Marcel Antons, myBrand Conclusion: ‘Mensen willen elkaar in de ogen blijven kijken’

Marcel Antons, Directeur Strategie & Innovatie myBrand Conclusion.

“We kunnen ons blijven afvragen wat de toegevoegde waarde van AI en ChatGPT is, maar onderaan de streep geldt: mensen doen zaken met mensen. Menselijk contact blijft belangrijk. Dat geldt ook nog voor de retail.” Duidelijke woorden waarmee Antons de kick-off geeft voor zijn presentatie over de impact van AI op retailers en meer specifiek hun ERP-systemen. Een stelling overigens die later nog betwist zal worden.

“AI is inmiddels overal”, stelt Antons. “Ook onze mobieltjes bevatten meer AI dan de meeste mensen zich realiseren. En wat dacht je van integratie van distributiekanalen: daar zitten ook allerlei slimme oplossingen tussen. Digitale passpiegels en -kamers, je kunt het zo gek niet bedenken.”

Zelfs achter duurzaamheid zit best veel AI, denk aan de slimste manier om iets van A naar B te brengen. Mensen krijgen online steeds vaker diverse opties om te laten bezorgen, de een duurzamer dan de ander. Daar zitten allerlei algoritmes achter. Hetzelfde geldt voor goede inzichten die nodig zijn om compliant te zijn, terwijl ook roboretail in dc’s en winkels steeds meer AI-gestuurd zijn.”

Spannend

AI is inderdaad overal… Totdat het de backend bereikt. Dan wordt het spannend, stelt Antons. “De gemiddelde leeftijd van een ERP-systeem is 13 jaar. Heel veel ERP’s stammen uit een tijd dat de zaken die we nu willen op retailgebied, helemaal nog niet konden. Maar we proberen die wensen er wel doorheen te duwen.”

Van de 43 procent retailers die een ERP gebruiken (de rest bestaat vooral uit kleinere winkels), is slechts 26 procent van de medewerkers dagelijks met het ERP-systeem bezig. Maar iedereen heeft last van omzetverlies, supply chain en andere problemen door slechte datakwaliteit, aldus Antons over de huidige stand van zaken. “75 procent van de dataproblemen wordt ontdekt door de business in het proces zelf. Dan ben je al rijkelijk laat om het op te lossen. En dat kost gemiddeld 15 uur per dataprobleem.”

Het gevolg: de belofte van innovatie gaat gebukt onder de frictie van de operatie. Legacy-systemen beperken nu mogelijkheden tot innovatie. “Het is dan ook tijd om radicaal te veranderen”, stelt Antons in een echo van wat Hunkemöller-CTO Gordon Smit eerder tijdens de Ronde Tafel benadrukt. “We moeten processen niet langer automatiseren, maar heruitvinden vanuit de technologie en best practices. En je moet dat end-to-end doen.”

ERP Fit-for-AI

Wat op ERP-gebied moet gebeuren, is ERP klaar voor AI te maken: van het bekende fenomeen Fit-GAP (maatwerk, veel knutselwerk) naar ‘Fit-for-AI’. “Er is al een goede tussenstap gemaakt, door SAP en de meeste grote softwareleveranciers, naar ‘Fit-to-Standard’: het adopteren van best practices om zoveel mogelijk te standaardiseren. Nu moeten we naar ‘Fit-for-AI’, willen we al die mooie AI-toepassingen ook goed kunnen voeden met de benodigde data.”

Antons noemt drie stappen om een ERP-systeem ‘Fit-for-AI’ te maken. “Het uitgangspunt, zeker voor retailers, vormen je drie belangrijkste datapunten: product, prijs en klant. Er hangt veel in je retail-processen af van deze drie KPI’s. Maar weet je hoe compleet de onderliggende data zijn, hoe accuraat ze zijn, en of je de data snel genoeg binnenkrijgt om er iets mee te doen?” Een korte rondvraag bij aanwezigen uit de retail levert op dat men al deels bezig is met het meten van die datakwaliteit. Dat is echter wel afhankelijk van de discipline en het belang dat aan die data gehecht wordt.

Deels is niet genoeg, benadrukt Antons. Minimaal 97 procent van retaildata moet voldoen aan de drie KPI’s, terwijl dubbeling (dezelfde data op 2 of meer plekken) minder dan 1 procent mag zijn. “Ter illustratie: Ik heb een massamigratie van data uitgevoerd bij een keten met een Nederlandse en Belgische tak. Dezelfde producten hadden daar uiteenlopende omschrijvingen. Er waren toeleveranciers die niet wilden investeren in een extra EAN-base, en dus producten handmatig ging omstickeren afhankelijk van het land.”

Optimaal AI-resultaat

Datakwaliteit is ook cruciaal voor optimaal resultaat uit AI-toepassingen. Het meten van de datakwaliteit om de drie KPI’s te optimaliseren, is te vergelijken met een smartwatch die continu je lichaamsfuncties meet. Dat is heel wat anders dan eenmaal per maand je bloeddruk laten meten bij de huisarts. Antons: “In IT-termen heet dat tegenwoordig Observability. Ga monitoren, zorg ervoor dat je niet pas in de business 75 procent van dataproblemen constateert, maar dat je 75 procent al bij het monitoren ondervangt. Zo kun je de time to recover heel rap heel ver terugbrengen.”

Als je dan eindelijk goed met AI aan de slag kunt gaan, moet je het goed organiseren en beheren. Maak een raamwerk waarin je zaken zoals governance, privacy et cetera goed ondervangt. Stel kaders: wat doen we als iets succesvol is, wat doen we wanneer dit niet het geval is? Om uiteindelijk uit te komen bij: ‘Standaardiseer waar het moet, leer waar het loopt.’

AI kan zeker ook helpen om bestaande data op orde te brengen, zo reageert Antons op een vraag van Ronde Tafel-voorzitter Anneke Keller, al zal dat niet 100 procent het geval zijn. Of AI hetzelfde kan doen met nieuwe data, bijvoorbeeld over een nieuw product, daaraan twijfelt Antons. “AI kan suggesties doen: ik denk dat je dit en dit vergeten bent en dat dit en dit er moet staan. Maar uiteindelijk blijft de mens in the loop om op basis van dit advies besluiten te nemen. Ik denk dat het risico bestaat wanneer je AI ook hier taken laat overnemen, dat de gebruikers slordig worden in het beheersen van deze processen.”

Hunkemöller-CTO Gordon Smit voegt hieraan toe dat de huidige AI-toepassingen prima in staat zijn om duplicaten uit data te halen. “Wij hebben bijvoorbeeld productdata verdeeld over wel 8 of 9 plekken staan. Die data moet je op orde hebben, dubbele data weghalen, voordat je het überhaupt de organisatie in stuurt. Maar als mens moet je inderdaad de governance, de privacy hieromheen eerst bepalen, en je moet als mens controleren of je AI-toepassing er op basis van dit raamwerk met die productdata omgaat.”

Doel centraal stellen, niet AI

Een andere retailer, actief in schoenen, vraagt zich af of AI niet te veel wordt ingezet omdát het beschikbaar is. “Je kunt AI gebruiken om data op te schonen, de bestaande kwaliteit ervan in kaart te brengen. Maar je moet het doel niet uit het zicht verliezen: je processen verbeteren. De gebruikte technologie kán AI zijn, maar misschien ook iets anders. Wij adresseren verbeteringen in ieder geval niet altijd met AI-toepassingen als er een goed alternatief is.”

Antons is het hiermee eens. De beginvraag moet zijn: wat zijn we nou aan het oplossen? Wel meent hij dat AI-toepassingen, zeker generatieve AI, steeds vaker het beste antwoord is. “Ik werkte bij AH toen daar eind jaren ’90 de Bonuskaart geïntroduceerd werd. Het doel was om tot persoonsgebonden aanbiedingen te komen. Het was echter te lastig om dit doel te realiseren uit de overweldigende hoeveelheid data die binnenkwam. Ik geloof dat dit pas sinds 2024 echt van de grond gekomen is, nu de rekenkracht afdoende is om hier AI-toepassingen op los te laten.”

AI praat met AI

Smit keert terug naar Antons opmerking uit het begin over hoe zakendoen iets tussen mensen blijft. “Daar ben ik het pertinent mee oneens. Ik denk dat agents straks steeds meer onderling zakendoen namens mensen. Niet voor alle producten of diensten, maar wel voor de meeste. Een AI-agent die al jouw karakteristieken, wensen en behoeften kent, zoekt bijvoorbeeld naar nieuwe schoenen en koopt namens jou die schoenen via een agent van de schoenverkoper.”

Antons gaat hier deels in mee. Hij gelooft dat er veel meer agent to agent transacties gaan komen naarmate AI-toepassingen beter worden en de benodigde rekenkracht verder toeneemt. “Maar ik denk ook dat er altijd veel transacties blijven waarbij mensen elkaar in de ogen willen kijken.”

Lees ook het eerste artikel over de Retail Ronde Tafel: ‘Radicale veranderingen via AI nodig om voorop te blijven lopen’.