Endro Health distribueert producten voor in-vitrodiagnostiek. De inkoop omvat 366 artikelen (SKU’s), die in cycli van 60 dagen worden besteld. Bestelbeslissingen werden handmatig genomen op basis van data die uit het ERP-systeem Odoo werd geëxporteerd. In de diagnostiek is de marge voor fouten klein. Wordt er te weinig besteld, dan komen klanten zonder voorraad te zitten. Wordt er te veel besteld, dan verloopt de voorraad op de plank. Elke beslissing moest bovendien achteraf worden verantwoord, en dat was lastig zonder vastgelegde onderbouwing.
Eerst zijn het domein en de behoeften van de betrokkenen geanalyseerd en zijn meerdere oplossingsrichtingen vergeleken. Uitlegbaarheid gaf de doorslag. Een inkoopbeslissing in een zorgketen moet herleidbaar zijn en bij een persoon liggen, waardoor een black-boxmodel als beslisser afviel. De kern is daarom volledig regelgebaseerd. Machine learning draait ernaast als challenger-model, uitsluitend ter vergelijking. De eerste fase is bewust losstaand en bestandsgebaseerd gehouden. Er is geen live koppeling met Odoo, er wordt niets teruggeschreven naar het ERP en er worden nooit zelf bestellingen geplaatst. De oplossing is gebouwd en getest op geanonimiseerde exportdata uit het ERP.
ERP-exports worden geüpload in een webapplicatie. Een regelengine beoordeelt elk product en stelt een gerangschikte lijst met bestelvoorstellen op. Bij elk voorstel horen een betrouwbaarheidsscore, waarschuwingen en de volledige keten van regels die tot het voorstel heeft geleid. De beoordeling volgt vaste rollen. De Depot Analyst controleert de voorstellen en markeert wat aandacht nodig heeft. De Procurement Manager accepteert, wijzigt of verwerpt elk voorstel, met opgave van reden. De CDO houdt toezicht op het hele proces. Elke handeling wordt vastgelegd in een audittrail. Geaccepteerde orderregels worden samengevoegd tot een bestelsessie die geëxporteerd kan worden. De uitkomst van de ML-challenger staat naast die van de regelengine, zodat beide te vergelijken zijn zonder dat het model de beslissing overneemt.
Het prototype werkt van begin tot eind, van ERP-export tot bestelsessie. Er is op drie niveaus getest: geautomatiseerde tests (ongeveer 91% codedekking in de backend en 85% in de frontend), een backtest tegen historische bestellingen en een cognitive walkthrough met drie deelnemers, waarvan de bevindingen tot verbeteringen in de interface hebben geleid. In de backtest bleef de regelengine in de overeenkomst met eerdere bestellingen dicht bij de ML-challenger, met behoud van volledige uitlegbaarheid. Een directe koppeling met Odoo is de aanbevolen volgende stap.