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%.

“AI-drivna prognoser löser egentligen samma problem som mer klassiska, traditionella modeller, men vi modifierar och optimerar tekniken för att bättre passa ändamålet. Ökad förståelse och högre precision är de stora skillnaderna mot traditionella prognostiseringsmetoder”, säger Johannes Koch, forecasting-expert och partner på Violet AI.

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. 

Mikael Lindstedt Nelsson, Data Scientist, är en av de experter från Violet som jobbar i projektet:

"Just det här företaget ligger långt fram i sin AI-mognad. De hade redan bra koll på sina dataflöden och god datakvalité. Prognostisering av efterfrågan är en central del av deras affär, och de såg ett stort affärsvärde i bättre och mer dynamiska prognoser, och mer flexibla verktyg. I det här projektet har vi verkligen fått testa gränserna för vad en AI-driven prognostisering kan åstadkomma", säger Mikael.

‍

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, vilket gav Karin Johansson och Johannes Koch på Violet uppdraget att ta prognoserna till nästa nivå. 

Karin Johansson, Machine Learning Engineer, berättar om tekniken de just nu utvecklar: 

"Vi har byggt modeller som gör prognoser 45 dagar framåt i tiden. Det skapar en klarare bild av efterfrågan. Lösningen bygger på en modell som tillhör state-of-the-art inom området", säger Karin.

‍

‍

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. 

"Bra eller dålig data är avgörande. Du kan ha 100 miljoner datapunkter, men är datan felaktig så spelar det ingen roll hur mycket data vi har eller vilka metoder vi använder. En del av vårt jobb blir därför att rensa i datan och plocka bort det som är missvisande så att modellerna inte tränas på felaktig data", säger Mikael. 

‍

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.

"Att kunna bygga vidare på den senaste forskningen innebär att AI kan göra större nytta för många fler, mycket snabbare. Att utveckla tekniken är bara en del i vår övergripande process. När vi ser att våra lösningar fungerar utifrån ett affärsperspektiv kan vi istället fokusera på att skala upp och produktionssätta. Vi fortsätter sedan att optimera modellerna så länge behovet finns", säger Karin.

‍

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. 

"Fokus börjar riktas mer mot spårbarhet och förklarbarhet. Detta är nästa stora steg för att modellerna inom prognostisering ska få högre tillit. Parallellt med dynamisk och stabil datainsamling kommer kognitiv förståelse för prognoserna bli avgörande framåt", avslutar Johannes. 

‍

‍

‍

Vill ni ta nästa steg mot smartare prognoser och datadrivet beslutsfattande? Kontakta mig på: mattias.guilotte@violet.ai för att boka en workshop eller inspirationsföreläsning.