De belofte van AI
Kunstmatige intelligentie vindt snel zijn weg naar bijna elk gesprek over de toekomst van de horeca. AI zal de vraag voorspellen, de prijsstelling optimaliseren, de inkoop verbeteren, de administratie automatiseren en managers helpen betere beslissingen te nemen. Het duikt onvermijdelijk ook steeds vaker op in discussies over hotelmanagement en textielbeheer. Maar er is een vrij fundamenteel probleem. AI kan een proces niet begrijpen dat niet door de data zelf beschreven kan worden. Stel je voor dat je een AI-systeem vraagt hoeveel badhanddoeken een hotel de komende twaalf maanden moet bestellen.
Om een bruikbaar antwoord te kunnen geven, is aanzienlijk meer nodig dan alleen de huidige inventaris. Er moet inzicht zijn in hoe snel handdoeken worden verbruikt, hoe dat verbruik zich verhoudt tot de bezettingsgraad, hoe vaak artikelen uit de circulatie verdwijnen, hoe lang ze meegaan, hoeveel voorraad er vastzit in de wascyclus, welke operationele buffer het hotel nodig heeft en hoe lang het duurt voordat de vervangende voorraad arriveert. Als die input schattingen, onvolledige spreadsheets of jaarlijkse inventarisaties zijn, creëert het toevoegen van kunstmatige intelligentie daar bovenop niet zomaar kennis.
Een betrouwbare databasis opbouwen
Het creëert een geavanceerdere manier om onzekerheid te analyseren. Dit is waarom de belangrijkste stap richting AI in textielbeheer wellicht weinig te maken heeft met AI zelf. Het genereert goede operationele data. Zodra die basis er is, wordt het een stuk interessanter. Een systeem kan herkennen dat het handdoekverbruik sneller stijgt dan de bezetting. Het kan vaststellen dat de doorlooptijd bij de wasserij geleidelijk is verslechterd, of dat één type textiel aanzienlijk sneller verdwijnt dan vergelijkbare artikelen. Ook kan het berekenen of de huidige voorraad waarschijnlijk onder het veiligheidsniveau van het hotel zakt voordat een normale aanvulorder kan arriveren.
In eerste instantie is kunstmatige intelligentie niet per se nodig. Goede analyses, verstandige regels en betrouwbare data kunnen al veel bereiken. En misschien is dat onderscheid wel belangrijk. Er is tegenwoordig een verleiding om bijna elke vorm van automatisering of voorspelling als AI te bestempelen. Maar het doel zou niet moeten zijn om AI in textielbeheer te implementeren. Het zou moeten zijn om textielbeheer te verbeteren. Als een eenvoudige berekening het juiste antwoord geeft, heeft het weinig zin om het ingewikkelder te maken.
Van analyse naar actie
AI wordt pas echt interessant wanneer het aantal variabelen en relaties te groot wordt voor conventionele analyses. Waarom stijgt het textielverbruik van dit hotel? Komt dat door de bezetting, het gastenprofiel, de werkwijze van housekeeping, het seizoen, de prestaties van de wasserij of een combinatie van factoren? Waarom gaat dezelfde handdoek in het ene hotel langer mee dan in het andere? En welke ogenschijnlijk ongebruikelijke bewegingen vragen werkelijk om aandacht?
Dat is waar AI het systeem kan helpen verschuiven van het rapporteren van informatie naar het interpreteren ervan. En uiteindelijk, van interpretatie naar aanbeveling. Niet simpelweg: “Uw voorraad badhanddoeken is met 8% gedaald.” Maar: “Bij de huidige afnamesnelheid zal uw voorraad waarschijnlijk binnen elf weken onder het vereiste operationele niveau dalen. Uw normale levertijd bij de leverancier is negen weken. Overweeg nu aan te vullen.” Er is een significant verschil tussen die twee berichten. Men geeft de manager informatie.
De andere helpt de manager beslissen wat te doen. Hetzelfde principe geldt, of het textiel nu eigendom is of gehuurd. Bij een huurmodel is het wellicht niet nodig om iets aan te schaffen. Het kan bijvoorbeeld gaan om het onderzoeken van de doorlooptijd, het aanpassen van de textielvoorraad of het bespreken van een nieuwe behoefte met de wasserij. Het hotel heeft deze informatie nog steeds nodig, omdat het er nog steeds baat bij heeft de efficiëntie van de betaalde service te controleren.
Beginnen met betrouwbare informatie
Misschien begint de discussie over AI in de horeca hier soms verkeerd. Voordat we ons afvragen wat kunstmatige intelligentie met hoteltextiel kan doen, moeten we ons afvragen of we de informatie hebben gecreëerd die nodig is om het te begrijpen. Omdat AI buitengewoon goed is in het vinden van betekenis in data. Het is aanzienlijk minder goed in het vinden van betekenis in data die nooit is verzameld.