Kunstig intelligens kan matche detail-forsyningskæden med kundernes reelle adfærd
Kunstig intelligens kan hjælpe med at designe forsyningskæden, så den understøtter kundernes reelle adfærd – på den måde sker der et bedre match. Det gælder både butikshandel, e-handel og kombinationer. Metode og teknologi tilbyder store potentialer, mener en markedsaktør.
”Kunne du tænke dig at komme tættere på dine detail-kunders indkøbsmønstre med udgangspunkt i data – så du kan indrette priser og kampagner efter kundernes reelle behov?”, spørger Johan Öhlin retorisk og svarer selv på spørgsmålet: ”Det lyder måske utopisk, men brug af kunstig intelligens og maskinlæring kan faktisk gøre det til en reel mulighed”.
Han er Head of Advanced Analytics hos Optilon, som rådgiver nordiske virksomheder om supply chain løsninger baseret på en bred vifte af teknologier fra forskellige tech-leverandører. Og han er ikke i tvivl om, at kunstig intelligens eller AI kan være en stor hjælp for udviklingen af forsyningskæden i detailsektoren og mange andre sektorer. Han fremhæver, at der særligt er et stort potentiale for detailvirksomheder, der kombinerer AI-baseret forecasting med dynamisk prissætning samt optimering af produktudbud og kampagner. Kombinationen kan skabe det grundlag, der gør, at virksomheden kommer på forkant med kundernes faktiske efterspørgsel.
I sync med efterspørgslen
Han fortæller, at de arbejder med en række virksomheder, der er gået et spadestik dybere og har taget AI i brug. Han citerer en kunde for at udtale følgende: ”Sammensætningen af vores produktudbud, vores statiske prispunkter og vores kampagner var ikke i sync med den reelle efterspørgsel og kundernes forventninger. Finansielt har det naturligvis bundet unødig kapital og sænket vores salgsperformance væsentligt".
Og han mener, at tallene, som er erfaringstal fra kundeprojekter, taler for sig selv:
• 7 procent øget bundlinje ved hjælp af dynamic retail pricing.
• 73 procent reduktion i promotional purchase spend ved hjælp af bedre forecasting.
• 88 procent reduktion i estimeret tab af salg ved at optimere produktudbuddet.
Johan Öhlin og Optilon kalder metoden eller modellen for ’Dynamic Retail Pricing Using Machine Learning’, som er en del af det Optilon kalder ’Advanced Retail Optimization’. Modellen arbejder med forecasting, og ved hjælp af maskinlæring bliver modellen løbende klogere på kundernes købemønstre og adfærd. Det leder til, at modellen med tiden kan levere mere og mere præcise forudsigelser af købeadfærd og sende mere og mere præcise signaler om den optimale prissætning, det optimale sortiment, den optimale sammensætning og timing af kampagner etcetera.
Kan ikke lade sig gøre manuelt
”Vi har netop haft gang i et super spændende AI projekt med en detailhandelskunde med udgangspunkt i supply chain. Her løftede vi den daglige indtjening med syv procent”, fortæller hans kollega Alis Sindbjerg Hinrichsen, der supplerer:
”Hvordan gjorde vi det? Jo, modellen løftede margen og salg ved løbende at levere den mest optimale pris for et givet produkt ved at bruge interne og eksterne markedsdata. Helt konkret så leverede modellen prisanbefalinger ud fra definerede prisregler. Og hvorfor bruge avanceret teknologi til den opgave? Fordi det helt enkelt ikke kan lade sig gøre manuelt”.
Denne artikel er del af et tema:
Tema om planlægning 2021
