AI inom inköpsoptimering

AI inom inköpsoptimering: Från prognos till bättre lagerbeslut

Som inköpare eller lagerplanerare kan du ansvara för 1 000, 10 000 eller kanske 50 000 artiklar. För varje artikel återkommer samma frågor:

Hur mycket kommer vi att sälja? Hur stort säkerhetslager behöver vi? När ska vi beställa igen? Hur mycket ska vi köpa in? Vilken servicegrad ska vi sikta på? Har efterfrågan förändrats?

Multiplicera de frågorna med tusentals artiklar, varierande efterfrågemönster, olika ledtider från leverantörer och förändrade prioriteringar i verksamheten så blir inköpsplanering snabbt en omfattande beslutsutmaning.

De här frågorna är inte nya för vår partner EazyStock. EazyStock är en affärsenhet inom Syncron, som i över 30 år har arbetat med att optimera komplexa lager och servicelivscykeln för globala företag. EazyStock bygger vidare på samma erfarenhet och principer, men med fokus på inköpsoptimering för små och medelstora företag. Skalan må vara en annan, men frågorna är i grunden desamma: Hur säkerställer vi rätt tillgänglighet? Och hur mycket behöver vi egentligen ha i lager?

För alla lagerhållande företag är lagret en central del av verksamheten. För lite lager innebär risk för bristsituationer, förlorad försäljning och missnöjda kunder. För mycket lager binder värdefullt kapital på hyllan. Att hålla rätt lager handlar därför om att hela tiden balansera tillgänglighet, kostnad och risk.

Matematiken bakom många av de här besluten är inte ny. Det som förändras med utvecklingen inom AI är hur den kan användas, och i vilken skala.

I den här artikeln tittar vi närmare på vad inköpsoptimering innebär, vilken roll AI, maskininlärning och optimeringsteknik spelar och hur tekniken kan omsättas i bättre beslut om lager och inköp. Målet är detsamma som det alltid har varit: rätt artiklar, i rätt mängd, på rätt plats och vid rätt tidpunkt.

Vad är inköpsoptimering?

I grunden handlar inköpsoptimering om en balansgång. De flesta företag vill uppnå två saker som naturligt drar åt motsatta håll:

Hög tillgänglighet ↔ Låg kapitalbindning

Inköpsoptimering handlar om att hitta den bästa balansen mellan dessa mål. Hänsyn behöver samtidigt tas till efterfrågan, osäkerhet, ledtider, önskad servicegrad och andra förutsättningar i verksamheten.

Att veta att du förväntas sälja 87 i stället för 92 enheter nästa månad är värdefullt, men verksamheten måste fortfarande avgöra vad den informationen innebär för lagret och inköpen.

Hur stor är osäkerheten i prognosen? Hur mycket finns redan i lager? När kommer nästa leverans? Vilken servicegrad ska artikeln ha? Hur stort säkerhetslager behövs? Och i slutändan: hur mycket ska beställas, och när?

Vägen från data till affärsresultat ser därför snarare ut så här:

Efterfrågedata → Prognos → Lagerpolicy → Säkerhetslager → Beställningspunkt → Orderkvantitet → Inköpsbeslut → Tillgänglighet och kapitalbindning

Det är här prognostisering blir inköpsoptimering.

Målet är inte bara att förutse framtida efterfrågan så träffsäkert som möjligt, utan att omsätta den förväntade efterfrågan i bättre beslut om lager och inköp.

Ett system kan kontinuerligt analysera efterfrågemönster, uppdatera prognoser och lagerparametrar och identifiera var åtgärder behövs över tusentals artiklar samtidigt.

Inköparen bidrar med kontext.

De vet att en viktig kund håller på att ändra sitt köpbeteende, att marknadsavdelningen planerar en kampanj, att en leverantör blivit mindre pålitlig eller att en produkt snart ska fasas ut.

Från bättre prognoser till mer kontinuerlig planering

Utvecklingen går mot att allt fler delar av planeringen kan ske kontinuerligt, snarare än i periodiska cykler där inköparen manuellt behöver gå igenom sortimentet och reagera på förändringar.

McKinsey beskriver den här utvecklingen som en rörelse mot mer autonom och sammanhängande supply chain-planering, där förändringar i efterfrågan snabbare kan omsättas i beslut om lager, produktion och inköp. Poängen är viktig: värdet ligger inte enbart i en bättre prognos i sig, utan i de bättre beslut som prognosen kan leda till.

Gartner pekar i samma riktning och beskriver hur framtidens supply chain-planering handlar i allt större utsträckning om att använda AI för att automatisera repetitiva planeringsuppgifter och stödja beslut, medan planeraren kan lägga mer tid på risker, avvikelser och strategiska frågor.

Det intressanta är därför inte bara om AI kan göra prognosen bättre. Frågan är hur mycket av den löpande analysen och de tusentals lagerbeslut som följer prognosen kan göras mer effektivt tillsammans med AI.

AI är mer än generativ AI

Den snabba utvecklingen av generativa AI-verktyg som ChatGPT och Claude har förändrat hur många av oss ser på AI. Men generativ AI är bara en del av bilden. Inom inköpsoptimering används sedan länge även statistiska metoder, maskininlärning och optimeringsalgoritmer för andra typer av uppgifter.

Generativ AI är särskilt bra på att göra information tillgänglig: sammanfatta stora mängder data, förklara komplexa samband, svara på frågor och hjälpa användaren att förstå varför något har förändrats.

Inköpsoptimering har ett annat grundproblem. Här behöver tusentals artiklar kontinuerligt analyseras utifrån bland annat efterfrågan, aktuella lagernivåer, öppna inköpsorder, leverantörernas ledtider, servicegrader och orderbegränsningar. Specialiserad programvara använder den informationen för att beräkna prognoser, säkerhetslager och beställningspunkter och omsätta dem i konkreta inköpsförslag.

Det intressanta är därför inte vilken teknik som är bäst, utan hur de kan komplettera varandra. Optimering och maskininlärning kan stå för den matematiska och operativa grunden, medan generativ AI kan göra resultaten enklare att förstå och agera på, exempelvis genom att förklara rekommendationer, sammanfatta avvikelser och hjälpa inköparen att snabbt se vad som kräver uppmärksamhet.

Det för samman tre olika styrkor. Generativ AI gör det enkelt att ställa frågor, förstå samband och arbeta med information. Specialiserad programvara för inköpsoptimering bidrar med den operativa data och logik som krävs för att göra svaren relevanta. Inköparen tillför i sin tur den verksamhetskontext som inte alltid går att utläsa ur data.

Data och transparens – grunden för AI i inköpsplaneringen

Det finns samtidigt en viktig aspekt. AI kan göra avancerade beräkningar snabbare, men den kan inte trolla bort dåliga förutsättningar. Bra AI-stöd inköpsplanering kräver tillförlitlig data, stabila integrationer, realistiska ledtider, genomtänkta lagerstrategier och tydliga verksamhetsmål.

Ju mer av analysen och beslutsstödet som automatiseras, desto viktigare blir också transparensen. För inköparen räcker det inte alltid att få veta vad systemet rekommenderar. Det behöver också gå att förstå varför: Vilken data ligger bakom? Vilka antaganden har gjorts? Vad har förändrats sedan förra rekommendationen? Och vilka konsekvenser får olika beslut?

AI får inte bli en svart låda där användaren förväntas acceptera ett svar utan att förstå vad det bygger på. För att skapa förtroende behöver AI-stödet göra komplexa beräkningar mer begripliga – inte mindre.

Samtidigt måste verksamheten veta vad den faktiskt vill uppnå. Innan frågan blir ”Vad kan vi optimera med AI?” behöver det finnas ett svar på en mer grundläggande fråga: ”Vad vill vi optimera för?” Högsta möjliga tillgänglighet, lägre kapitalbindning, mindre risk eller rätt balans mellan dem?

EazyStock inköpsoptimering och AI

För EazyStock är AI inget som plötsligt dök upp i och med genombrottet för generativ AI. Maskininlärning har varit en del av vår efterfrågeprognostisering i år, där den används för att identifiera efterfrågemönster och anpassa prognosmetoder efter hur olika artiklar beter sig.

Det som förändras nu är var och hur AI kan bidra i fler delar av inköps- och planeringsarbetet.

Grunden är fortfarande densamma: att förstå efterfrågan och omsätta den i rätt lagernivåer och inköpsbeslut. Men ovanpå den grunden kan AI också göra det enklare för inköparen att förstå rekommendationer, hitta avvikelser och avgöra vad som faktiskt kräver uppmärksamhet.

Ett exempel är EazyStocks AI-drivna Why Order? Insights. Funktionen förklarar varför ett visst inköp rekommenderas utifrån den lagerdata, prognos och optimeringslogik som ligger bakom förslaget. Inköparen ser alltså inte bara vad systemet rekommenderar, utan får också hjälp att förstå varför.

EazyStocks Intelligent Help Assistant använder AI på ett annat sätt. Genom ett konversationsbaserat gränssnitt kan användaren ställa frågor, hitta information och få förklaringar på sitt eget språk. Här används AI inte för att ersätta själva inköpsoptimeringen, utan för att göra systemets kunskap och funktioner enklare att använda.

Det visar också hur olika tekniker kan fylla olika roller i inköpsoptimeringen. Maskininlärning kan hjälpa till att förstå och prognostisera efterfrågan. Optimeringsalgoritmer kan omsätta den informationen i lagerparametrar och inköpsförslag och AI-drivna insikter kan i sin tur göra resultaten enklare att förstå och agera på.

Utvecklingen inom AI går snabbt och vi kommer att fortsätta att utveckla AI-stödet vidare genom hela användarresan. Det kan bland annat vara fokus på fler AI-drivna assistenter som hjälper kunder att komma igång snabbare och arbeta mer effektivt, men också om att göra det enklare för inköpare att gå från insikt till handling.

För en inköpare med ansvar för 10 000 eller 50 000 artiklar innebär det inte att behovet av erfarenhet och omdöme försvinner. Inköparen behöver fortfarande förstå kunderna, leverantörerna och verksamheten. Det som förändras är hur mycket av matematiken, bevakningen och den löpande analysen som behöver göras manuellt.

När systemen kontinuerligt kan analysera efterfrågan, räkna om behov och lyfta fram de artiklar som faktiskt kräver uppmärksamhet förändras också inköparens roll.

Frågan blir mindre: ”Hinner jag gå igenom alla artiklar?”

Och mer: ”Vilka beslut behöver faktiskt mig, nu?”

Det är där vi ser den stora potentialen med AI inom inköpsoptimering. Framtidens inköpsoptimering handlar om handlar att kombinera data, optimering, AI och mänskligt omdöme för att fatta bättre lagerbeslut, i rätt tid och i stor skala.