AI til lagerstyring og efterspørgselsprognoser i danske virksomheder

Et lager er både en service og en omkostning. For få varer giver restordrer, tabt salg og utilfredse kunder. For mange varer binder likviditet, kræver plads og ender som ukurans. Danske handels-, produktions- og e-handelsvirksomheder har derfor i årtier forsøgt at ramme balancen med regneark, minimumsbeholdninger og indkøberens erfaring. Problemet er, at efterspørgslen ændrer sig hurtigere end de faste regler.

AI-baseret lagerstyring gør planlægningen mere dynamisk. Modeller kan kombinere salgs- og forbrugshistorik med sæsoner, kampagner, priser, leverandørernes faktiske leveringstider og lokale forhold. Resultatet er ikke en magisk facitliste, men et opdateret forslag til hvad der sandsynligvis bliver solgt, hvornår der skal bestilles, og hvor meget sikkerhedslager der er nødvendigt. Denne guide forklarer teknologien, de vigtigste use cases, relevante systemer og en praktisk vej fra regneark til datadrevet lagerstyring.

Hvorfor traditionel lagerstyring kommer til kort

En fast regel som “bestil 100 enheder, når beholdningen kommer under 50” virker kun, hvis efterspørgsel og leveringstid er nogenlunde stabile. I praksis påvirkes salget af sæson, vejr, kampagner, prisændringer, nye kunder, konkurrenter og produktets alder. Samtidig kan en leverandørs leveringstid svinge fra to til seks uger. En statisk regel reagerer først, når problemet allerede ses i beholdningen.

Den anden udfordring er skala. En grossist med 10.000 varenumre kan ikke manuelt revurdere prognose, servicegrad og sikkerhedslager for hver vare hver uge. De mest solgte varer får opmærksomhed, mens den lange hale styres på autopilot. AI er velegnet til netop dette: ensartet beregning på tværs af mange kombinationer af vare, lokation og tid – samt markering af de undtagelser, et menneske bør undersøge.

Fra salgsdata til indkøbsforslag

En lagerprognose består typisk af fire lag. Først samles og renses data. Derefter beregnes en forventet efterspørgsel for kommende dage, uger eller måneder. Tredje lag oversætter prognosen til sikkerhedslager, genbestillingspunkt og ordrestørrelse. Til sidst præsenteres anbefalingen for en planlægger eller sendes – inden for aftalte grænser – videre til ERP-systemets indkøbsforslag.

Efterspørgselsprognoser

Klassiske statistiske modeller som glidende gennemsnit og eksponentiel udglatning er fortsat nyttige. Maskinlæring bliver især relevant, når mange faktorer påvirker efterspørgslen, eller når virksomheden har tusindvis af tidsserier. Modellen kan lære, at bestemte varer sælger mere op til jul, at en kampagne flytter efterspørgsel mellem varianter, eller at salget i en butik reagerer anderledes end salget online.

Generativ AI kan supplere de numeriske modeller, men bør ikke erstatte dem. En sprogmodel er god til at forklare, hvorfor prognosen er ændret, opsummere undtagelser og lade en planlægger spørge: “Hvilke varer risikerer udsolgt næste måned, hvis leverandørens leveringstid stiger en uge?” Selve mængdeprognosen bør fortsat bygge på modeller og beregninger, der er designet til tidsserier og optimering.

Sikkerhedslager og servicegrad

Sikkerhedslager beskytter mod usikkerhed i både efterspørgsel og leveringstid. Jo højere ønsket servicegrad, desto større buffer. Det giver derfor sjældent mening at sætte samme servicegrad på alle varer. Kritiske reservedele eller en webshop-bestseller kan kræve høj tilgængelighed, mens en langsomtgående variant kan tåle længere leveringstid.

AI kan løbende estimere usikkerheden per vare og foreslå en differentieret buffer. Beslutningen er stadig kommerciel: modellen ved ikke automatisk, at en billig reservedel kan holde en kundes produktionslinje i gang, eller at en bestemt vare er vigtig for virksomhedens markedsposition. Derfor skal segmentering, dækningsbidrag og kundeløfter indgå i lagerpolitikken.

Genbestilling og ordrestørrelse

Genbestillingspunktet afhænger af den forventede efterspørgsel i leveringstiden plus sikkerhedslageret. Ordrestørrelsen påvirkes desuden af minimumsordrer, kollistørrelser, fragt, rabattrin, holdbarhed og lagerplads. En AI-løsning bør kunne forklare disse begrænsninger. Et forslag på 147 enheder er værdiløst, hvis leverandøren kun leverer hele paller med 200.

Seks konkrete anvendelser

1. Færre udsolgte varer

Modellen kan opdage en accelererende efterspørgsel tidligere end en fast minimumsgrænse og advare, hvis den disponible beholdning ikke dækker frem til næste realistiske levering. Det er særligt værdifuldt ved sæsonvarer, kampagner og produkter med lange eller ustabile leveringstider.

2. Lavere lagerbinding

Varer med for stor buffer eller faldende efterspørgsel kan markeres, før de bliver ukurante. Indkøberen kan stoppe eller reducere nye ordrer, flytte varer mellem lokationer eller planlægge et kontrolleret udsalg. Målet er ikke det mindst mulige lager, men den laveste kapitalbinding, der stadig opfylder virksomhedens serviceløfte.

3. Automatisk ABC/XYZ-segmentering

ABC-segmentering grupperer typisk varer efter økonomisk betydning, mens XYZ beskriver efterspørgslens stabilitet. En A/X-vare med høj værdi og stabil efterspørgsel skal styres anderledes end en C/Z-vare med lav værdi og sporadisk salg. AI kan opdatere segmenteringen løbende og foreslå forskellige forecast-metoder og serviceniveauer per gruppe.

4. Leverandørernes reelle leveringstid

Stamdata siger måske 14 dage, mens de seneste leverancer faktisk tog 19, 27 og 16 dage. Ved at beregne den faktiske leveringstid og variation per leverandør og vare kan systemet sætte mere realistiske genbestillingspunkter. Det skaber også et faktabaseret grundlag for leverandørdialog og alternative sourcing-beslutninger.

5. Planlægning af kampagner og nye varer

Kampagner bryder den normale tidsserie. Modellen skal kende kampagnetype, rabat, kanal, eksponering og eventuel kannibalisering mellem produkter. For nye varer uden historik kan den bruge sammenlignelige produkter, kategori, pris og lanceringskanal. Usikkerheden bør vises tydeligt; et præcist tal er ikke det samme som en sikker prognose.

6. Undtagelsesbaseret planlægning

Den praktiske gevinst er ofte, at indkøberen ikke længere skal gennemgå alle varer. Systemet viser kun undtagelser: høj risiko for udsolgt, stort forecast-skift, usædvanlig leveringstid, overskudslager eller et forslag, der rammer en forretningsregel. Planlæggeren bruger sin tid på vurdering frem for rutineberegning.

De data, der afgør kvaliteten

Et AI-projekt starter ikke med en model, men med definitioner. Er efterspørgsel lig med ordrelinjer, leverede enheder eller fakturerede enheder? Hvordan registreres returneringer? Er en nuldag udtryk for ingen efterspørgsel eller for, at varen var udsolgt? Uden klare svar lærer modellen organisationens registreringsfejl.

• Transaktioner: ordre-, salgs- eller forbrugshistorik med dato, vare, mængde, lokation og kanal.
• Lagerbevægelser: modtagelser, pluk, reservationer, returneringer, reguleringer og kassation.
• Leverandørdata: bestillingsdato, lovet og faktisk leveringsdato, minimumsordre, kollistørrelse og kalender.
• Kommercielle signaler: priser, kampagner, produktlanceringer, udfasninger og kendte kundeordrer.
• Begrænsninger: holdbarhed, lagerkapacitet, budget, produktionskapacitet og transport.

Sådan måles effekten

Forecast accuracy er vigtigt, men ikke tilstrækkeligt. En prognose kan blive matematisk bedre uden at forbedre lageret, hvis indkøbsreglerne eller stamdata er forkerte. Mål derfor både modellen og forretningen.

MAPE bruges ofte, men giver problemer ved varer med meget lave eller nul salg, fordi procentfejlen bliver ekstrem eller ikke kan beregnes. WAPE eller MAE er ofte lettere at arbejde med på porteføljeniveau. Uanset mål bør virksomheden sammenligne AI-prognosen med en simpel baseline. Hvis modellen ikke slår “samme måned sidste år” eller et glidende gennemsnit, er kompleksiteten ikke berettiget.

Værktøjer og systemvalg

Mange virksomheder har allerede dele af funktionaliteten i deres ERP-, WMS- eller e-handelsplatform. Microsoft Dynamics 365, Business Central, SAP, Oracle NetSuite og større supply-chain-platforme tilbyder planlægnings- og forecastfunktioner i forskellige niveauer. Danske SMV'er møder også lagerfunktioner i eksempelvis Uniconta, e-conomic-integrationer og specialiserede løsninger som Rackbeat. Funktioner, licenser og AI-betegnelser ændrer sig løbende, så vurder løsningen på dataflow, forklarlighed og beslutningsstøtte – ikke på ordet “AI” i salgsmaterialet.

Tre indkøbsveje er almindelige:

1. Aktivér eksisterende funktioner: Lavest kompleksitet og hurtigst værdi, hvis ERP-data allerede er i orden.
2. Tilføj en specialiseret planlægningsløsning: Relevant ved mange varer, lokationer eller mere avanceret S&OP og replenishment.
3. Byg en egen model: Relevant når virksomhedens efterspørgsel, begrænsninger eller datakilder er en reel konkurrencefordel. Det kræver drift, overvågning og kompetencer – ikke kun et udviklingsprojekt.

Bed leverandøren demonstrere jeres egne varetyper. Spørg, hvordan systemet håndterer udsolgte perioder, nye varer, kampagner, langsomt salg, minimumsordrer og ændrede leveringstider. Kræv mulighed for at se årsagen bag et forslag og for at måle forecast mod en baseline.

GDPR, sikkerhed og EU AI Act

GDPR og datasikkerhed

Vare- og lagerdata er normalt ikke personoplysninger, men ordredata kan indeholde kundenavne, adresser og kontaktoplysninger. En prognose behøver sjældent disse felter. Fjern eller pseudonymisér dem, begræns adgangen, og indgå databehandleraftale med cloud-leverandører, hvor det er relevant. Kommercielt er salgsvolumen, indkøbspriser og leverandørvilkår desuden fortrolige data, som ikke bør lægges i gratis forbrugerværktøjer.

EU AI Act

Efterspørgselsprognoser og lageroptimering er som udgangspunkt ikke blandt EU AI Acts højrisikoanvendelser. Det betyder ikke, at løsningen kan køre uden styring. Medarbejderne skal forstå modellens begrænsninger, og virksomheden bør dokumentere datakilder, ansvar, godkendelsesgrænser og procedure ved fejl. Hvis lager- eller produktivitetsdata senere bruges til at evaluere medarbejdere eller træffe andre personrelaterede beslutninger, er det en ny anvendelse, som skal vurderes særskilt.

Seks trin til en robust implementering

1. Vælg et afgrænset pilotområde

Start med én produktgruppe eller lokation, hvor udsolgte varer eller lagerbinding er et synligt problem. Undgå både de helt stabile varer, hvor en simpel regel er nok, og de mest kaotiske varer, hvor ingen proces endnu er på plads.

2. Fastlæg baseline og mål

Mål den nuværende forecast-fejl, servicegrad, lagerværdi, ukurans og antal ekspresordrer. Aftal hvilken balance mellem tilgængelighed og kapitalbinding piloten skal forbedre. Uden baseline bliver resultatet en mavefornemmelse.

3. Ryd stamdata og historik

Kontrollér varenumre, enheder, lokationer, udfasede produkter, faktiske leveringstider og udsolgte perioder. Dokumentér kampagner og engangsordrer. En mindre, troværdig datamængde er bedre end fem års ufortolket rod.

4. Sammenlign med en simpel model

Kør AI-modellen parallelt med den nuværende metode og en simpel statistisk baseline. Sammenlign på de samme perioder og varer. Segmentér resultatet: én samlet procentsats kan skjule, at løsningen er god til stabile varer og dårlig til sporadisk efterspørgsel.

5. Indfør menneskelig godkendelse og grænser

Lad i begyndelsen systemet foreslå, mens indkøberen godkender. Sæt beløbsgrænser, krav om forklaring ved store ændringer og alarmer ved lav datakvalitet. Automatisér kun rutinebeslutninger, når modellen og processen har bevist stabilitet.

6. Overvåg drift og ændringer

Efterspørgselsmønstre ændrer sig. Overvåg forecast-fejl og bias over tid, og registrér hvorfor medarbejdere tilsidesætter forslag. En markant ændring i marked, sortiment eller leverandørstruktur kræver genvurdering – ikke bare endnu en modelkørsel.

De fem hyppigste fejl

1. At optimere forecast accuracy alene: Målet er bedre service og kapitaludnyttelse, ikke den pæneste modelscore.
2. At ignorere udsolgte perioder: Nulsalg bliver fejlagtigt læst som nul efterspørgsel.
3. At automatisere dårlige stamdata: Forkerte leveringstider og enheder producerer hurtigere, men ikke bedre beslutninger.
4. At behandle alle varer ens: Servicegrad, forecast-metode og godkendelsesflow bør variere efter værdi og efterspørgselsmønster.
5. At fjerne planlæggeren for tidligt: AI ser mønstre i data; medarbejderen kender kundeaftalen, leverandørkonflikten og den kommende produktudfasning.

Kilder og videre læsning

• EUR-Lex: Forordning (EU) 2024/1689 – EU AI Act
• Datatilsynet: Regler og vejledning om databeskyttelse
• Microsoft Learn: Planning Optimization i Dynamics 365 Supply Chain Management
• SAP Help Portal: Integrated Business Planning