Att hantera kundernas efterfrågan och optimera sitt lager för perfekt lagersaldo- och omsättningshastighet är en process som involverar många både enkla och mer oförutsägbara steg. Det finns flera parametrar att ta hänsyn till vilket gör det svårt att få en översikt, vilket i sin tur resulterar i missade mål och dålig lageromsättning.

Allt detta gör det till ett mycket lämpligt område för tillämpad AI, inte minst för att en algoritm alltid är objektiv, till skillnad från människor som tenderar att underskatta eller överskatta siffror.

Syfte
GKN, en världsledande flyg- och rymdkomponentsleverantör, hade stora resurser bundna i lager och ville bland annat förbättra sina lagerprognoser.

Datakällor
I det här projektet har vi använt historiska data om lagernivåer, program- och produktionsdata samt kvalitetsdata och kundprognoser.

Teknologier
Hierarkiska neurala nätverk, bayesianska neurala nätverk och boostade träd.

Resultat
Tenfiftys algoritm visade väsentligt förbättrade prognoser jämfört med tidigare använda modeller. Resultatet och algoritmerna användes av kunden som prestationsresultat för prognoser över olika tidshorisonter och fungerade som bas för ett nytt och utökat projekt.

Author

Anders Bjurström
CEO