GRIP — de beslisengine

Waarom probabilistisch, niet deterministisch

Operationele beslissingen in de farma zijn niet exact: een tenderuitkomst is geen „ja" of „nee" maar een kans, afhankelijk van vraag, vervoerderscapaciteit, lane-historie en concurrentieprijzen. De reactie van een leverancier op een tegenbod is niet zeker maar een verdeling over Accepteren / Tegenbod / Weglopen. De resterende houdbaarheid van een batch na een temperatuurexcursie is geen enkel getal maar een betrouwbaarheidsinterval, gedreven door Arrhenius-kinetiek en historische stabiliteitsdata.

GRIP geeft de volledige verdeling terug — en beveelt daartegen een actie aan met de risicotolerantie van de operator toegepast. Dat betekent:

• U kunt budgetteren op het slechtste geval op het 80^e percentiel, niet op het gemiddelde.
• U kunt auditors uitleggen waarom een grensgeval werd vrijgegeven of vastgehouden — met de wiskunde, niet met „het model zei het".
• U kunt twee onderhandelingsstrategieën A/B-vergelijken met gekwantificeerde uitkomstvariantie.

De drie pijlers

Zusje: de Arrhenius-engine van de module Kwaliteit

De module Kwaliteit wordt geleverd met een aparte, toegewijde probabilistische engine — niet GRIP — gebouwd rond Arrhenius-kinetiek voor de beoordeling van houdbaarheidsimpact na temperatuurexcursies. De wiskunde is dezelfde algemene primitieve (k(T) = A · exp(−E_a / RT) geïntegreerd over het werkelijke sensorprofiel, met Monte-Carlo-onzekerheidspropagatie), maar de engine, de parameterbibliotheek en het validatiepakket zijn onafhankelijk. We hebben ze bewust gescheiden: Kwaliteit draait op het bureau van de QP en is GAMP 5 Cat 4 gevalideerd tegen IQ/OQ-scripts gericht op excursiebeoordeling, terwijl GRIP op de operationele datahub draait voor Transport- en Onderhandelingsbeslissingen met andere acceptatiecriteria.

De volledige wiskundige doorloop staat in de white paper over Arrhenius-houdbaarheidsmodellering (Engels) — herkomst van activeringsenergie, propagatie van sensorkalibratiefouten, correcties voor ruimtelijke inhomogeniteit, wanneer piektemperatuur domineert versus cumulatieve blootstelling, en een uitgewerkte excursie van 6 uur bij 14 °C met volledige verdelingsuitvoer.

Voorbeeld 1 — Bayesiaanse prijselasticiteit in de module Onderhandeling

Elke leverancier heeft een latente prijselasticiteitsverdeling die GRIP schat en na elke interactie bijwerkt. De prior komt uit categoriebenchmarks (Fastmarkets, ICIS, LME, Argus); de posterior wordt via de regel van Bayes bijgewerkt na elke ronde van prijsuitwisseling:

Daarom komt het „aanbevolen tegenbod" van de module Onderhandeling met een gekalibreerde verwachte acceptatiekans — geen onderbuikgevoel. Na 3–5 rondes met een leverancier convergeert de posterior en worden de aanbevelingen scherper.

Voorbeeld 2 — Monte Carlo voor tenderdekking in de module Transport

Gegeven het productieplan en de actieve tender-lanes: wat is de kans dat u het komende kwartaal 95% van uw transportvraag dekt zonder blootstelling aan spotvracht?

GRIP draait 10.000 Monte-Carlo-simulaties, bemonsterd uit interne verdelingen:

• Stochastiek van het productieplan (kans op verschuiving per SKU)
• Acceptatie van gunningen per lane door elke vervoerder (historisch, ML-getraind op uw tenderuitkomsten)
• Vraagvolatiliteit per temperatuurklasse (koudeketen vs omgevingstemperatuur)
• Verdeling van spottariefinflatie (vervoerder × maand)

Laag van externe signalen

De Monte-Carlo-sampler haalt ook live externe feeds in de invoerverdelingen, zodat elke aanbeveling de werkelijke huidige operationele omgeving weerspiegelt, geen verouderde basislijn:

• Brandstofprijsindices — Brent / ULSD / diesel per lane-regio, timing van hedgingvensters voor blootstelling aan brandstoftoeslagen.
• Grondstofbenchmarks — ICIS, Fastmarkets, LME, Argus voor basislijnen van bijkomende kosten en toeslagen.
• Geopolitieke verstoringen — havencongestie (Rotterdam, Antwerpen, Hamburg), transittijden Rode Zee / Suez, impact van sancties op specifieke handelsroutes, duur van douanestakingen.
• Capaciteitskrapte-signalen — spread spot-vs-contract, on-time-pickup-percentages van vervoerders, seizoensvolumecurves.
• Weer / modaliteitsverschuiving — effecten van het Noord-Atlantische stormseizoen, overloop naar luchtvracht wanneer zeeroutes verstopt raken.

Uitvoer: verdeling van uitkomsten „dekkingsgraad × kosten van spotblootstelling × landed cost", geconditioneerd op de huidige externe toestand. Transport toont vervolgens de lanes die het meest bijdragen aan het staartrisico (slechtste 5%) en beveelt daarvoor een minitender aan voordat facturen worden afgestemd. Elke aanbeveling draagt de lineage-hash van de invoerdata, zodat de auditor de exacte beslissing kan naspelen met de exacte externe momentopname die haar heeft gevoed.

Auditeerbaarheid — modelversies in elke beslissing

Elk beslispakket dat Terminus uitgeeft, bevat:

• GRIP-engineversie (semver)
• Versie van de modelparameterset (per tenant)
• Versie van de regelset (uw SOP's)
• Versie van de beleidslaag (uw risicotolerantieconfiguratie)
• Lineage-hash van de invoerdata
• SHA-256-hash van de volledige PDF + JSON-uitvoer

Wanneer een auditor vraagt „waarom beval het model twee jaar geleden X aan?" — spelen we de exacte GRIP-versie na met exact dezelfde invoer en krijgen exact dezelfde uitvoer. Bit-voor-bit reproduceerbaarheid is de operationele eis, geen extraatje.

Wat GRIP NIET is

• Geen large language model. Er zit geen LLM in de beslislus. LLM's worden elders gebruikt (bijv. het parseren van vrije-tekstnotities over excursies naar gestructureerde velden), maar hun uitvoer voedt nooit de beslisaanbeveling.
• Geen black box. Elke kansverdeling is te inspecteren, elke regel is leesbare code, elke aanbeveling is herleidbaar tot haar invoer.
• Geen vervanging van het oordeel van QA / QP / inkoop. GRIP beveelt aan; mensen keuren goed. De goedkeuring maakt deel uit van het beslispakket.
• Geen magie. De kwaliteit van de aanbevelingen wordt begrensd door de kwaliteit van de invoer. Rommel erin → gekalibreerde rommel eruit. We helpen u de invoer te verbeteren.