AI vraagvoorspelling voor voorraadbeheer

In de literatuur en software voor voorraadbeheer wordt vaak aangenomen dat de vraagpatronen constant blijven over tijd, wat in de praktijk niet realistisch is door o.m. seizoensgebonden schommelingen. Traditionele voorspellingsmodellen houden vaak geen rekening met onzekerheden, terwijl deze cruciaal zijn voor efficiënte voorraadbeslissingen. Dit project richt zich op een predict-then-optimize aanpak, waarbij vraagvoorspellingen beter worden geïntegreerd in voorraadbeheer om kosten door tekorten of overstock te minimaliseren. Daarnaast onderzoeken we of een meer geïntegreerde methode, waarbij beslissingen direct uit data worden afgeleid, betere resultaten oplevert dan de klassieke aanpak.