Når demand forecasting baseres på AI og ML, tager præcisionen i fødevareindustriens forudsigelse af efterspørgslen på hvert produkt et kvantespring. Læs her, hvordan Columbus har hjulpet en stor leverandør af frugt, grøntsager og blomster med at implementere en cloud-baseret forecast-løsning, der ikke kun forbedrer nøjagtigheden, men også sparer virksomheden millioner af kroner.
En af de største udfordringer for fødevareindustrien er at balancere de ofte letfordærvelige forsyninger præcist i forhold til efterspørgslen, for hverken agurker, bananer eller afskårne tulipaner lever længe på et lager. Præcisionen i virksomhedens demand forecasting har derfor helt afgørende betydning.
Overvurderes behovet, ender virksomhederne med store mængder spild, hvilket kan koste millioner af kroner. Undervurderes behovet, risikerer virksomhederne tomme lagerhylder og tabte salgsmuligheder.
Unøjagtighed forplanter sig
Traditionelt har virksomheder i fødevareindustrien benyttet sig af manuelle metoder og værktøjer, der baserer sig på historiske data og erfaringsbaserede skøn. Men disse metoder er ofte upræcise og ressourcekrævende, hvilket kan føre til store økonomiske tab.
Kasper Ferløv Andersen, Sales Executive hos Columbus, forklarer fødevareindustriens udfordring således:
"Min oplevelse er, at når efterspørgslen ikke forudsiges præcist nok, forplanter unøjagtigheden sig gennem de forskellige faser af forretningen, hvad enten det er produktion, salg, lager eller logistik. Det hele kan spores tilbage til en unøjagtig forventning til efterspørgslen, og det koster dyrt – både i form af spild og i form af omkostninger til værktøjer og arbejdskraft."
Løsningen: Forecasting med AI og ML
Demand forecasting indebærer analyse af historiske data, markedstrends, sæsonudsving og endda eksterne faktorer som vejret. Tidligere har dette været en manuel proces, men med AI og maskinlæring (ML) kan det nu automatiseres og gøres langt mere præcist, forklarer Kasper Ferløv Andersen:
"Demand forecasting med AI og ML gør dig i stand til at analysere enorme mængder data og finde mønstre, som det tidligere ville tage et hold af mennesker uger eller måneder at identificere. Du kan nu helt automatisk tage højde for en bred vifte af faktorer – lige fra historisk salg til eksterne faktorer som økonomiske tendenser, vejrforhold og trends i forbrugervaner. For eksempel kan en maskinlæringsmodel forudsige, hvordan efterspørgslen på en bestemt type grøntsager vil stige eller falde afhængigt af vejret i en bestemt region."
Det handler om at identificere fejl, mangler, trends og retninger, som man på ingen måde selv ville kunne opdage lige så effektivt.
"Og maskinen bliver klogere, jo mere data den får, og dermed bliver den også bedre og bedre til at forudsige efterspørgslen."
Case: Friske varer nyder godt af præcision
Det er ikke ualmindeligt, at en virksomhed i fødevareindustrien kan opnå 20-40 procent mere præcise forudsigelser ved at implementere AI og ML i sin demand forecasting. Dette kan føre til betydelige besparelser, idet virksomheden kan reducere både spild og omkostninger forbundet med lagerbeholdning.
Det beskriver også gevinsten hos den store kunde i fødevareindustrien, som Columbus for nyligt har hjulpet med at implementere en cloudbaseret ML-løsning som erstatning for den tidligere, manuelle demand forecasting.
Virksomheden er en betydelig leverandør af frugt, grøntsager og blomster til supermarkeder og driver en kompleks forsyningskæde. Virksomheden skal forudsige supermarkedernes efterspørgsel på forhånd for at sikre, at den rette mængde lager er tilgængelig.
Små fejl har store konsekvenser
"Tidligere betalte virksomheden store summer for et team og et værktøj, der kostede millioner i løn og licenser, men ofte leverede upræcise forudsigelser, hvilket førte til overproduktion og spild. Et godt eksempel fra denne case er, at hvis man regner bare 1 procent forkert på, hvad man sælger på en måned, så ender man med mange råvarer, der skal smides ud. Og i en industri med friske varer er det noget, der hurtigt kan blive meget dyrt," påpeger Kasper Ferløv Andersen.
For eksempel kan en maskinlæringsmodel forudsige, hvordan efterspørgslen på en bestemt type grøntsager vil stige eller falde afhængigt af vejret i en bestemt region. – Kasper Ferløv Andersen
Ved at implementere en cloud-baseret ML-løsning har kunden opnået en langt mere præcis forudsigelse af efterspørgslen. Dette har ikke kun reduceret deres spild betydeligt, men også medført besparelser på flere millioner kroner om året.
"Med vores hjælp har kunden forbedret prognosenøjagtigheden med op til 30 procent for hvert produkt, hvilket muliggør en samlet potentiel besparelse på 4,5 millioner kroner."
Det automatiserede system har desuden gjort det muligt at reducere tiden brugt på at producere forudsigelser, hvilket har frigjort ressourcer til andre vigtige områder.
Enormt potentiale
Potentialet i demand forecasting ved hjælp af AI og ML er enormt, ikke kun i fødevareindustrien, men også i mange andre sektorer. Detailhandel, fremstilling og sundhedssektoren er blot nogle eksempler på brancher, der kan drage fordel af mere præcise forudsigelser.
"Udviklingen af AI-baseret demand forecasting er stadig kun i sin spæde start, men de gevinster, man kan høste, er allerede betragtelige. Der er mange virksomheder, der endnu ikke har taget skridtet, men de der gør det nu, vil have en klar konkurrencefordel i fremtiden," siger Kasper Ferløv Andersen.
Hos Columbus ser vi frem til at hjælpe flere virksomheder med at tage springet ind i fremtidens demand forecasting. Uanset om din virksomhed allerede er i gang med cloud-baserede løsninger eller står over for udfordringer med datahåndtering, kan vi skræddersy en løsning, der passer til dine behov.
Vil du vide mere? Kontakt Kasper Ferløv Andersen her.