Grundlæggende var vedligeholdelsen opdelt i to kategorier: planlagt vedligehold og uplanlagte reparationer.

Den planlagte vedligeholdelse blev gennemført af både sikkerhedsmæssige og økonomiske årsager. Den uplanlagte vedligeholdelse opstod derimod, når noget gik i stykker eller krævede reparation tidligere end forventet.

Og det var naturligvis den sidste kategori, der gav de største udfordringer.

For hvordan sikrer man, at de rigtige reservedele er på lager, når man ikke ved, hvad der går i stykker? Og hvordan sikrer man, at de nødvendige ressourcer og faglige kompetencer er til rådighed på det rigtige tidspunkt?

I praksis blev meget af dette håndteret kvalitativt og med en god portion Fingerspitzengefühl. Det fungerede til en vis grad, men resultatet var også, at man jævnligt manglede enten reservedele, ressourcer eller begge dele.

Kan det uplanlagte gøres mere planlagt?

Det interessante spørgsmål blev derfor:

Kunne vi gøre en del af det uplanlagte vedligehold mere forudsigeligt?

Vi begyndte med at anlægge et mere kvantitativt perspektiv og tog udgangspunkt i organisationens eksisterende klassifikationer af fejltyper.

Tanken var egentlig ganske enkel. Hvis vi kunne finde systematiske mønstre i, hvornår forskellige fejl opstod, kunne vi måske også prognosticere, hvor mange fejl af de enkelte typer der ville opstå hen over året.

Og hvis det var muligt, kunne prognoserne direkte omsættes til to meget konkrete ting:

• forventet behov for reservedele på lager
• forventet ressourcetræk, både i antal timer og i nødvendige faglige kompetencer

Fra erfaring til matematisk model

Næste skridt var derfor at undersøge, om historiske fejlregistreringer kunne anvendes i egentlige matematiske prognosemodeller.

Vi valgte blandt andet Holt-Winters-modellen, en klassisk tidsrækkemodel, der løbende tilpasser sig nye observationer og kan modellere niveau, trend og sæsonvariation.

Via parameterstyret eksponentiel udglatning får nyere observationer større betydning end ældre observationer. Modellen kan derfor gradvist tilpasse sig, hvis mønstret i data ændrer sig.

I moderne terminologi ville mange uden tøven placere denne type modeller under den brede AI-paraply er kaldes ML (Machine Learning), men på daværende tidspunkt betragtede vi dem mere nøgternt som avancerede statistiske prognosemodeller.

Og skepsissen var betydelig.

Kan man virkelig forudsige fejl?

Bliver prognoserne ikke alt for usikre?

Er erfarne planlæggere ikke bedre til det?

Der var kun én fornuftig måde at afgøre det på: at teste modellerne mod virkeligheden.

Resultaterne var overraskende gode

Vi anvendte de historiske data til at generere prognoser og sammenholdt efterfølgende prognoserne med de faktisk realiserede fejl.

Modellerne ramte overraskende fornuftigt.

Især var de gode til at identificere sæsonvariationer og trends, hvor nogle fejltyper viste sig at være tæt korrelerede med blandt andet vejr- og temperaturforhold.

For de fejltyper, der blev testet, lå prognosenøjagtigheden i størrelsesordenen 75-90 %.

Men der var fortsat skepsis.

Så vi lavede et meget simpelt tankeeksperiment.

Fra 50 % til 87,5 % planlægningsbar vedligeholdelse

Antag for enkelhedens skyld, at:

50 % af vedligeholdelsen er planlagt 50 % af vedligeholdelsen er uplanlagt

Hvis vi kan prognosticere 75 % af den uplanlagte vedligeholdelse, får vi:

50 % + (50 % × 75 %) = 87,5 %

Det betyder naturligvis ikke, at 87,5 % af vedligeholdelsen pludselig bliver planlagt vedligehold i klassisk teknisk forstand.

Men 87,5 % bliver i princippet planlægningsbar.

Man kan i langt højere grad forudse behovet for reservedele, bemanding og specifikke kompetencer. Og dermed reducere konsekvenserne af den usikkerhed, der normalt følger med uplanlagte reparationer.

Det var faktisk en ret vild mental erkendelse.

For spørgsmålet var ikke længere, om modellen kunne forudsige hver enkelt fejl perfekt.

Det interessante var, om den var tilstrækkelig præcis til at skabe forretningsmæssig værdi.

Og det viste den sig at være.

Og det er her, moderne AI bliver rigtig interessant

Denne type kvantitative modeller er ikke nye. Det nye er de muligheder, der opstår, når de kombineres med moderne AI og machine learning.

Klassiske tidsrækkemodeller kan være særdeles effektive, når data indeholder relativt stabile mønstre i niveau, trend og sæson.

Moderne machine-learning-modeller kan supplere dem ved at analysere langt flere faktorer samtidigt og identificere sammenhænge, som ikke nødvendigvis er lineære.

Det kan eksempelvis være sammenhænge mellem fejl og:

• temperatur og øvrige vejrforhold
• belastning og anvendelsesgrad
• materiellets alder
• historiske reparationer
• komponenttype
• driftsmønstre
• leverandører og reservedelstyper

Dermed bevæger man sig gradvist fra:

reaktion → prognose → egentlig prædiktion og optimering.

Og det er måske den vigtigste pointe.

Michael K. Kærgaard
+45 28 40 20 09
kontakt@aintelligence.dk
www.aintelligence.dk

The post SCM: Avancerede prognosemodeller og den værdi, de kan skabe first appeared on .

AI i indkøb bliver ofte præsenteret som et spørgsmål om at indføre en agent eller en chatbot. Men den største værdi opstår sjældent ved at starte med agenten. Først skal data og de centrale KPI’er være på plads, derefter kan kendte og gentagne processer automatiseres, og oven på dette fundament kan AI-agenter bruges til at undersøge problemstillinger, kombinere information og anbefale eller iværksætte konkrete procesaktiviteter.

Artiklen beskriver denne udviklingsrejse og viser, hvordan en moderne indkøbsfunktion kan bevæge sig fra klassisk rapportering til en mere proaktiv, datadrevet og handlingsorienteret arbejdsform.

Som konkret teknologisk udgangspunkt kan en løsning bygges på Microsoft-platformen med Power BI til analyse, rapportering/KPI og performance management, Power Automate til procesautomation og Copilot Studio til agentlaget, mens SAP eller et tilsvarende system fungerer som det centrale ERP-system og transaktionssystem.

En robust vej er derfor at bygge løsningen i tre sammenhængende trin:

Analyse / AI / BI → Procesautomation → Agenter

Pointen er ikke, at der er tale om tre separate løsninger. Tværtimod. Det datagrundlag, der etableres til analyse og performance management, bliver også fundamentet for automation og de AI-agenter, der senere skal kunne analysere en situation, anbefale en handling og typisk efter godkendelse udføre handlingen.

Første skridt er at forstå performance

For de fleste indkøbsorganisationer vil det naturlige udgangspunkt derfor være data.

ERP-systemet indeholder allerede store mængder information om leverandører, indkøbsordrer, produkter, lagre, priser, leverancer og fakturaer. Kombineret med andre datakilder giver det mulighed for at etablere et fælles performancegrundlag.

I en Microsoft-baseret løsning vil et værktøj som Power BI typisk anvendes til at opbygge rapporter og KPI’er omkring eksempelvis:

• Forbrug og udvikling i forbruget
• Prisafvigelser ved indkøb
• OTIF (On Time & In Full) og leveringssikkerhed
• Leveringstid og forsinkelser
• Leverandørkvalitet
• Kontraktoverholdelse
• Indkøb uden for aftaler
• Leverandørkoncentration
• Proces- og gennemløbstider

Resultatet er ikke bare nye dashboards. Den vigtige gevinst er et fælles og konsistent billede af indkøbsfunktionens performance.

En indkøbsmedarbejder eller chef kan eksempelvis hurtigt identificere, at en vigtig leverandør både har faldende OTIF, stigende leveringstid og en negativ prisudvikling.

AI gør BI mere dialogbaseret og analytisk

Når data og KPI’er først er organiseret i en god semantisk model, kan AI gøre analysearbejdet langt mere tilgængeligt.

I stedet for udelukkende at navigere gennem rapporter, filtre og grafer kan brugeren stille spørgsmål som:

• Hvilke fem leverandører har haft den største forværring i leveringsperformance de seneste seks måneder?
• Er den faldende leveringsperformance koncentreret omkring bestemte produktkategorier?
• Hvilke leverandører kombinerer højt indkøbsvolumen, stigende priser og faldende kvalitet?

AI bliver dermed ikke en erstatning for Business Intelligence. AI bliver en ny måde at arbejde med BI på.

De klassiske Power BI-rapporter giver fortsat den strukturerede og visuelle performance management. AI tilføjer muligheden for dynamisk at undersøge data gennem naturligt sprog.

Fra rapportering til proaktiv performance management

Det næste trin er at lade systemet reagere, når noget væsentligt sker.

Hvis organisationen allerede har defineret sine KPI’er, kan relevante indikatorer overvåges automatisk.

• OTIF falder under en kritisk grænse
• En leverandørs leveringstid stiger markant
• Purchase Price Variance overskrider en tolerance
• En kritisk ordre bliver forsinket
• Indkøb uden for aftaler vokser
• En vigtig kontrakt nærmer sig udløb
• En leverandør kombinerer højt indkøbsvolumen med vedvarende faldende performance

Her kan Microsofts Fabric Activator overvåge de relevante KPI’er og sende en mail eller Teams-notifikation eller endog eksekvere en proces, når en defineret situation opstår.

Dermed bevæger indkøbsfunktionen sig fra:

“Hvad viser rapporten, når vi ser på den?”

til:

“Fortæl os, når noget kræver vores opmærksomhed.”

Det er en væsentlig ændring.

Næste skridt er procesautomation

Når data og processer er på plads, kan kendte og gentagne arbejdsprocesser automatiseres.

Her kommer Power Automate typisk ind.

• Godkendelsesprocesser
• Leverandøronboarding
• Opfølgning på forsinkede indkøbsordrer
• Leverandørperformance-reviews
• Håndtering af afvigelser og undtagelser
• Standardiseret kommunikation
• Opdatering af relevante ERP-data
• Procesrouting mellem indkøb, økonomi og andre funktioner

Hvis ERP-systemet eksempelvis er SAP on-premises, betyder cloudbaseret automation ikke nødvendigvis, at SAP skal flyttes til cloud.

Power Automate kan gennem en sikker gateway og SAP’s integrationsinterfaces kommunikere med det eksisterende SAP-miljø.

Dermed kan SAP fortsat være organisationens autoritative system, mens Microsoft-platformen leverer analyse, brugeroplevelse, workflow og automation alt sammen understøttet af AI.

Først nu bliver agenten for alvor interessant

Når analysefundamentet og de automatiserede processer eksisterer, har en AI-agent noget meget mere værdifuldt at arbejde med.

En indkøbsagent kan eksempelvis få spørgsmålet:

”Undersøg de fem leverandører med den største forværring i performance og vurder, hvilke der kræver handling.”

Agenten kan nu gå videre end en traditionel BI-forespørgsel.

1. Hente performance-data,
2. Analysere OTIF, leveringstid, kvalitet, prisudvikling og indkøbsvolumen,
3. Finde relevante kontrakter og dokumenter,
4. Inddrage relevante mails og anden leverandørkommunikation,
5. Sammenholde strukturerede og ustrukturerede informationer,
6. Vurdere situationen,
7. Anbefale relevante handlinger.

Det er her, Copilot Studio bliver interessant som agentplatform.

Teknisk kan agenten anvende en Fabric Data Agent til at stille spørgsmål til virksomhedens Power BI Semantic Model og dermed til ERP-data, Dokumenter og mails kan samtidig gøres tilgængelige gennem RAG, hvor AI’en automatisk finder den information, der er relevant for den aktuelle problemstilling.

Det betyder, at agenten ikke alene baserer sig på den generelle viden i en sprogmodel. Agenten får adgang til virksomhedens konkrete og aktuelle forretningskontekst.

Fra anbefaling til handling

Den måske vigtigste forskel mellem dialogbaseret analyse (conversational analytics) og en egentlig agent opstår imidlertid bagefter.

“Leverandør A og B bør prioriteres.”

Agenten kan også foreslå:

“Jeg anbefaler at starte en leverandøropfølgning for A og indkalde B til et leverandørperformance-review.”

Brugeren kan herefter godkende anbefalingen.

Agenten aktiverer det relevante Power Automate-flow, og flowet gennemfører den kontrollerede proces mod eksempelvis SAP, Teams, mail eller andre systemer.

BI skaber indsigt. Agenten vurderer og anbefaler. Mennesket godkender. Automation udfører.

AI-agenten behøver ikke have fri adgang til virksomhedens ERP-system. Agenten kan vælge mellem et katalog af kontrollerede og godkendte handlinger, mens eksisterende autorisationer, forretningsregler og godkendelseskrav fortsat gælder.

Én sammenhængende brugerrejse

Det interessante er, at de forskellige teknologier kan bindes direkte sammen.

Forestil dig følgende arbejdsdag:

En medarbejder arbejder i en Supplier Performance-rapport i Power BI. Fem leverandører identificeres gennem filtre og analyse. Brugeren vælger “Send til indkøbs Agent”, og de fem leverandørers ID’er og den relevante analysekontekst sendes videre til agenten.

“Undersøg de fem leverandører nærmere.”

Agenten analyserer performance og supplerende dokumentation.

“Hvad anbefaler du?”

Agenten kommer med konkrete forslag.

“Start opfølgning på leverandør A og B.”

Efter den nødvendige godkendelse gennemfører Power Automate processen og kommunikerer med de relevante systemer. Det, der begyndte som en observation i et dashboard, ender dermed som en kontrolleret forretningshandling.

AI ændrer dermed ikke alene brugergrænsefladen

Den egentlige værdi ligger ikke alene i, at en medarbejder kan chatte med virksomhedens data.

Data → indsigt → opmærksomhed → analyse → beslutning → handling

En traditionel indkøbsproces kan kræve, at en person opdager et problem i en rapport, undersøger flere datakilder, finder korrespondance og kontrakter, vurderer problemet, kontakter de relevante personer og derefter gennemfører en proces i ERP-systemet.

I en AI-understøttet model kan store dele af denne informationssøgning, sammenstilling og proceshåndtering automatiseres, mens de forretningsmæssige beslutninger fortsat kan være under menneskelig kontrol.

Det er derfor vigtigt at starte det rigtige sted

Det kan være fristende at begynde et AI-projekt med spørgsmålet:

“Hvilken agent skal vi bygge?”

Det mere værdifulde spørgsmål er ofte:

“Har vi det nødvendige data- og procesfundament til, at en agent faktisk kan skabe værdi?”

1. Data og performance (Power BI)

Skab et troværdigt analysegrundlag med fælles KPI’er og forretningsdefinitioner.

2. Monitorering og procesautomation (Power Automate)

Automatisér overvågning og de processer, som allerede kan beskrives deterministisk.

3. Agentbaseret AI (Copilot Studio)

Lad agenten anvende data, viden og de etablerede processer til at undersøge situationer, ræsonnere, anbefale og orkestrere handling.

På den måde bliver AI ikke endnu et isoleret IT-værktøj oven på organisationens eksisterende systemer.

AI bliver i stedet det intelligente lag, der binder indsigt og handling sammen.

Mål → identificér → forstå → beslut → udfør → mål effekten.

Det er dér, AI for alvor kan flytte indkøbsfunktionen fra rapportering og reaktiv opfølgning til en mere proaktiv, AI/datadrevet og handlingsorienteret måde at arbejde på.

Michael K. Kærgaard
+45 28 40 20 09
kontakt@aintelligence.dk
www.aintelligence.dk

The post SCM: Sådan skaber AI værdi i indkøbsfunktionen first appeared on .