I dagPlanlagt på historikk
- Produksjonsmiksen settes etter fjorårets salg per dimensjon
- Prislista justeres når konkurrentens liste dukker opp
- Lageret fylles på magefølelse og faste bestillingspunkt
- Utsolgt i mai, fullt lager i september
Bransje: Sagbruk og trelasthandlere
Fjorårets tall er ikke en prognose
Terrassebordsesongen treffer aldri likt to år på rad. Byggeaktiviteten svinger med renta, tømmerprisen med markedet ute, og likevel planlegges skur, tørke og lager mange steder etter hva som ble solgt i fjor. AI kan lage prognoser per varegruppe som faktisk følger markedet, og la dem styre både produksjonsmiks og innkjøp.
12 tspart per måned på manuell salgs- og lagerplanlegging
20 %lavere kapitalbinding i lager med prognosestyrt påfyll
8 tmindre prislistearbeid per måned med automatisk prisovervåking
30 %færre utsolgtsituasjoner i høysesong
Skiftet
Fra fjorårets tall til levende prognose
Med prognosePlanlagt på markedet
- Etterspørsel varsles per varegruppe uker frem, med vær, sesong og byggetakt i modellen
- Pris- og markedsendringer fanges opp og foreslås inn i lista
- Påfyll og skurplan følger prognosen, ikke kalenderen
- Riktig vare i riktig dimensjon når kunden faktisk spør
Tre konkrete muligheter
Der AI monner mest for sagbruk og trelast
Etterspørselsprognose per varegruppe
Salgshistorikk kombineres med sesong, værdata og byggeaktivitet til en prognose per varegruppe: konstruksjonsvirke, kledning, terrassebord, impregnert. Prognosen styrer hva som skjæres og tørkes, så trykket i mai ikke møtes med lager tilpasset november. Planleggingsmøtet starter med et ferdig forslag i stedet for et tomt regneark.
10 til 15 timer spart per månedPrisovervåking mot marked og tømmer
Tømmerpriser, trelastpriser og konkurrentenes utsalgspriser følges løpende, og systemet foreslår justeringer i egen prisliste når marginen driver. Dere slipper å oppdage i etterkant at et helt kvartal ble solgt på en prisliste som var akterutseilt da den ble skrevet.
6 til 10 timer spart per månedLager og påfyll uten gjetting
Bestillingsforslag mot egne sagbruk og eksterne leverandører genereres fra prognose og faktisk beholdning, med leveringstid per leverandør regnet inn. Kapital bindes ikke i dimensjoner som ikke rører seg, og butikkene i kjeden slipper å ringe rundt etter 48x198 i juni.
12 til 15 timer spart per månedTjenester og beslektede bransjer
AI-strategiHvor i verdikjeden gevinsten er størst hos dere
AutomatiseringPrognoser, prislister og bestillingsforslag som går av seg selv
AI-agenterSvar på lagerstatus og leveringstid, koblet til egne data
Kurs og opplæringTrygge folk bak disk og i produksjon
MøbelprodusenterOrdre, underlag og plan i én sammenhengende linje
GrossisterBestillinger fra e-post og telefon rett inn i systemet
Trygghet først
Prognoser skal tjene folkene som kan trelast
Pilot først
Vi starter med én varegruppe og måler prognosen mot faktisk salg i noen måneder, side om side med dagens planlegging. Først når den treffer bedre, får den styre mer.
Mennesket bestemmer
Prognosen foreslår, salgssjefen og produksjonslederen avgjør. Lokalkunnskapen om storkunder, byggefelt og væromslag legges oppå modellen, ikke under den.
Data under kontroll
Salgstall, marginer og kundeavtaler forblir deres. Ingenting deles eller brukes til trening utenfor huset, og oppsettet følger personvernregelverket og AI-forordningen.
Ofte stilte spørsmål
Er det lov å automatisk følge med på konkurrentenes priser?
Ja, å observere offentlig tilgjengelige utsalgspriser er ikke ulovlig i seg selv, det er noe innkjøpere og selgere har gjort manuelt i årevis. Det AI gjør er å samle informasjonen løpende og foreslå justeringer i egen prisliste når marginen driver, i stedet for at noen må sjekke konkurrentens nettside for hånd.
Hvor pålitelig er en prognose når renta endrer seg raskt?
Prognosen bygger på flere faktorer enn historikk alene, som sesong, vær og byggeaktivitet, men den blir aldri bedre enn dataene den får inn. Derfor kjøres den side om side med dagens planlegging i en periode, og salgssjef og produksjonsleder legger sin egen kunnskap om markedet oppå tallene, ikke under dem.
Hva skjer med prognosen i en sesong uten noe å sammenligne med, som en ekstrem sommer?
Da er treffsikkerheten lavere, akkurat som med enhver prognose i uvanlige forhold. Det er nettopp derfor mennesker fortsatt vurderer forslaget før det får styre skur og innkjøp, og en avvikende sesong er noe vi følger tettere i etterkant for å justere modellen.
Hvor mye kapital kan realistisk frigjøres fra lager?
Det varierer med hvor mye lager som i dag bindes opp i dimensjoner som ikke beveger seg, men prognosestyrt påfyll gir typisk en klar reduksjon i kapitalbinding uten flere utsolgtsituasjoner i høysesong. Det konkrete tallet for dere avdekkes i kartleggingen, ikke ved å anta et snitt fra andre.
Hva styrer produksjonsmiksen deres i dag?
Fortell oss hvordan planleggingen gjøres og hvor tallene bor, så vurderer vi sammen om en prognosemodell vil treffe hos dere. Den første samtalen koster ingenting.