Demand AI kan gøre din supply chain-planlægning mere præcis og intelligent

Demand AI handler om at kombinere avancerede algoritmer, maskinlæring og store datamængder, og det kan virksomheder bruge til ikke bare forbedre deres prognoser, men også optimere hele forsyningskæden – fra lagerstyring til leverandørsamarbejde. Sådan lyder de forjættede ord fra Benjamin Obling, der er partner og COO i Roima Intelligence og var en af stifterne af Perito Consulting, der i dag er en del af ROIMA Intelligence-koncernen.

Men hvad er Demand AI egentlig, hvordan skaber det værdi, og hvad skal danske ledere være opmærksomme på, når de overvejer at implementere teknologien? Det ser vi lidt nærmere på i det følgende.

Hvad er Demand AI?

Demand AI er en avanceret form for kunstig intelligens, der anvendes til at forudsige efterspørgsel på tværs af produkter, regioner og salgskanaler. I modsætning til traditionelle prognosemetoder, der ofte baserer sig på historiske data og simple statistiske modeller, kan Demand AI analysere komplekse mønstre, eksterne indikatorer og ikke-lineære sammenhænge. Resultatet er en dynamisk og selvlærende model, der kontinuerligt tilpasser sig nye markedsforhold.

Ifølge Benjamin Obling er Demand AI ikke bare et værktøj til at forbedre nøjagtigheden af prognoser. Det er også et redskab til at reducere usikkerhed og skabe større gennemsigtighed i hele forsyningskæden. ”Prognosen er udgangspunktet for den proaktive forsyningskæde. Hvis vi kan forudsige, hvilke komponenter der skal være på plads, hvornår produktion skal sættes i gang, og hvordan varer skal fordeles til lagre, kan vi både servicere kunderne bedre og balancere lagerbeholdning og kapacitet optimalt”, fortæller han.

Hvordan kan Demand AI forbedre prognoserne?

Demand AI adskiller sig fra traditionelle metoder ved at kunne:

• Genkende mønstre: AI kan analysere millioner af datapunkter på tværs af produkter, markeder og tidspunkter for at identificere skjulte tendenser, som mennesker eller simple modeller overser.
• Forstå ikke-lineære sammenhænge: Modsat klassiske tidsseriemodeller kan AI håndtere komplekse afhængigheder – som for eksempel hvordan vejr, økonomiske indikatorer eller sociale tendenser påvirker salget.
• Inkorporere eksterne data: Ved at integrere eksterne kilder som vejrdata, makroøkonomiske tal eller branchetendenser kan AI forfine prognoserne yderligere.
• Lære kontinuerligt: Modellerne opdateres løbende, så de tilpasser sig ændringer i markedet eller forretningen.

Et eksempel er brugen af hybride modeller, der kombinerer deep learning med regelbaserede tilgange. Disse modeller kan ikke bare forudsige efterspørgsel, men også skelne mellem ’signal’ og ’støj’ – og dermed undgå at lade tilfældige udsving påvirke planlægningen. Desuden kan virksomheder ’indhegne’ den kunstige intelligens’ forudsigelser for at styre, hvor aggressive eller konservative prognoserne skal være, hvilket giver større kontrol over risici.

Eksempler på, hvordan Demand AI skaber værdi

Benjamin Obling fremhæver nogle eksempler på hvordan Demand AI har skabt resultater blandt ROIMA Intelligences kunder:

1. Forbedret prognosenøjagtighed med 15-20 %

Virksomheder, der skifter fra manuelle eller basale prognosemetoder til Demand AI, kan ifølge Benjamin Oblings erfaringer opleve forbedringer på 20 procent eller mere i nøjagtigheden. Selv virksomheder med avancerede, regelbaserede modeller kan opnå yderligere gevinster på 5-10 procent. ”Dette reducerer ikke bare lageromkostninger, men frigør også tid, der tidligere blev brugt på manuel justering af prognoser”, fortæller han.

2. Optimering af lagerindgang

Demand AI kan forudsige, hvordan varer vil blive solgt – ikke bare på produktniveau, men også i forhold til emballageenheder som paller, halvpaller og enkeltstykker. Dette gør det muligt at placere varer optimalt i lageret fra dag ét:

• Varer med høj palle-efterspørgsel placeres i bulkzoner.
• Varer med høj enkeltstykke-efterspørgsel placeres direkte i plukkezoner. Resultatet er færre håndteringer, lavere transportomkostninger og højere produktivitet.

3. Bedre samarbejde med leverandører

En af de største udfordringer i forsyningskæden er ’bullwhip-effekten’ eller piskesmældseffekten (også kendt som Forrester-effekten, red.), hvor små udsving i efterspørgsel forstærkes op gennem kæden og skaber ineffektivitet. Demand AI kan hjælpe med at:

• Detektere og rette fejl i stamdata – som for eksempel forkert leveringstid eller minimum ordrestørrelse.
• Dele mere præcise prognoser med leverandører, så de kan tilpasse deres kapacitet og undgå over- eller underproduktion.
• Reducere usikkerhed ved at give leverandører indsigt i den faktiske slutkunde-efterspørgsel i stedet for usikre MRP-forslag.

Udfordringer, risici og implementeringstips

Benjamin Obling understreger, at selvom potentialet er stort, er der også faldgruber, som virksomheder bør være opmærksomme på:

• Jo mere avanceret, jo mere ustabil: Komplekse AI-modeller kan blive ’sorte bokse’, hvor det er svært at forstå, hvordan prognoser bliver genereret. Dette kan føre til hallucinationer – hvor den kunstige intelligens forudsiger ekstreme værdier uden grundlag.
• Overoptimering: Det er ikke altid en fordel at jage de sidste procentpoint i nøjagtighed, hvis det introducerer volatilitet i forsyningskæden. Det er et vigtigt opmærksomhedspunkt.
• Datakvalitet: AI er kun så god som de data, den trænes på. Dårlige eller ufuldstændige data kan føre til dårlige beslutninger.

Sådan implementerer du Demand AI med succes

Benjamin Obling fremhæver fire anbefalinger til implementering af Demand AI i praksis:

1. Start med et pilotprojekt: ”Do it, Fix it, Try it” – test teknologien på et afgrænset område for at lære og justere.
2. Benchmark på detaljeret niveau: Sammenlign AI’ens prognoser med eksisterende metoder på et stort antal produkter for at validere værdien.
3. Sæt grænser for den kunstige intelligens: Brug ’fencing’ til at styre, hvor aggressive prognoserne må være, og undgå urealistiske udsving.
4. Fokus på kontrol: Sikr, at modellen kan forklares og tilpasses, så den ikke bliver en uforståelig sort boks.

Fremtidens forsyningskæde er AI-drevet

”Demand AI er ikke længere en futuristisk drøm, men en konkret teknologi, der allerede skaber resultater for virksomheder verden over. For danske ledere i forsyningskæden handler det nu om at forstå potentialet, starte småskala og skabe kontrolrammer, der sikrer, at AI’en bliver en pålidelig partner – ikke en uforudsigelig risiko”, lyder det fra Benjamin Obling.

Læs også: Fremtidens supply chain starter med enkelhed – ikke AI

Søren Hammer Pedersen, Partner & CCO i Roima Denmark, der fungerede som ordstyrer på konferencen ’Supply Chain Sessions 2025’, pointerer: ”Fremtidens forsyningskæde skal være hurtigere, skarpere og drevet af data. Dem, der investerer i intelligente løsninger som Demand AI, vil stå stærkest i en global økonomi, hvor hastighed og præcision er afgørende”.