Styrken ved AI i mønsterregistrering og sæsonbestemt efterspørgselsprognose

Sidst opdateret: January 3, 2024 | 4 min

Sæsonudsving kan have en enorm indflydelse på efterspørgselsmønstrene for visse produkter. På den ene side kan det, hvis det ikke forudses ordentligt, udsætte en virksomhed for risikoen for udsolgte lagre, hvilket kan føre til utilfredse kunder. På samme måde risikerer virksomheder, der ikke har et godt overblik over de ændringer i efterspørgslen, som sæsonudsving kan medføre, at opbygge for store lagre, hvilket vil kræve ressourcer, der kan investeres bedre andre steder, for ikke at nævne de enorme økonomiske konsekvenser af forældede lagre, der skal kasseres i slutningen af sæsonen.

Ved at tilpasse prognoserne, så de tager højde for sæsonudsving, vil du kunne reagere rettidigt på disse ændringer i efterspørgslen. Det giver dig mulighed for at have optimale lagerniveauer før, under og efter den sæsonmæssige spidsbelastning, så lageromkostningerne holdes på et minimum, mens du stadig garanterer et højt serviceniveau.

For at opnå dette er der en række faktorer, der skal tages i betragtning. Har sæsonudsving f.eks. tidligere forårsaget ændringer i efterspørgslen? Hvordan kan du forudsige sæsonbestemte efterspørgselsmønstre for nye varer? Påvirker sæsonudsving grupper af produkter eller kun enkelte varer? Er påvirkningen kun lokal, eller er den national eller endda international?

Som du kan se, er der mange variabler at tage højde for, og det er derfor, at kunstig intelligens (AI) er en meget nyttig teknologi, når det handler om at forudsige sæsonbestemt efterspørgsel. I denne artikel vil vi gennemgå de vigtigste elementer, der skal tages i betragtning for at finde den bedste måde at forudsige sæsonbestemt efterspørgsel på. På samme måde vil vi også dykke ned i potentialet i AI sammen med Machine Learning på dette område.

 

Efterspørgselsprognoser og bestillingsprocessen i en ideel verden

Forestil dig, at du har 150 tv’er på lager med en gennemsnitlig salgsrate på 100 enheder pr. periode og en mindste ordremængde (MOQ) på 20 enheder. Leveringstiden er 7 dage, og da du ikke ønsker at skuffe dine kunder med potentielle brud, har du et sikkerhedslager på 50 enheder. Hvornår er det rigtige tidspunkt at bestille, og hvor mange skal du bestille?

 

Teorien om bestillingsprocessen

Den mest logiske måde at beregne dit behov på er som følger: I gennemsnit sælger du 100 enheder pr. sæson, hvilket svarer til 25 om ugen. Om 4 uger ville du være tvunget til at “trække” dit sikkerhedslager. Så for at undgå, at det sker, beslutter du at placere din ordre om 3 uger.

Da du forventer at sælge yderligere 25 enheder i uge 4, fordobler din ordre MOQ. Det vil sige, at du beslutter dig for at bestille 40 nye tv’er i uge 3.

 

Bestillingsprocessen i det virkelige liv

Den situation, der er beskrevet ovenfor, er let at forudsige. Men den er urealistisk. Efterspørgselsmønstre er ofte ikke så stabile som i dette eksempel. Hvad nu, hvis efterspørgslen følger en tendens? Vil du have nok på lager, hvis der kommer en uventet stigning i efterspørgslen? Hvordan kan du håndtere ændringer forårsaget af sæsonudsving?

 

Forståelse af sæsonbestemt efterspørgsel

I de varmere måneder af året er efterspørgslen på vinterdæk lavere, mens efterspørgslen på f.eks. grill falder om vinteren. Man behøver ikke at være et geni for at indse dette; det er velkendt, at disse varer har et sæsonmønster. Men vi ved ikke præcis, hvornår sæsonen starter, fordi det til dels afhænger af vejret. For eksempel kan der på en solskinsdag i marts, hvor det kun er 17 grader, stadig være masser af mennesker, der gerne vil grille, fordi de er trætte af vinterdepressionen og synes, at det er meget sjovere at lave mad og spise udendørs. Men 3 måneder senere vil de 17 grader blive opfattet som kolde.

Som et resultat af denne adfærd er du nødt til at kende både den sæsonmæssige indflydelse på efterspørgslen og den kortsigtede efterspørgselsprofil. Hvis temperaturen for eksempel når 27 grader Celsius i begyndelsen af maj, vil der sandsynligvis ske et boom i salget. Men hvis den falder til 17 grader i august, vil denne ændring sandsynligvis have en mindre betydelig indvirkning, da den finder sted i slutningen af sæsonen. Og med sommerens afslutning i sigte er usikkerheden om vejret forståeligt nok større.

Hvornår slutter sæsonen egentlig? Lad os igen tage grillen som eksempel. Hvornår skal vi fjerne grillkødssortimentet fra hylderne? Vil du spare omkostninger ved at fjerne disse produkter tidligt, eller risikerer du at beholde dem længere (hvilket resulterer i for store lagre) for at undgå at skuffe kunderne?

For at sikre et højt serviceniveau og lave lageromkostninger i løbet af sæsonen er det meget vigtigt at introducere og trække produkter tilbage i rette tid.

 

Bedste fremgangsmåder til at sikre en optimal beholdning før, under og efter sæsonen

  1. Forbedr nøjagtigheden af dine prognoser ved at inkludere mere ekstern information i både kort- og langsigtede prognoser og ryd op i historiske data fra begivenheder og kampagner. Derefter kan du beregne afvigelsen og på baggrund af den lave din prognose og efterspørgsel.
  2. Udvikl en specifik lagerstrategi, såsom at øge dit oprindelige lager for at kunne klare uventede spidsbelastninger i den nærmeste fremtid.
  3. Gennemgå din minimumsordremængde (MOQ) og økonomiske ordremængde (EOQ). Har du brug for at øge eller mindske dine ordremængder for at dække visse risici?
  4. Ændr niveauet for dit sikkerhedslager på bestemte tidspunkter. I lavsæsonen vil dine kunder sandsynligvis acceptere et lavere serviceniveau end i højsæsonen.

 

Forbedr dine prognoser og sæsonbestemt efterspørgsel ved hjælp af kunstig intelligens

Bedre prognoser for efterspørgslen er nøglen til at opretholde et optimalt lagerniveau, og her kan kunstig intelligens være en stor hjælp. I den henseende er fordelene ved metoder, der involverer AI, at de altid er mere præcise. Traditionelle måder at forudsige efterspørgslen på tager ofte kun højde for én eller en håndfuld faktorer, mens metoder, der udnytter AI, kan tage højde for en meget bredere vifte af faktorer, der kan påvirke efterspørgslen, og derfor er bedre i stand til at genkende sæsonudsving.

For at opnå dette er der en bred vifte af modeller, der kan anvendes til efterspørgselsprognoser. Nogle af de mest almindelige er:

  • Neurale netværk – beregningsmodeller inspireret af den menneskelige hjerne, som bruges i en lang række Machine Learning-opgaver;
  • Træbaserede modeller – Machine Learning-modeller, der bruger træstrukturer til at træffe beslutninger baseret på funktioner eller attributter i dataene; og
  • Regressionsbaserede modeller – Machine Learning til at forudsige numeriske eller kontinuerlige værdier fra inputdata.

Seasonal Demand Forecasting Models

AI-efterspørgselsprognoser vs. traditionelle prognoser

Forbedret prognosenøjagtighed

Som nævnt ovenfor kan man ved hjælp af AI identificere et bredere udvalg af sæsonmønstre/tendenser. Og det skyldes igen det større udvalg af data, der kan inddrages i processen. Hvis software til efterspørgselsprognoser normalt tager højde for variabler som historisk efterspørgsel, vejr eller begivenheder, kan AI også vægte – og fortolke – data som trending topics på sociale netværk, data om webbesøg, kundeanmeldelser på forskellige platforme, makroøkonomiske data i realtid osv. Alle disse aggregerede oplysninger kan bidrage til mere præcise prognoser og afsløring af sæsonbetonede mønstre.

Identifikation af komplekse korrelationer og mønstre

AI kan opdage komplekse og ikke-lineære forhold mellem variabler. Det gør det til en velegnet teknologi til prognoser i situationer, hvor traditionelle metoder kan have svært ved det. Genkendelse af sæsonudsving, der er særligt subtile, kunne være et eksempel på dette.

På den anden side er AI også meget nyttig til at forudsige udsving i efterspørgslen under særlige begivenheder, helligdage eller andre uforudsete omstændigheder. Ved at indsamle data om lignende begivenheder (såsom tidligere kampagner eller helligdage) er det muligt at forudsige efterspørgslen efter kommende begivenheder baseret på disse historiske optegnelser. På den måde kan man lave prognoser, der forudsiger mængden af efterspørgsel, baseret på sammenlignelige kampagner og tilsvarende sæsonperioder.

Større tilpasningsevne

AI-modeller kan tilpasse sig og lære af nye data, hvilket gør dem velegnede til at håndtere skiftende efterspørgselsmønstre, sæsonudsving og markedsdynamik.

Forbedret skalerbarhed

AI kan effektivt håndtere store mængder data. Det betyder, at det er velegnet til voksende virksomheder, der har brug for skalerbar teknologi til at håndtere den stigende kompleksitet i deres drift.

Mere effektiv løbende forbedring

AI-modeller kan “selvoptimere” og forbedre sig over tid, efterhånden som de udsættes for mere data og feedback, hvilket resulterer i stadig mere præcise prognoser.

 

6 tips til at håndtere sæsonbestemt efterspørgsel

Afsæsonér efterspørgslen

Med sæsonvarer kan du opleve en stor afvigelse fra tidligere efterspørgsel. Det resulterer i et højt niveau af sikkerhedslager. Men hvis du er i stand til at tage højde for disse afvigelser, har du ikke brug for så meget sikkerhedslager. Det er vigtigt at korrigere dine historiske salgstal for at tilpasse dem til sæsonbestemte efterspørgselsmønstre. På den måde får du et realistisk billede af din historiske efterspørgsel, så du kan se, om du kan reducere dit sikkerhedslager. Når du køber varer til lavsæsonen, skal du bruge et dynamisk lager til dit sæsonmønster.

Skelne mellem sæsonbestemte mønstre for kampagner/events

Hvis du har kørt en kampagne eller et event i de sidste 2 år, kan det optræde i din prognose som sæsonbestemte data. Det er derfor, det er vigtigt at adskille sæsonmønstre fra påvirkningen fra kampagner og events. Hvis du ikke renser disse data og til sidst beslutter dig for ikke at køre kampagnen eller eventen, og eventen ikke gentages i det tredje år, vil din prognose være forkert.

Lokale prognoser

Hvis du vil forudsige efterspørgslen efter grill i en bestemt by, men du kun sælger 5 enheder i den by, er din statistiske population for lille til at lave en pålidelig prognose. I dette tilfælde er det bedre at indsamle data fra et større område, hvilket vil give dig flere oplysninger, som du kan basere dine beslutninger på.

SKU vs. aggregering

Hver gang du introducerer en ny vare i dit sortiment, har du ikke tilstrækkelige oplysninger til at lave en pålidelig prognose. Her kan du bruge sæsonmønsteret for en lignende vare eller en gruppe af aggregerede varer. Det er vigtigt at beregne sæsonprognosen for forskellige hierarkiske niveauer. Hvis vi bruger aircondition-produkter som eksempel, bør vi opdele dem i varme- og køleprodukter. Vi kan ikke gruppere dem sammen, når det gælder efterspørgselsprognoser, da deres høj- og lavsæsoner er modsatrettede.

Forudsigelse af spidsbelastning

Selvom der er klare sæsonmønstre, kan der i nogle tilfælde være variationer fra år til år. For eksempel fejres julen altid på den samme dato i kalenderen, men der er betydelige variationer afhængigt af, hvilken ugedag den falder på. Det samme gælder for påsken, som varierer fra år til år.

I begge tilfælde vil vi se, at spidsbelastningen kan skifte flere uger tidligere eller senere fra det ene år til det næste. Det er en stor udfordring, når man skal forudsige den sæsonbestemte efterspørgsel, for på grund af disse forskydninger kan man ikke regne med en nøjagtig gentagelse af købsmønstrene fra det ene år til det næste. Derfor skal man tage flere faktorer i betragtning for præcist at kunne identificere, hvornår efterspørgslen vil toppe.

Styring af sæsonbestemt sortiment

Vi har mange gange talt om vigtigheden af at have et optimeret sortiment gennem ABC-analyse, som giver os den højest mulige profitmargin og i sidste ende hjælper os med at nå vores forretningsmål. Det betyder også, at vi er nødt til at beslutte, om der er nogle varer, vi kan fjerne fra vores produktportefølje i en bestemt periode af året, fordi der ikke er tilstrækkelig efterspørgsel efter dem.

Seasonal Assortment Management Table

Konklusioner: Udnyttelse af AI’s potentiale til at opdage sæsonbestemte efterspørgselsmønstre

At opdage sæsonbetonede efterspørgselsmønstre er ikke en ny teknik. Men hvis du fortsætter med at bruge Excel i stedet for specialiseret teknologi i din supply chain-planlægning, vil du være langt mindre konkurrencedygtig, hvis du ikke anvender værktøjer, der udnytter kunstig intelligens til at forudsige sæsonudsving.

Den største fordel ved AI anvendt til at opdage periodiske tendenser er, at den er i stand til at tage højde for meget mere data end traditionelle værktøjer og derfor kan identificere mere komplekse og mindre indlysende mønstre. På samme måde er disse teknologier meget skalerbare, så de er ideelle, hvis din virksomhed er inde i en hurtig ekspansion, da de vil være i stand til at følge med din vækst.

Med alle disse elementer på bordet – større nøjagtighed i prognoser for efterspørgsel, opdagelse af mere subtile mønstre, større skalerbarhed – virker det ret indlysende, at valget af et værktøj, der inkorporerer kunstig intelligens, vil forbedre mange af dine processer, når det kommer til at opdage og forudsige sæsonbestemt efterspørgsel.

 

Forfattere:

Luis Rodríguez

Luis Rodríguez

Business Development Manager @ Slimstock

Connect via LinkedIn

nico van dijk

Kevin Overbeek

Data Scientist @ Slimstock

Connect via LinkedIn

Ofte stillede spørgsmål om prognoser for sæsonbestemt efterspørgsel

Hvad er sæsonudsving i efterspørgslen?

Sæsonbestemt efterspørgsel henviser til udsving i efterspørgslen efter et bestemt produkt eller en service i løbet af året, som kan være påvirket af faktorer som sæson, vejrforhold eller særlige begivenheder. Styring af sæsonudsving i efterspørgslen er afgørende for at sikre, at kundernes behov opfyldes, samtidig med at produktions- og lageromkostninger minimeres.

Hvad er efterspørgselsmønstre, og hvordan kan de identificeres?

Efterspørgselsmønstre henviser til den praksis, hvor man identificerer og studerer udsving i efterspørgslen efter et produkt eller en service over tid for at kunne forudsige den fremtidige adfærd og planlægge produktion og lager i overensstemmelse hermed. Analyse af efterspørgselsmønstre er et vigtigt værktøj i supply chain management, da det giver virksomheder mulighed for at træffe informerede og strategiske beslutninger baseret på historiske data og efterspørgselstendenser.

Hvordan kan maskinlæringsmodeller forbedre nøjagtigheden af efterspørgselsprognoser? Hvilke typer algoritmer bruges almindeligvis?

Machine Learning/AI-baserede modeller kan give en bedre nøjagtighed end traditionelle modeller, fordi de kan tage flere faktorer i betragtning, når de laver en prognose. Tænk f.eks. på vejret, udsolgt af relaterede produkter, helligdage, trends og sæsonudsving blandt andre faktorer.

Der findes en lang række modeller, der kan bruges, men groft sagt falder de i følgende kategorier:

  • Neurale netværk
  • Træbaserede modeller
  • Regressionsbaserede modeller

Hvilke fordele har AI i forhold til traditionelle metoder til at opdage sæsonbestemt efterspørgsel?

AI giver betydelige fordele i forhold til traditionelle metoder til at opdage sæsonbestemt efterspørgsel, fordi den bruger Machine Learning-algoritmer, der kan identificere komplekse sæsonbestemte mønstre ved at analysere store datasæt mere præcist og effektivt. AI er også i stand til at inkorporere store mængder eksterne data, hvilket bidrager til en mere effektiv styring af sæsonefterspørgslen.

Vælg land for at se indhold på dit sprog

x