Sæt handling bag indsigt med forecast


Har du altid de rette varer på hylden? Kender du dine kunders behov om 5 måneder? 

Med et forecast kombinerer vi nye og traditionelle datakilder med matematiske og statistiske algoritmer for at forudsige fremtiden hurtigere og mere præcist end med traditionelle metoder.

For din virksomhed giver et forecast helt nye indsigter, som du kan omdanne til handling og ægte forretningsværdi.

Måske er vejen til resultater kortere, end du tror? Book et uforligtende møde og lad os sammen finde dit AI-potentiale. 

Book uforpligtende møde

 

background-half-pil2
Vores forretning er fuldt ud afhængig af fejlrater på nordsøens havvindmøller. Vi foretager meget store investeringer på baggrund af vores forventninger til fremtiden. Tidligere var de baseret på mavefornemmelser, men nu anvender vi algoritmer til at forudsige fejlraterne på fremtidens havvindmøller. 
Jens Michael Haurum
CFO, Ziton A/S

Hvad er forecast?

Forecasting er en teknik, der bruger historiske data som input til at lave forudsigelser (estimater) baseret på tidligere data, nuværende data og evt. allerede kendt fremtidigt data. For eksempel kan en virksomhed estimere deres fremtidige omsætning et år frem.

Prædiktioner er et lignende, men mere generelt, udtryk. Forecasting refererer til specifikke formelle statistiske metoder, der anvender tidsserie data.

Rullende forecast

Modsat en årlig fremskrivning giver et rullende forecast løbende bud på, hvordan fremtiden udvikler sig.

Rullende forecast bruger også historiske data til at give et bud på fremtiden. Dog ligger forskellen i, at den givne periode rækker udover det indeværende regnskabsår og løber eksempelvis 12 måneder frem. Når en måned er gået, udgår den af forecastet, og en ny måned tilføjes i den anden ende, således at forecastet altid estimerer 12 måneder frem i tiden.

Den rullende forecast skal derfor ses som en kontinuerlig proces, hvor data genovervejes og opdateres jævnligt.

background-full-rob-nadia-nathalie

Skab forretningsværdi med 
AI forecast 

Med et forecast kombinerer vi nye og traditionelle datakilder med matematiske og statistiske algoritmer for at forudsige fremtiden hurtigere og mere præcist end med traditionelle metoder. For din virksomhed giver et forecast helt nye indsigter, som du kan omdanne til handling og ægte forretningsværdi.

background-full-kristina3
Use case: Har du altid de rette varer på hylden?

Det kan være en udfordring altid at være parat til at møde kunders efterspørgsel i det øjeblik, behovet opstår. Det er spild af penge at have flere produkter til rådighed, end der sælges og med for få risikerer du at miste kunden i den uundgåelige ventetid, der opstår ved at skulle fremskaffe det ønskede produkt.

Ved at bruge machine learning og på baggrund af historisk data kan vi lave en efterspørgselsprognosticering. Med den vil du på forhånd vide, hvornår dine kunders behov opstår.

En sådan løsning kan reducere dine udgifter ved at fjerne nødvendigheden for et overskudslager eller forøge din omsætning ved at forhindre, at du løber tør for produkter, når der er en efterspørgsel i markedet.

Med den rigtige data til rådighed vil det endda være muligt at se på hvilke parametre, der påvirker efterspørgslen og dermed åbne for muligheden for selv at påvirke denne.

case_ziton_800x800

 

Ziton har en vision om at yde den bedste service for kunden, og med en kombination af flere års erfaring ude på vandet og machine learning er det nu en mulighed, da det giver dem en unik mulighed for at give kunden et kvalificeret bud på behovet for maintenance samt identificere eventuelle fejlrater.

Læs casen her

Hvornår er forecasting oplagt?

Forecasts kan benyttes til forudsige fremtiden af alt tidsserie data.

Vi har set det største behov indenfor: 

Sales forecast
Cash flow forecast
Churn forecast
Trend forecast

Nogle gange er den proces man ønsker at forecaste så simpel og konsekvent, at man kan opnå udemærkede resultater med en simpel model lavet i et Excel lignende format.

F.eks. kan sidste uges omsætning på samme ugedag være et fint gæt på, hvad den kommende dags omsætning kommer til at blive. Hvis konsekvensen ved at gætte er beskeden, datamængden lille og vedligeholdelsen begrænset, kan det være en udemærket løsning.

Der hvor AI virkelig kommer til sin ret er i de mere komplicerede omstændigheder.

Der kan være mange årsager til, at forecasts bliver komplicerede. Herunder er listet nogle af dem:

Flere tidsserier
Hvis det for eksempel drejer sig om omsætningen på produkt- eller butiksniveau og ikke blot den overordnede omsætning.

Lavt granularitetsniveau
At forecaste på årsniveau er typisk væsentligt nemmere end at forecaste på dags-, time- eller minut-niveau. Især hvis der skal forecastes mange perioder ud i fremtiden.
F.eks. at gætte på en hel butikskædes samlede omsætning de næste 3 år er let, men at gætte en specifik butiks dagsomsætning 2 måneder ud i fremtiden er væsentligt sværere. 

Kannibaliseringseffekter
Også kaldet substitutionseffekter, kan opstå f.eks. hvis en ny butik overtager omsætning fra eksisterende butik, eller når varesortimentet bliver udvidet/formindsket. Disse effekter er interessante, når en produktportefølje skal tilpasses. Ofte ser vi, at produktporteføljen er for stor i forhold til, hvad der giver økonomisk bedst mening. Det er som oftest konsekvens af, at man ikke tør fjerne allerede eksisterende varer fra sortimentet. Dette på trods af at den manglende omsætning på denne vare måske blot ville gøre de nye endnu mere profitable.

Stor udskiftning f.eks. af produktportefølje
At forecaste salg af produkter som endnu ikke eksisterer kan tangere til en umulig opgave. Men med hjælp fra AI er det muligt at komme med kvalificerede bud på, hvor meget disse produkter vil kunne sælge for. Og som med alt AI bliver disse bud bedre, efterhånden som datamængden stiger.

Lang tidshorisont
Simple forecasts metoder klarer sig ofte godt på kort sigt, men skal der forecastes længere ud i fremtiden, så kniber det med præcisionen. Eksempelvis hvis du skal kende næste uges omsætning, vil løbende gennemsnit typisk fungere okay, hvis ikke der kommer en ferie, helligdag, lønningsdag eller andet i vejen. Skal der derimod gættes på, hvor høj omsætningen er om en måned eller to, falder kvaliteten drastisk.

Manglende værdier
Manglende værdier kan opstå - ganske enkelt fordi data ikke er tilgængelig. Det kan eksempelvis være lukkedage som under corona nedlukningen. Her kommer AI igen ind i billedet med smarte metoder til at håndtere disse, hvor man ved traditionelle metoder hurtig kommer til kort.

Udlev dit forecast potentiale med Inspari

Hos Inspari har vi en skræddersyet metode til at skabe succes med forecasts. Med denne metode hjælper vi først og fremmest med at finde den rigtige use case, få afdækket med forretningen hvad der præcist er behov for og få afdækket den forventede værdi af projektet.

Når business casen er på plads, starter den egentlige Proof of Value (PoV), hvor vi med så lille en indsats som mulig, ser om vi er i stand til (eller tror på, at vi bliver i stand til) at opnå de ønskede resultater.

Hvis og såfremt vi tror på dette fine tunes og deployes modellen, og der laves de rigtige apps/dashboards til brugerne, så de kan træffe de rigtige beslutninger på baggrund af forecasts.

Herefter sørger vi for, at modellerne i produktion bliver ved med at performe som forventet. Med AI/ML er modellen aldrig klogere end det data, som den er trænet på. Det vil sige, at i takt med at virkeligheden ændrer sig, så skal modellerne re-trænes. Hos Inspari tager vi ansvaret for, at modellerne kører som de skal i produktionen. Ved at overvåge modellerne holder vi øje med fejl, så du og din forretning altid kan stole på de tal, de ser på.

Book uforpligtende møde

background-half-laerke3

 

 

Kan vi hjælpe dig? 
Skriv til os her,

Hvis du har spørgsmål eller tænker, at tiden er inde til et uforpligtende kald eller møde, kan du kontakte os her. Vi ser frem til at høre fra dig og svarer hurtigst muligt.