Vikten av AI i mönsterdetektering och säsongsbaserade efterfrågeprognoser

Senast uppdaterad: December 11, 2023 | 4 min

Variation i efterfrågan under olika säsonger är något de flesta tampas med, exempelvis försäljning som blir skyhög kring jul och sedan dör ut efter högtiden. Detta kan ha en enorm påverkan på att se mönster i efterfrågan för vissa produkter, vilken kan öka risken för lagerbrist som i sin tur kan leda till missnöjda kunder. De företag som inte har god insyn i de efterfrågeförändringar som säsongsvariationer kan orsaka riskerar däremot att bygga upp alltför stora lager, vilket innebär att de måste binda upp resurser som skulle kunna investeras bättre någon annanstans. Detta innebär även enorma ekonomiska konsekvenserna av oanvändbart lager som måste kasseras i slutet av säsongen.

Genom att ta hänsyn till säsongsvariationer i era prognoser så kommer ni att kunna reagera på dessa förändringar i efterfrågan i god tid. På så sätt kan ni hålla optimala lagernivåer före, under och efter den säsongsmässiga toppen för att hålla lagerkostnaderna låga och samtidigt garantera en hög servicenivå till era kunder.

För att optimera prognoserna och uppnå detta finns det ett antal faktorer att ta hänsyn till. Exempelvis om säsongsvariationerna orsakat förändringar i efterfrågan tidigare? Hur kan ni förutse säsongsmässiga efterfrågemönster för nya artiklar? Påverkar säsongsvariationer grupper av produkter eller bara enskilda artiklar? Är påverkan endast lokal, nationell eller till och med internationell?

Det finns alltså många variabler att ta hänsyn till i skapandet av efterfrågeprognoser och av den anledningen är artificiell intelligens (AI) användbart när det gäller att förutse säsongsbaserad efterfrågan. I den här artikeln kommer vi att gå igenom de viktigaste faktorerna att ta hänsyn till för att på bästa sätt förutse säsongsbaserad efterfrågan. Vi kommer även att fördjupa oss i potentialen av AI tillsammans med maskininlärning inom detta område.

Efterfrågeprognoser och orderprocessen i en perfekt värld

Föreställ dig att du har 150 TV-apparater i lager med en genomsnittlig försäljningstakt på 100 enheter per säsong och en minsta orderkvantitet (minimum order quantity – MOQ) på 20 enheter. Ledtiden är 7 dagar och eftersom du inte vill göra dina kunder besvikna med eventuella skador har du ett säkerhetslager på 50 enheter. När är det då rätt tid att beställa och hur många ska du beställa?

Beställningsprocessen i teorin

Det mest logiska sättet att beräkna dina behov är såhär: I genomsnitt säljer du 100 enheter per säsong, vilket motsvarar 25 per vecka. Om 4 veckor skulle du bli tvungen att använda ditt säkerhetslager. För att undvika detta bestämmer du dig därför för att lägga din beställning om 3 veckor.

Eftersom du förväntar dig att sälja ytterligare 25 enheter under vecka 4, fördubblar beställningen din MOQ. Därför bestämmer du dig för att beställa 40 nya TV-apparater under vecka 3.

Beställningsprocessen i verkligheten

Situationen som beskrivs i exemplet ovan är lätt att förutse, men den är dock orealistisk. Efterfrågemönster är ofta inte lika stabila som i detta exempel. Vad händer om efterfrågan är orsakad av en trend? Kommer du att ha tillräckligt med lager om det uppstår en oväntad topp i efterfrågan? Hur kan du hantera förändringar som orsakas av säsongsvariationer?

Förståelse för säsongsbaserad efterfrågan

Under sommaren är efterfrågan på vinterdäck lägre, precis som det på vintern är lägre efterfrågan på grillar. Detta behöver man inte vara något geni för att förstå utan det är välkänt att dessa produkter har ett säsongsmönster. Vi vet dock inte exakt när säsongen börjar eftersom det delvis beror på vädret. En solig dag i mars när det bara är 17 grader varmt kan det till exempel fortfarande finnas gott om människor som vill grilla. Speciellt här i Sverige när vi är trötta på den kalla och mörka vintern och ser fram emot att laga mat och äta utomhus. Men 3 månader senare kommer dessa 17 grader att upplevas som kalla.

På grund av detta beteende bör ni känna till både säsongspåverkan på efterfrågan och den kortsiktiga efterfrågeprofilen. Om temperaturen till exempel når 27 grader i början av maj kommer det sannolikt att bli ett uppsving i försäljningen. Men om den sjunker till 17 grader i augusti kommer denna förändring sannolikt att ha en mindre betydande inverkan eftersom den äger rum i slutet av säsongen. Med slutet av sommaren i sikte är dessutom osäkerheten kring vädret förståeligt nog större.

Och när är säsongen egentligen slut? Med grillsäsongen som exempel, när är det dags att ta bort grillköttet från hyllorna? Vill ni spara kostnader genom att ta bort dessa produkter tidigt, eller riskerar ni att behålla dem längre (vilket leder till överdrivna lagernivåer) för att undvika att göra kunderna besvikna?

För att säkerställa en hög servicenivå och låga lagerkostnader under säsongen är det viktigt att införa och dra tillbaka produkter i rätt tid.

Metoder för att säkerställa optimal lagerhållning före, under och efter säsongen

1. Förbättra träffsäkerheten i era prognoser genom att inkludera mer extern information i både kort- och långsiktiga prognoser, samt rensa historisk data från händelser och kampanjer. Ni kan sedan beräkna variationen och baserat på den, skapa er prognos och efterfrågan.
2. Utveckla en specifik lagerstrategi, t.ex. att öka ert ursprungliga lager för att kunna hantera oväntade efterfrågetoppar inom en snar framtid.
3. Se över er minsta orderkvantitet (MOQ) och ekonomiska orderkvantitet (EOQ). Behöver ni öka eller minska era orderkvantiteter för att täcka vissa risker?
4. Ändra nivån på ert säkerhetslager vid vissa tidpunkter. Under lågsäsong kommer era kunder sannolikt att acceptera en lägre servicenivå än under högsäsong.

Förbättra era prognoser och upptäck säsongsbaserad efterfrågan med hjälp av artificiell intelligens

Att förbättra efterfrågeprognoserna är avgörande för att upprätthålla en optimal lagernivå och här kan artificiell intelligens komma till stor hjälp. Fördelarna med metoder som involverar AI i dessa situationer är att de alltid är mer exakta. Traditionella sätt att prognostisera efterfrågan tar ofta bara hänsyn till en eller ett fåtal faktorer. Metoder som använder AI kan ta hänsyn till en mycket större mängd faktorer som kan påverka efterfrågan och därför är dessa bättre på att känna igen säsongsvariationer.

För att förbättra efterfrågeprognoserna finns det en mängd olika modeller inom AI som kan tillämpas. Några av de vanligaste är

  • Neural Networks – beräkningsmodeller som inspirerats av hur den mänskliga hjärnan fungerar och som används i en mängd olika maskininlärningsuppgifter
  • Tree-Based Models – maskininlärningsmodeller som använder trädstrukturer för att fatta beslut baserade på egenskaper eller attribut i data
  • Regression-Based Models – maskininlärning för att förutse numeriska eller kontinuerliga värden från indata

Seasonal Demand Forecasting Models

AI-prognoser för efterfrågan jämfört med traditionella prognoser

Förbättrad prognosprecision

Som nämnts ovan kan man med hjälp av AI identifiera ett större antal säsongsmönster/-trender. Detta beror återigen på den större mängd data som kan involveras i processen. Om programvaran för efterfrågeprognoser normalt tar hänsyn till variabler som historisk efterfrågan, väder eller händelser, kan AI också väga in och tolka data som trendande ämnen på sociala nätverk, besöksdata, kundrecensioner på olika plattformar, makroekonomiska data i realtid osv. All denna aggregerade information kan bidra till mer exakta prognoser och fånga upp säsongsmönster.

Identifiering av komplexa korrelationer och mönster

AI kan upptäcka komplexa och icke-linjära samband mellan variabler. Detta gör den lämplig för prognoser i situationer där traditionella metoder kan vara svåra att använda. Att känna igen säsongsvariationer som är särskilt subtila kan vara ett exempel på detta.

AI är också mycket användbart för att förutse fluktuationer i efterfrågan under särskilda evenemang, helgdagar eller andra oförutsedda omständigheter. Genom att samla in data om liknande händelser (t.ex. tidigare kampanjer eller helgdagar) är det möjligt att förutse efterfrågan för kommande händelser baserat på dessa historiska uppgifter. På så sätt kan man göra prognoser som förutspår efterfrågevolymen baserat på jämförbara kampanjer och motsvarande säsongsperioder.

Större anpassningsförmåga

AI-modeller kan anpassa sig och lära sig av ny data vilket gör dem lämpliga för att hantera förändrade efterfrågemönster, säsongsvariationer och marknadsdynamik.

Förbättrad skalbarhet

AI kan effektivt hantera stora mängder data, vilket innebär att AI lämpar sig väl för växande företag som behöver skalbar teknik för att klara av den allt mer komplexa verksamheten.

Mer effektiv kontinuerlig förbättring

AI-modeller kan “självoptimera” och förbättras över tid när de exponeras för mer data och feedback, vilket resulterar i allt mer exakta prognoser.

6 tips för att hantera säsongsbaserad efterfrågan

Säsongsanpassa efterfrågan

Med säsongsbaserade artiklar kan ni uppleva en hög avvikelse från tidigare efterfrågan vilket resulterar i en hög nivå av säkerhetslager. Men om ni kan ta hänsyn till dessa avvikelser kommer ni inte att behöva lika mycket säkerhetslager. Det är viktigt att korrigera era historiska försäljningsuppgifter för att anpassa dem till säsongsmässiga efterfrågemönster. På så sätt får ni en realistisk bild av er historiska efterfrågan som gör att ni kan se om ni kan minska ert säkerhetslager. När ni köper artiklar för lågsäsong bör ni använda ett dynamiskt lager för ert säsongsmönster.

Skilja mellan säsongsmässiga mönster för kampanjer/evenemang

Om ni har genomfört en kampanj eller ett event under de senaste två åren kan detta visas i er prognos som säsongsdata. Därför är det viktigt att skilja säsongsmönster från påverkan av kampanjer och evenemang. Om ni inte rensar denna data och bestämmer er för att inte köra den kampanjen eller evenemanget, och evenemanget inte upprepas under det tredje året, kommer er prognos att vara felaktig.

Lokala prognoser

Om ni vill göra en prognos för efterfrågan på grillar i en viss stad, men ni bara säljer 5 enheter i den staden, är er statistiska population för liten för att göra en tillförlitlig prognos. I detta fall är det bättre att samla in data från ett större område då det ger er mer information som ni kan basera era beslut på.

SKU vs aggregering

När ni introducerar en ny artikel i ert sortiment kommer ni inte att ha tillräcklig information för att göra en tillförlitlig prognos. Här kan ni använda säsongsmönstret för en liknande artikel eller grupp av aggregerade artiklar. Det är viktigt att beräkna säsongsprognosen för olika hierarkiska nivåer. Om vi tar luftkonditioneringsprodukter som exempel bör vi dela upp dem i värme- och kylprodukter. Vi kan inte gruppera dem tillsammans när det gäller efterfrågeprognoser eftersom deras hög- och lågsäsong är motsatta.

Prognoser för efterfrågetoppar

Även om det finns tydliga säsongsmönster kan det i vissa fall förekomma variationer från år till år. Julen firas till exempel alltid på samma datum i kalendern, men det finns betydande variationer beroende på vilken veckodag den infaller. Detsamma gäller för påsken, vars datum varierar från år till år.

I båda fallen ser vi att efterfrågetoppen kan förskjutas flera veckor tidigare eller senare från ett år till ett annat. Detta innebär en betydande utmaning när det gäller att prognostisera säsongsmässig efterfrågan eftersom man på grund av dessa förskjutningar inte kan förlita sig på en exakt upprepning av inköpsmönstren från ett år till ett annat. Av den anledningen måste flera faktorer beaktas för att man exakt ska kunna identifiera när efterfrågetoppen kommer att inträffa.

Säsongsbaserad sortimentshantering

Vi har många gånger nämnt vikten av att ha ett optimerat sortiment genom ABC-analys, vilket ger oss högsta möjliga vinstmarginal och hjälper oss att uppnå våra affärsmål. Det innebär också att vi måste bestämma om det finns några artiklar som vi kan ta bort från vår produktportfölj under en viss period av året eftersom de inte är tillräckligt efterfrågade.

Seasonal Assortment Management Table

Slutsatser: Dra nytta av AI för att upptäcka säsongsbaserade efterfrågemönster

Att upptäcka säsongsbaserade efterfrågemönster är inget nytt. Men fortsätter ni att använda Excel i stället för specialiserad teknik i er planering av leveranskedjan kommer ni att bli mycket mindre konkurrenskraftig än de som använder verktyg som utnyttjar artificiell intelligens för att förutse säsongsvariationer.

Den främsta fördelen med AI när det gäller att upptäcka periodiska trender är att den kan ta hänsyn till mycket mer data än traditionella verktyg. Därför kan den identifiera mer komplexa och mindre uppenbara mönster. Dessa tekniker är dessutom väldigt skalbara, så de är optimala om ditt företag befinner sig i en snabb expansion eftersom de kommer kunna hålla jämna steg med din tillväxt.

Avslutningsvis kan vi konstatera att verktyg som innefattar artificiell intelligens har många fördelar. Bland annat större precision i efterfrågeprognoser, upptäckt av mer subtila mönster och större skalbarhet. Med detta i åtanke verkar det ganska uppenbart att valet av ett AI-baserat verktyg kommer att förbättra många av era processer när det gäller att upptäcka och prognostisera säsongsbetonad efterfrågan.

 

Bloggförfattare

Luis Rodríguez

Luis Rodríguez

Business Development Manager @ Slimstock

Connect via LinkedIn</a >

nico van dijk

Kevin Overbeek

Data Scientist @ Slimstock

Connect via LinkedIn</a >

Vanliga frågor

Vad är säsongsvariationer i efterfrågan?

Med säsongsvariationer i efterfrågan avses fluktuationer i efterfrågan på en viss produkt eller tjänst under året, vilka kan påverkas av faktorer som säsongsvariationer, väderförhållanden eller särskilda händelser. Att hantera säsongsvariationer i efterfrågan är avgörande för att säkerställa att kundernas behov tillgodoses, samtidigt som produktions- och lagringskostnaderna minimeras.

Vad är efterfrågemönster och hur kan de identifieras?

Efterfrågemönster innebär att man identifierar och studerar fluktuationer i efterfrågan på en produkt eller tjänst över tid för att kunna förutse dess framtida beteende och planera produktion och lager i enlighet med detta. Analys av efterfrågemönster är ett viktigt verktyg inom supply chain management, eftersom det gör det möjligt för företag att fatta välgrundade och strategiska beslut baserade på historisk data och efterfrågetrender.

Hur kan maskininlärningsmodeller förbättra träffsäkerheten i efterfrågeprognoser? Vilka typer av algoritmer används vanligtvis?

Machine Learning/AI-baserade modeller kan ge en bättre träffsäkerhet än traditionella modeller då de kan ta hänsyn till fler faktorer när de gör en prognos. Exempelvis väder, slut på relaterade produkter, helgdagar, trender och säsongsvariationer osv.

Det finns ett stort antal modeller som kan användas, men i stort sett kan de delas in i följande kategorier:

  • Neural Networks
  • Tree-Based Models
  • Regression-Based Models

Vilka fördelar har AI jämfört med traditionella metoder för att upptäcka säsongsbaserad efterfrågan?

AI har stora fördelar jämfört med traditionella metoder för att upptäcka säsongsbaserad efterfrågan. Till skillnad från traditionella metoder använder sig AI av maskininlärningsalgoritmer som kan identifiera komplexa säsongsmönster genom att analysera stora datamängder mer exakt och effektivt. AI kan också integrera stora mängder externa data vilket bidrar till en mer effektiv hantering av säsongsefterfrågan.

vänligen välj din plats för att se innehåll som är specifikt för ditt land

x