschattingen op basis van historische data, actuele informatie en voortschrijdend inzicht maken het mogelijk om assumpties te maken en het beleid aan te passen aan wijzigende omstandigheden. “Unilever hanteert een maandelijks financieel forecastingproces, dat ons in staat stelt de omzet en winst voor de rest van het boekjaar en het daaropvolgende jaar te voorspellen”, duidt de CFO. “Dat proces vergt veel middelen, kennis en tijd. Het hoeft niet te verwonderen dat binnen een gigantische organisatie als Unilever verschillende actoren bijdragen tot het forecastingproces. Zij voegen vanuit hun rol input en perspectieven toe. Tegelijk zorgt die brede inbreng voor veel eigen interpretaties, die mogelijk ongewild ook de voorspellingsresultaten beïnvloeden.”

Om het forecastingproces te verrijken, zette Unilever vier jaar geleden een ML-forecast op. “Het uitgangspunt bestond erin onze omzet en winst te voorspellen aan de hand van statistische modellen en inputdrivers”, gaat Joost Folkers verder. “Ik spreek bewust in het meervoud, omdat we gebruikmaken van een vijftiental verschillende modellen. De machine leert zelf welke input ze via welke modellen moet verwerken om de beste resultaten te behalen.”

Continue verbetering

Kenmerkend voor ML is het gebruik van algoritmen en statistische modellen om machines in staat te stellen hun prestaties met elke nieuwe ervaring te verbeteren. “De eerste simulaties bleken logischerwijze weinig accuraat. Door nieuwe data en inputdrivers toe te voegen, verbeterde het resultaat voortdurend. De ingevoerde variabelen zijn talrijk: van inflatie en macro-economische ontwikkelingen, over interne data, tot innovaties en promoties. Bij elke nieuwe input voert de machine een nieuwe analyse uit en identificeert ze de meest relevante parameters. Die analyse gebeurt per productcategorie, want wat relevant is voor verzorgingsmiddelen heeft mogelijk weinig tot geen impact op onze voedingsproducten.”

Nagenoeg synchroon met de toenemende input, ging ook de forecastaccuraatheid in stijgende lijn. “We zetten de nauwkeurigheid van de omzet- en winstvoorspellingen naast die van het klassieke, manuele model”, stipt Joost Folkers aan. “De menselijke inbreng bleef lange tijd accurater, maar gaandeweg zette de machine een inhaalbeweging in. Vandaag hebben we het punt bereikt waar de machine de inschattingen van onze forecastafdeling evenaart en soms zelfs overtreft. Uiteraard kent elke forecast altijd één grote zekerheid, namelijk dat die nooit honderd procent correct zal zijn. Maar de accuraatheid van 98 tot zelfs 99 procent stemt ons heel tevreden.”

Van parellel tot autonoom

Unilever beoogde aanvankelijk om de ML-forecast parallel met de manuele forecast te laten lopen. “Initieel beschouwden we de ML-forecast als een soort challengermodel, dat als benchmark zou fungeren voor onze manuele voorspellingen. Nu de accuraatheid van het ML-model zo hoog ligt, kan het de manuele forecast in sommige regio’s vervangen. We kijken dan in hoofdzaak naar regio’s en landen die een kleinere omzet vertegenwoordigen – want een kleine omzet betekent niet dat een manuele forecast minder inspanningen en tijd vergt. Door daar een ML-forecast in te zetten, winnen we aan efficiëntie en trekken we de kosten naar beneden. Tegelijkertijd kunnen we onze mensen voor andere taken en processen inzetten.”

Unilever heeft zijn forecastingmodel vanaf een blanco blad ontwikkeld. De centrale IT-organisatie zorgde voor het technische luik, terwijl de data- en analyseteams het project vanuit een businessgericht standpunt benaderden. De input van gegevens vindt plaats in een shared service center van Unilever. “Een vijftal jaar geleden waren geen tot weinig bruikbare toepassingen verkrijgbaar”, blikt de CFO terug. “We kozen daarom voor een eigen ontwikkeling. Dat bood als voordeel een grote vrijheid en de kans om de software helemaal naar onze hand te zetten. Daartegenover staat dat het ons aardig wat tijd en inspanningen heeft gekost om te staan waar we ons vandaag bevinden. Met de tools die nu op de markt zijn, zouden we misschien wel naar bestaande oplossingen teruggrijpen. Al zouden we er nog altijd even sterk op toezien dat de software helemaal afgestemd is op onze noden.”

Draagvlak

Verandering leidt niet zelden tot weerstand. Gedurende het volledige traject zette Unilever in op veranderingsmanagement. “We hebben van meet af aan een groot bewustzijn binnen de organisatie gecreëerd en de business bij onze plannen betrokken”, stelt Joost Folkers. “We deelden meteen onze resultaten en verzwegen niet dat die aanvankelijk niet bevredigend waren. Dat zorgde er net voor dat verschillende medewerkers ons spontaan suggesties en verbeteringen bezorgden. Het model groeide dus voortdurend onder impuls van onze mensen. Naar mijn mening werkt dat veel beter dan vanuit het management soloslim te spelen en de business uit het niets een model voor te schotelen. In dat geval riskeer je dat de business nog heel wat correcties naar voren brengt, waarop je het model sterk moet bijsturen. Je riskeert bijgevolg een pak frustraties en hoge (her)ontwikkelingskosten. Nu voelt het project aan als een gezamenlijk succes, wat ons team net een bijkomende boost geeft. Al even belangrijk is het draagvlak van hogerhand. Onze mondiale CFO en management geloofden van bij het begin sterk in de mogelijkheden van ML-forecast. Die ondersteuning heb je nodig om dergelijk belangrijk project af te ronden. Is die toewijding er niet, dan dreig je bij kleine tegenslagen onderweg er het bijltje bij neer te leggen.”

Dat brede draagvlak neemt niet weg dat er nood is aan een kritische blik op de bevindingen van het model. “Het is en blijft een andere manier van voorspellen. De resultaten verschillen altijd van de manuele input. Op sommige vlakken zullen onze medewerkers mogelijk beter scoren, terwijl ML het binnen andere segmenten nauwkeuriger doet. Daarom proberen we in onze dashboards de ML-beslissingen toe te lichten. Dat zorgt er ook voor dat het ML-model onze eigen medewerkers uitdaagt en we het niet altijd zomaar als leidend aanschouwen. We stellen bijvoorbeeld vast dat het ML-model gevoelig reageert op kortetermijninvloeden. Soms reageert het te fel op de meest recente input, terwijl een maandbeweging niet noodzakelijk op een langetermijntrend wijst. Onze mensen zetten een kritische bril op om die resultaten correct te interpreteren.”

Van P&L tot werkkapitaal

De voorbije jaren, gekruid met tal van disrupties, vormden het ideale testlabo voor eender welk voorspellingsmodel. “We hebben onze modellen gevoed met de data uit de covidcrisis en de jaren van hoge inflatie. Nu integreren we die als scenario’s binnen onze ML-forecasting. Vinden dergelijke disrupties nogmaals plaats, dan kan de machine beter inschatten wat er zal gebeuren. Het voordeel is dat de ML-forecast heel snel kan schakelen. Binnen een tijdsspanne van acht uur schotelt het model geheel nieuwe voorspellingen voor, terwijl dat via manuele forecasting wel twee weken in beslag zou nemen. Een extra troef is dat de ML-forecasting een bereik berekent en dus aangeeft dat de impact tussen x en y euro zal bedragen.”

Tot op vandaag wendt Unilever ML-forecasting enkel aan voor P&L-voorspellingen. Evenwel ziet het bedrijf ook brood in datagedreven cashforecasts met behulp van ML. Joost Folkers lijnt de tool wel af tot louter financiële inschattingen. “Voorspellingsdata kunnen uiteraard ook interessant zijn voor andere schakels binnen onze keten, zoals procurement, voorraadbeheer en sales. Toch bevinden onze analyses zich op een ander niveau. Een voorraadmanager wil immers weten hoeveel hij vandaag moet bestellen om zijn stock op peil te houden, terwijl wij vooral interesse tonen in het ruimere en overschouwende plaatje.”

Einddoel primeert

Onlangs sleepte Unilever met zijn ML-forecastingproject de Nederlandse Finance Technology Award in de wacht. Joost Folkers wijst erop dat Unilever de voorbije jaren grote stappen heeft gezet met zijn ML-model, maar er tegelijk nog geen sprake is van een afgerond project. “We leren dagelijks bij en zien nog verschillende optimalisatiemogelijkheden. Maar ik ben blij dat we enkele jaren geleden al groen licht hebben gegeven. Waar veel organisaties nu pas de mogelijkheden verkennen en aftasten, kunnen wij ons al op optimalisatie richten. Dat beschouw ik als de verdienste van ons gehele team. Het bewijst bovendien dat data-analisten en andere datagedreven profielen niet noodzakelijk in de richting van techbedrijven hoeven te lonken voor boeiende uitdagingen. Ook binnen een eerder klassieke sector als FMCG valt er heel wat te beleven.”

Tot slot geeft Joost Folkers collega-CFO’s graag mee dat het belangrijk is om ML-forecasting niet als een technisch project te beschouwen. “Je moet het bedrijfsmatige einddoel voor ogen houden, namelijk de creatie van een nauwkeurige, snelle en datagedreven forecast voor betere bedrijfsbeslissingen.”