Graf-nevrale nettverk brukt på et ekte FMCG-datasett gir bedre etterspørselsprognoser enn tradisjonelle tidsseriemodeller.
Etterspørselsprognoser har ofte behandlet hver SKU separat som en tidsserie, men forsyningskjeder er nettverk der SKU-er deler fabrikker, produktgrupper og lagre. I forsøket med SupplyGraph inngikk 40 aktive SKU-er, 9 fabrikker, 21 produktgrupper, 36 undergrupper og 13 lagre; hver SKU hadde i snitt omtrent 41 koblinger. Datasettet inneholdt 221 dager med daglige signaler for salgsordre, levering til distributør, fabrikkutlevering og produksjon. Nesten halvparten av SKU‑dagene hadde nullsalg, og produksjon forekommer i store, sjeldne batcher. En enkel naiv baseline (‘i morgen = i dag’) ga WAPE 0,86 og null bias, men skapte likevel operasjonelle problemer. I forsøket brukte man GraphSAGE, en form for kunstlig intelligens (KI) som lar SKU-er hente informasjon fra naboer i nettverket, og denne grafbaserte tilnærmingen gav bedre resultater enn tradisjonelle metoder.
Modellen ble evaluert med WAPE (vekta absolutt prosentfeil) og Bias (systematisk over- eller underestimering); WAPE måler volumfordelingsfeil og Bias angir driftsmessig kostnad ved feil.
Relevans for Norge: Norske produsenter og dagligvarekjeder møter tilsvarende utfordringer med mange SKU-er, intermittente salg og lagerfordeling, og temaet omtales i fagpressen som AI-nyheter.
Kilde: https://towardsdatascience.com/time-series-isnt-enough-how-graph-neural-networks-change-demand-forecasting | Sammendraget er KI-generert med OpenAI API og kvalitetssikret av redaksjonen i Ainy.no
