Hvordan laver man et forecast for et produkt, der aldrig er blevet solgt?

Et godt forecast begynder normalt med historik. Hvordan har efterspørgslen udviklet sig? Er der sæsonudsving? Hvilke trends kan man se? Og hvor store variationer er normale?

Men hvad gør man, når produktet er helt nyt?

Det er en velkendt udfordring for folk, der arbejder med supply chain, planlægning og indkøb. En ny vare har ingen salgshistorik, men der skal alligevel træffes beslutninger om indkøb og lager, længe før man ved, hvordan kunderne faktisk vil reagere.

Bestiller man for lidt, risikerer man at løbe tør kort efter lanceringen. Bestiller man for meget, kan virksomheden stå tilbage med varer, der er svære at komme af med.

Det klassiske problem med nye produkter

Traditionelle forecastmodeller er gode til at finde mønstre i historiske data. Det gør dem effektive på etablerede produkter med en nogenlunde stabil salgshistorik.

Ved produktlanceringer mangler det vigtigste input imidlertid.

Derfor bliver forecastet ofte baseret på en kombination af kommercielle forventninger, erfaring og sammenligninger med eksisterende produkter. Måske forventer salgsteamet, at en ny model vil klare sig som forgængeren. Måske ligner produktet andre varer i samme kategori. Eller måske findes der erfaringer fra en tidligere lancering.

Det er værdifuld viden. Men i virksomheder med tusindvis af varenumre kan det være svært manuelt at finde og analysere alle de relevante sammenligninger.

Her kan AI begynde at gøre en forskel.

Lad eksisterende produkter fortælle noget om det nye

En af de interessante anvendelser af AI inden for forecasting er at identificere mønstre og ligheder på tværs af et produktsortiment.

I stedet for at betragte det nye produkt som et blankt stykke papir kan AI analysere eksisterende varer og finde produkter med relevante ligheder. Det kan eksempelvis være produktgruppe, egenskaber eller historiske salgsmønstre.

På baggrund af disse sammenligninger kan systemet skabe en syntetisk salgshistorik, der giver forecastmodellen et udgangspunkt.

Hos AGR arbejder vi eksempelvis med AI-genereret salgshistorik, hvor AI identificerer sammenlignelige produkter og bruger deres historik til at skabe et første datagrundlag for nye varer.

Det betyder ikke, at AI ved, hvor meget det nye produkt kommer til at sælge. Det betyder, at planlæggeren ikke længere behøver begynde helt fra nul.

Et bedre udgangspunkt – ikke et facit

Det er en vigtig forskel.

En ny vare kan ligne et eksisterende produkt på papiret og stadig få en helt anden lancering. Prisen kan være anderledes. Markedet kan have ændret sig. En kampagne kan skabe ekstra efterspørgsel. Konkurrenterne kan reagere. Eller produktet kan simpelthen blive mere eller mindre populært end forventet.

AI fjerner derfor ikke usikkerheden ved produktlanceringer.

Til gengæld kan teknologien give Supply Chain Teamet et mere kvalificeret udgangspunkt for diskussionen.

Planlæggeren kan kombinere den datadrevne baseline med den viden, der findes andre steder i organisationen: input fra salg og marketing, planlagte kampagner, kundeaftaler, markedsforhold og erfaringer fra tidligere lanceringer.

Det interessante er netop kombinationen.

Fra mavefornemmelse til kvalificeret usikkerhed

Forecasting af nye produkter vil altid indeholde usikkerhed. Målet bør derfor ikke være at skabe illusionen om et perfekt forecast.

Målet er at træffe bedre beslutninger, mens usikkerheden stadig er høj.

For virksomheden kan et bedre første forecast have betydning langt ud over selve forecast tallet. Det påvirker de første indkøb, lagerbehovet, risikoen for udsolgte varer og den kapital, virksomheden binder i en lancering.

Og når de første reelle salgstal begynder at komme ind, kan forecastet løbende justeres ud fra faktisk efterspørgsel.

På den måde bliver AI ikke en erstatning for planlæggerens vurdering. Det bliver en måde at give vurderingen et bedre datagrundlag – især dér, hvor historikken endnu ikke findes.

For virksomheder med mange produktlanceringer kan det være en lille ændring i forecasting-processen med stor betydning for lageret.