AI-lösningar för bättre prognoser

Håll i er - det är svårt att hänga med nu med alla nyheter om AI - men det finns ännu ett område där genombrotten inom AI leder till signifikanta förändringar för näringslivet, nämligen inom prognostisering.‍

‍Efterfrågeprognostisering, eller “demand forecasting”, det vill säga att prognostisera framtida efterfrågan är en viktig nyckel för att optimera distributionskedjor, lagerhantering, bemanning och marknadsaktiviteter. Allt fler börjar nu applicera maskininlärning på prognostisering - något som gör prognosverktygen mer flexibla och dynamiska samtidigt som prognoserna blir mer långsiktiga och träffsäkra.
‍

Vad är prognostisering?

Prognostisering, eller forecasting, handlar om att göra prognoser inför framtiden baserat på historisk och nuvarande data. Efterfrågeprognostisering, syftar i sin tur till att uppskatta och förutse framtida efterfrågan av en viss produkt eller tjänst. En tillförlitlig prognos gör att man kan förutse vilken mängd av vilka varor som kommer att efterfrågas på vilken plats, på vilken tidpunkt. 

Att prognostisera framtida efterfrågan och försäljning, på sina produkter, är såklart inget nytt. Traditionellt sätt så har fältet dominerats av statistiska metoder (exempelvis Exponential Smoothing, ARMA-familjen) som använder historiska försäljningssiffror för att estimera framtida efterfrågan, vilket fortfarande kan ge goda prognoser. I många fall kommer dock efterfrågan att påverkas av externa faktorer som är svåra att bygga in i traditionella, statistiska metoder. Något som kan göra prognoserna missvisande och felmarginalen hög.

‍

AI-drivna prognoser

Att använda maskininlärning i prognostisering är i sig inte heller något nytt, men stora genombrott inom exempelvis naturlig språkigenkänning (t.ex. Transformer-modellerna) har nu börjat leta sig in i domänen. Du är säkert bekant med ChatGPT från OpenAI vid det här laget och “T” i GPT står just för “Transformer”. Mer tillgänglig beräkningskraft är också en anledning till att AI-lösningar inom prognostisering har börjat ta fart på riktigt.

En artikel av McKinsey visar stora fördelar med tekniken - AI-drivna prognoser i distributionskedjan kan reducera fel med 20-50%, vilket kan översättas till en minskning av förlorad försäljning och otillgängliga produkter med upp till 65%.

Att applicera maskininlärning på prognoserna gör att man kan, förutom att identifiera återkommande mönster för veckodagar, högtider och säsonger, integrera många olika faktorer som kan komma att påverka efterfrågan:

• Interna faktorer: Efterfrågan kan påverkas av interna faktorer - exempelvis kan efterfrågan öka vid prissänkning eller under en kampanj. Efterfrågan kan också öka om produkten exempelvis får en mer framträdande plats i butiken eller på hemsidan. 

• Externa faktorer: Förutom interna faktorer kan efterfrågan också påverkas av externa faktorer, såsom väder, konkurrenters prisförändringar eller evenemang såsom konserter eller fotbollsmatcher i närheten av en fysisk butik. 

‍

‍

Bättre forecasting minskar svinn

Ett exempel där AI-drivna prognoser kan göra stor nytta är när försäljningscykeln är kort, exempelvis när produkterna är färska. Att ta in för mycket produkt leder till onödigt svinn och att ta in för lite riskerar utebliven försäljning. Violet hjälper ett företag inom livsmedelsindustrin att prognostisera efterfrågan i deras 1000+ butiker. AI-lösningen de arbetar med tar hänsyn till olika butikers försäljning och lär sig av gemensamma mönster som exempel veckoprofil och vädrets påverkan. 

‍

Klarare bild av efterfrågan

Stora vinster finns också att hämta i verksamheter där produkter binder mycket kapital, att förbättra prognoserna marginellt kan därför frigöra stora belopp. En utmaning som Violet står inför tillsammans med ett drivmedelsföretag. 

För att möta efterfrågan på drivmedelsföretagets depåer runt om i Sverige får det aldrig eka tomt i tankarna, men samtidigt vill företaget inte binda upp kapital i onödan. Att estimera rätt volym för en given tidsperiod har visat sig svårt med traditionella prognostiseringsmetoder.

‍

‍

All teknologi har sina utmaningar

Även om potentialen med AI är stor, återstår fortfarande utmaningar inom prognostisering. Det finns ingen garanti att komplexa AI-tekniker ger bättre resultat än enklare, traditionella metoder. Bristfällig data är ofta det största hindret, men befintlig infrastruktur kan också skapa begränsningar för vad som faktiskt är möjligt att utföra.

Forskning till för att delas

Techjättar som Google och Facebook är branschledande på AI-lösningar och de interna forskningsteamen på storföretagen delar ofta sin forskning. Både Facebook och Google har tagit fram sina egna prognostiseringsmodeller, Facebook med sin Prophet (2017) och Google med sin Temporal Fusion Transformer (2019). Med den senaste forskningen som utgångspunkt kan mindre bolag och enskilda utvecklare vidareutveckla tekniken och skapa skräddarsydda lösningar. Däribland Violet.

Nästa steg: förklarbarhet

I en tid när AI-verktyg blir allt vanligare i företag men också i samhället i stort, belyser en artikel i Vice vikten av att kunna förklara hur modellerna fungerar och vad de baserar sina slutsatser på. Detta för att öka tillit och förståelse för modellerna och för att göra s.k. black box-modeller mer transparenta.

‍

Vill ni ta nästa steg mot smartare prognoser och datadrivet beslutsfattande? Kontakta oss.