AI-baseret lagerprognose er en metode, hvor historiske lager-, salgs- og ordredata kombineres med maskinlæring eller statistiske modeller for at forudsige fremtidig efterspørgsel. Målet er ikke at gætte perfekt, men at støtte beslutninger om indkøb, sikkerhedslager, genbestilling og kapacitet med målbar usikkerhed.
AI-baseret lagerprognose bruger historiske lager-, salgs- og ordredata til at forudsige fremtidig efterspørgsel med målbar usikkerhed. Metoden hjælper med at vurdere indkøb, sikkerhedslager, genbestilling og kapacitet, men kræver datakvalitet, baseline-test og løbende overvågning for at give brugbare lagerbeslutninger.
Hvordan fungerer AI-baseret lagerprognose i praksis?
En AI-baseret lagerprognose omsætter tidligere observationer til et bud på, hvor meget der sandsynligvis bliver efterspurgt i en kommende periode. I praksis kan observationerne være daglige salgstal, historiske lagerbeholdninger, annullerede ordrer, kampagneperioder, leveringstider, returvarer og sæsonudsving. Modellen finder mønstre i dataene og bruger dem til at beregne forventet efterspørgsel på et bestemt niveau, for eksempel pr. vare, varegruppe, butik, lager eller region.
Teknologien er beslægtet med kunstig intelligens, men en lagerprognose er normalt ikke en selvstændig beslutning. Den bliver først praktisk brugbar, når prognosen kobles til en lagerregel: hvor meget skal bestilles, hvornår skal der genbestilles, og hvor stor buffer skal der være, hvis efterspørgslen eller leveringstiden ændrer sig?
Den tekniske model er derfor kun en del af opgaven. En god løsning kræver også en klar definition af forecast-horisont, varehierarki, servicegrad, lead time, minimumsordre og de forretningsregler, som styrer indkøb. Hvis du kun optimerer modellens fejlmål, kan resultatet se præcist ud i et dashboard, men stadig give for mange udsolgte varer eller for meget kapital bundet i lager.
Hvilke data indgår typisk i en lagerprognose?
Det vigtigste datagrundlag er normalt historisk efterspørgsel. Det kan være registreret som salg, ordrelinjer, pluk, fakturering eller forbrug i produktionen. Salgstal er ikke altid det samme som egentlig efterspørgsel, fordi udsolgte perioder skjuler det, kunderne ville have købt. Derfor bør perioder med stockouts, ekstraordinære kampagner eller databrud markeres særskilt, før de bruges i modellen.
Ud over historiske tal kan modellen bruge forklarende variabler. Det kan være kalenderdata, helligdage, vejr, kampagner, prisændringer, rabatter, leverandørens lead time, lokale begivenheder, søgeinteresse, returneringer eller planlagte sortimentsændringer. Jo tættere variablerne er på den reelle efterspørgsel, desto mere nyttige er de. Irrelevante data kan øge kompleksiteten uden at forbedre prognosen.
For organisationer med mange varer bliver datastyring en del af prognosearbejdet. Stamdata om SKU’er, kategorier, pakningsstørrelser, erstatningsvarer og leverandører skal være konsistente. Her overlapper lagerprognoser med data mining, fordi mønstre først kan udnyttes, når data er renset, sammenstillet og fortolket i den rigtige forretningskontekst.
Hvornår giver AI bedre prognoser end en simpel metode?
AI giver størst værdi, når efterspørgslen påvirkes af flere mønstre på samme tid: sæson, pris, kampagner, regionale forskelle, lange varehierarkier eller mange små tidsserier. Maskinlæring kan især være nyttig, når modellen kan lære sammenhænge på tværs af tusindvis af varer og udnytte signaler, som er for svære at modellere manuelt.
AI er ikke automatisk bedre end en simpel metode. Forecasting-litteraturen viser, at modelvalg skal vurderes på nye data, og at komplekse metoder kan underpræstere i bestemte tidsserieopgaver. En praktisk lagerprognose bør derfor altid sammenlignes med en baseline, for eksempel seneste observation, sæson-naiv metode, glidende gennemsnit eller en klassisk statistisk model.
Det centrale spørgsmål er ikke, om modellen bruger machine learning eller deep learning. Spørgsmålet er, om den reducerer fejl på den forecast-horisont og det lagerbeslutningsniveau, du faktisk bruger. En model, der er stærk på månedlige kategorital, kan være svag på daglige SKU-prognoser i et enkelt lager.
Hvordan adskiller lagerprognose sig fra lageroptimering?
Lagerprognose og lageroptimering bliver ofte blandet sammen, men de løser forskellige problemer. Prognosen svarer på, hvad efterspørgslen sandsynligvis bliver. Optimeringen svarer på, hvilken handling der bør tages ud fra prognosen, omkostninger, risiko og driftsregler.
| Område | Spørgsmål | Typisk output |
|---|---|---|
| Lagerprognose | Hvor meget bliver der sandsynligvis efterspurgt? | Forventet efterspørgsel, interval og usikkerhed |
| Lageroptimering | Hvad bør vi bestille eller flytte? | Genbestillingspunkt, ordremængde og buffer |
| Driftsstyring | Hvordan håndteres afvigelser? | Alarmer, manuelle overstyringer og nye regler |
Hvis prognosen bruges direkte som ordreforslag uden optimering, overser systemet ofte lead time, minimumsordrer, leverandørbegrænsninger og omkostningen ved at tage fejl. Den samme forecast-fejl kan være ubetydelig for en billig vare med kort leveringstid og kritisk for en dyr vare med lang leveringstid.
Hvilke modeller bruges i AI-baseret lagerprognose?
AI-baseret lagerprognose kan bruge både klassiske statistiske modeller og maskinlæringsmodeller. Klassiske metoder som eksponentiel udglatning, ARIMA-varianter og sæsonmodeller er stadig relevante, fordi de ofte er robuste, forklarlige og hurtige at træne. De kan fungere godt, når en vare har stabil historik og tydelige sæsonmønstre.
Maskinlæring bruges ofte, når prognosen skal udnytte flere datakilder eller lære på tværs af mange varer. Beslutningstræer, gradient boosting, neurale netværk og sekvensmodeller kan håndtere ikke-lineære mønstre og mange forklarende variabler. I lagerprognoser er det dog ikke nok, at modellen kan beregne et tal. Den skal også kunne håndtere nul-salg, sjældne køb, nye varer, udgåede varer og perioder med manglende lager.
Nogle løsninger kombinerer flere modeller. En statistisk model kan fange sæson og trend, mens en maskinlæringsmodel justerer for kampagner, pris eller lokale forskelle. En sådan hybrid tilgang kan være praktisk, fordi den ikke tvinger hele lagerproblemet ind i én modeltype.
Hvordan bør usikkerhed håndteres i prognosen?
En lagerprognose bør ikke kun vise ét forventet tal. Den bør også vise usikkerhed, fordi lagerbeslutninger altid handler om risiko: for lidt lager giver tabte salg eller produktionsstop, mens for meget lager binder kapital og kan give spild. Forecasting-fagligt er prediction intervals en måde at udtrykke, hvor bredt de mulige fremtidige værdier kan ligge.
Usikkerheden stiger typisk, jo længere frem prognosen rækker. En prognose for næste uge er ofte mere stabil end en prognose for de næste seks måneder. Hvis systemet viser samme sikkerhed på alle horisonter, bør resultatet undersøges. Det kan være et tegn på, at løsningen skjuler usikkerhed i stedet for at modellere den.
For lagerstyring kan usikkerhed oversættes til sikkerhedslager. Hvis en vare har ustabil efterspørgsel eller lang leveringstid, kræver samme servicegrad en større buffer. Det gør usikkerhedsintervallet mere anvendeligt end et enkelt gennemsnit, fordi det hjælper dig med at se forskellen mellem forventet salg og den risiko, driften skal kunne tåle.
Hvad betyder prognosehorisont og granularitet?
Prognosehorisont er længden på den periode, du forsøger at forudsige. I lagerstyring kan horisonten være timer, dage, uger, måneder eller sæsoner. Den rigtige horisont afhænger af beslutningen. Genopfyldning i en butik kan kræve daglige tal, mens indkøb fra en leverandør med lang produktionstid kan kræve flere måneders udsyn.
Granularitet er det niveau, prognosen beregnes på. En model kan forudsige efterspørgsel pr. vare, kategori, butik, lager, region eller kanal. Meget detaljerede prognoser giver bedre styring, men de er også mere støjfyldte. En enkelt SKU i én butik kan have mange dage med nul-salg, mens kategoriniveauet er mere stabilt.
Hierarkiske prognoser forsøger at skabe sammenhæng mellem niveauerne. Summen af SKU-prognoser bør passe med kategori- og totalniveauet, hvis tallene skal bruges i samme planlægningsproces. Forecast reconciliation er et fagligt begreb for at gøre prognoser på flere niveauer indbyrdes konsistente, så indkøb, økonomi og drift ikke arbejder med modstridende tal.
Hvordan måles kvaliteten af en AI-prognose?
Kvalitet bør måles på data, som modellen ikke har brugt til træning. Hvis du kun måler, hvor godt modellen passer til historikken, kan en kompleks model se imponerende ud uden at være bedre til fremtiden. Backtesting og tidsbaserede testperioder giver et mere realistisk billede, fordi de simulerer, hvordan modellen ville have klaret sig på nye perioder.
Der findes flere fejlmål. MAE måler gennemsnitlig absolut fejl, RMSE straffer store fejl hårdere, og skalerede fejl gør det lettere at sammenligne varer med forskellige niveauer. MAPE kan være let at forstå, men bliver problematisk ved nul-salg eller meget små salgstal, hvilket er almindeligt i lagerdata.
Det bedste fejlmål afhænger af lagerbeslutningen. Hvis overprognoser og underprognoser har forskellig omkostning, bør målingen afspejle det. En vare med høj margin og kort holdbarhed kan have en anden optimal balance end en kritisk reservedel, hvor udsolgt lager er dyrere end overskudslager.
Hvilke fejl skaber dårlige lagerprognoser?
Dårlige lagerprognoser skyldes ofte dataproblemer frem for selve algoritmen. Hvis udsolgte perioder registreres som lav efterspørgsel, lærer modellen, at kunderne ikke ønskede varen. Hvis kampagner ikke markeres, kan modellen tro, at en midlertidig efterspørgselsstigning er et permanent mønster. Hvis returvarer, annullerede ordrer og erstatningsvarer behandles forkert, kan historikken blive misvisende.
En anden fejl er at blande planlagte og uplanlagte ændringer. Nye sortimenter, prisstrategier, leverandørskift, kanalændringer og lokale events kan ændre mønstre, som modellen ikke kan udlede af gamle data alene. Her kan menneskelige justeringer være nødvendige, men de bør logges, så du senere kan se, om overstyringerne faktisk forbedrede prognosen.
Den tredje fejl er at lade modellen fortsætte uden overvågning. Efterspørgsel, kunder og leverandører ændrer sig. Modeldrift opstår, når sammenhængen mellem historiske data og fremtidig efterspørgsel svækkes. Derfor bør prognosen overvåges med faste fejlmål, alarmer for databrud og en proces for gen-træning eller metodeændring.
Hvordan kan en organisation indføre AI-baseret lagerprognose?
En praktisk indførelse bør begynde med en afgrænset beslutning. Vælg for eksempel en varegruppe, et lager eller en kanal, hvor der er nok historik, tydelige omkostninger ved fejl og mulighed for at sammenligne mod den nuværende metode. Start ikke med hele sortimentet, hvis datakvalitet, ansvar og drift endnu ikke er på plads.
En enkel proces kan se sådan ud:
- Definér beslutningen: genbestilling, sikkerhedslager, kapacitetsplan eller sortimentsplan.
- Vælg baseline og måleperiode, så AI-modellen kan sammenlignes fair.
- Rens data for stockouts, kampagner, manglende værdier og sortimentsbrud.
- Test modellen på en tidsbaseret holdout-periode og mål både fejl og forretningskonsekvens.
- Indfør modellen med alarmer, ansvar for overstyringer og regelmæssig evaluering.
En sådan proces er tæt forbundet med risikostyring i AI-implementeringer. Lagerprognoser kan virke tekniske og neutrale, men de påvirker kapitalbinding, leveringssikkerhed, kundeservice, planlægning og i nogle brancher også spild. Derfor bør ansvaret for modellen placeres klart mellem data, drift, indkøb og ledelse.
Hvilke krav stiller data, sikkerhed og regulering?
En lagerprognose kan ofte bygges på produkt-, ordre- og lagerdata uden følsomme personoplysninger. Det ændrer sig, hvis modellen bruger kundeadfærd, medarbejderdata, lokationsdata eller individuelle købsprofiler. Så skal adgang, dataminimering, formål og sletning vurderes som en del af datastyringen.
I EU bør AI-baserede prognosesystemer vurderes efter konkret brug og risikokategori, ikke kun efter navnet AI. EU’s AI Act anvender en risikobaseret tilgang, hvor kravene afhænger af systemets rolle, anvendelse og mulige påvirkning. Almindelig lagerprognose er ikke automatisk en højrisikoanvendelse, men en organisation kan stadig have pligter efter andre regler, kontrakter eller interne kontroller.
NIST beskriver AI-risikostyring som en frivillig ramme for at håndtere risici ved AI-systemer. For lagerprognoser betyder det praktisk, at du bør dokumentere datakilder, modelversioner, testresultater, begrænsninger og menneskelige overstyringer. En prognose bliver mere driftsklar, når den kan forklares, overvåges og rulles tilbage, hvis den begynder at give dårlige anbefalinger.
Hvilke kilder ligger til grund?
Den prognosefaglige forklaring bygger især på Hyndman og Athanasopoulos’ Forecasting: Principles and Practice, herunder afsnit om tidsseriedata, forklarende variabler, testdata, prediction intervals og hierarkiske prognoser.
For afgrænsningen mellem simple metoder og maskinlæring er PLOS ONE-studiet om statistiske og maskinlæringsbaserede prognosemetoder brugt som fagligt forbehold. For styring og regulering er der set på NIST AI Risk Management Framework og Regulation (EU) 2024/1689.
Relaterede begreber er forklaret bredere i AI Mentors indhold om big data og dataanalyse, fordi lagerprognoser afhænger af både historiske tidsserier, forretningskontekst og løbende datakvalitet.