Et retailprosjekt viste at en enkel prognosemodell ga raskere kostnadsbesparelser enn en mer presis løsning som tok måneder å utvikle.
En detaljhandelskjede med 50 butikker og omtrent 10 000 SKU sto overfor rundt 2 millioner dollar i årskostnader knyttet til overlager. Data science-teamet satte et mål om 5% MAPE og brukte åtte måneder på omfattende datarensing og modellbygging; den detaljerte modellen nådde 6% MAPE i testmiljø. Parallelt definerte teamet en «region of indifference» og laget en minimal renset baseline på to uker som ga 22% MAPE. Basisen identifiserte raskt overlagringsmønstre og ble pilotert i fem butikker, med 25% reduksjon i overlager i første kvartal – ved ekstrapolering tilsvarte dette om lag 500 000 dollar årlig.
Modellen ble kontinuerlig forbedret i produksjon, blant annet ved å endre tapfunksjonen for å straffe overprediksjoner mer fordi overlager var tre ganger dyrere enn manglende salg. Erfaringene illustrerer prinsipper for verdidrevet utvikling av kunstlig intelligens (KI): definér forretningsverdi, deploy raskt og juster etter reell feedback.
Relevans for Norge: Norske detaljhandelskjeder håndterer tilsvarende utfordringer med lagerstyring og overlager, og erfaringene fra prosjektet er relevante for norske aktører og for AI nyheter om anvendelser i handel.
Kilde: https://bdtechtalks.com/2025/09/12/machine-learning-perfect-data?amp%3Butm_campaign=machine-learning-perfect-data | Sammendraget er KI-generert med OpenAI API av Ainy.no
