Varje dag kommer runt 50 leveransplaner in till Nitator Automotive, en tillverkare av plåtkomponenter till tunga fordon. Tillsammans innehåller de omkring 52 000 orderrader. Extremt få, om ens någon, planerare hinner gå igenom allt för hand, och dagens analys av läget är inaktuell dagen efter. AI kan hjälpa till, men i en bransch där ett felbeslut kostar dyrt är frågan inte vad tekniken klarar av. Frågan är när man kan lita på den.
Leveransplanerna från OEM:erna styr nästan varje planeringsbeslut hos en leverantör: produktion, materialinköp, emballage och bemanning. Men alla som arbetar med OEM:er vet att planerna sällan håller hela vägen fram till avrop.
Vissa avvikelser är slumpmässiga, men de flesta är det inte. I en del flöden ligger kundernas prognoser systematiskt för högt, ibland med så mycket som 20 procent. Inför sommaren lägger många kunder på en extra marginal av rädsla för att leveranserna inte ska räcka till i augusti. Och de längre prognoserna, tolvmånadersprognoserna, justeras nästan alltid ned ju närmare leveransen man kommer.
Konsekvenserna känner de flesta igen: onödigt höga säkerhetslager, kapital som binds upp och sena ändringar som skapar stress i produktionen. I förlängningen syns det på sista raden.
Mönstren bakom avvikelserna finns där i datan. Problemet är att ingen hinner leta fram dessa mönster manuellt när det handlar om tiotusentals orderrader om dagen.
Det vore lätt att avfärda detta som ett teknikproblem, men det stämmer inte. Verktygen för att förekomma avvikelserna och se mönster finns redan. Det som saknas är tilliten att låta de nya prognoserna påverka riktiga beslut.
Den försiktigheten är rimlig. Charles Gilbert, logistikchef på Nitator Automotive, beskriver fordonsindustrin som en bransch med låg risk och låg avkastning. Kunderna beställer komponenter som sett ungefär likadana ut i decennier, och det kan ta lång tid innan en förändring ger effekt. När återkopplingen dröjer och misstagen är dyra väntar man hellre tills nyttan är bevisad.
I podden SCE Talks beskriver Charles vart han vill komma:
”Mitt önskemål är att vi ska lita så pass mycket på prognoserna från AI Forecasts att vi ska mata in det som ’sanningen’ i vårt affärssystem, så affärssystemet börjar jobba efter de parametrarna.”
Det finns också en mänsklig sida. Vi har lättare att förlåta och förstå när en planerare gör fel än när ett system som gör fel – även när systemet statistiskt sett är bättre. Lösningen är därför inte att pressa in AI i processen, utan att låta tekniken förtjäna sin plats.
Forecast AI bygger på en enkel idé: ägarskap, kontroll och stegvis testning är det som gör att AI faktiskt förbättrar prognoserna. Verktyget finns i flödet där PipeChain redan tar emot era kunders leveransplaner och konverterar dem till ert affärssystem. Innan en plan läses in analyseras den av AI-modellen.
För varje artikel går modellen igenom alla leveransplaner som kommit in och jämför prognosen med vad som faktiskt beställdes. Med tiden lär den sig beställningsmönstren och tar fram en egen prognos. På så sätt går det att ställa kundens prognos mot modellens och se vilken som har träffat bäst historiskt.
Forecast AI lyfter sedan fram de artiklar där modellen har bäst träffsäkerhet. Och här kommer det viktiga: det är ni som bestämmer vad som händer sedan. Vilka avrop som ska justeras och hur mycket, utifrån era egna ledtider. Bara avropen inom det tidsfönstret justeras innan planen läses in i affärssystemet.
Modellen är tränad, men det är ni som sätter parametrarna. Ägarskapet och hur stor tolerans gentemot osäkerhet ni vill ha ligger kvar hos er.
Tillit byggs inte för hela verksamheten på en gång, utan artikel för artikel och horisont för horisont. Därför rekommenderar vi att ni inför AI i planeringen i tre steg.
Prognoser som ligger fyra till tolv månader fram påverkar kapacitet och lagerplanering, men inte nästa veckas leveranser. Här kan AI ge underlag till besluten utan att styra dem.
Det är här lärandet börjar. Jämför modellens prognos med utfallet månad för månad. Var träffar den? Var missar den? Och varför?
När modellen har visat att den håller för vissa artiklar kan den flyttas närmare leverans. Där påverkar rekommendationerna inköp, emballage och produktionsplanering mer direkt.
Det är viktigt att välja med omsorg. Har en kunds prognos för en viss konsol legat 15 procent för högt varje juni i tre år, och har modellen lärt sig att korrigera för det? Då kan ni lita på modellen. Gäller det en sporadisk order utan tydligt mönster? Då behåller ni kundens prognos. Ju närmare leveransen, desto starkare behöver underlaget vara.
Sista steget är att låta de justerade prognoserna gå direkt in i affärssystemet, utan manuell hantering, för de artiklar och perioder där modellen har förtjänat förtroendet. Inte allt, och inte på en gång. Automationen växer i takt med resultaten, och det gör tilliten i organisationen också.
Kontrollen finns kvar hela vägen. Inställningarna görs per artikel och kan skärpas eller lättas när förutsättningarna förändras. AI tar inte över beslutet. Den tar över rutinarbetet, så att planerarna kan lägga sin tid där omdömet verkligen behövs.
Forecast AI finns i dag i betaversion och utvecklas tillsammans med leverantörer inom fordonsindustrin, som bland annat Nitator Automotive. Det vi har lärt oss hittills bekräftar arbetssättet: värdet uppstår när man börjar smått, mäter kontinuerligt och låter resultaten visa vägen.
Det är också viktigt att vara tydlig med vad Forecast AI är – och inte är. Verktyget är inte sanningen om framtida efterfrågan från dag ett, men det är ett verktyg som förtjänar sin roll ju mer våra kunder använder den och låter den lära sig av historisk data. Det är ett sätt att minska risker och kapitalbindning genom att ge er ett bredare och mer konsekvent underlag för de beslut ni redan fattar idag.
AI i planeringen behöver inte börja med ett stort beslut. Det kan börja med en enkel fråga: vilka prognoser litar ni minst på, och hur långt fram sträcker de sig?
Där är ett bra ställe att börja. Långt från produktionsgolvet, med tid att lära och full kontroll över vad som händer sedan.
Vi söker fler leverantörer som vill testa Forecast AI i beta. Vill ni prata om hur era prognoser ser ut i dag och var AI kan göra skillnad? Då börjar vi med ett kort samtal.
Om du är intresserad av att lära dig mer om hur du skapar en kraftfull, sammankopplad supply chain, finns våra senaste insikter här.
För att hjälpa dig att få en djupare och bättre förståelse för våra lösningar och din supply chain har vi tagit fram ett antal detaljerade tech papers om olika ämnen.
