En av utmaningarna med att diskutera Artificiell Intelligens är att just diskussionen i sig blir artificiell, eller för abstrakt. I den här artikeln skall vi försöka råda bot på just det genom att presentera ett väldigt konkret exempel.

I vårt specifika fall så utgår vi från ett enskilt företag inom modebranschen, Han&Hon AB. Han&Hon AB skulle säkert kunna finnas i just den här branschen, men i vårt exempel i den här artikeln så får det utgöra ett fiktivt exempel.

Han&Hon AB säljer kläder till män och kvinnor (därav namnet) och även om de har viss försäljning online redan så kommer merparten av försäljningen fortfarande från deras egna butiker.

Utmaningen för Han&Hon är att det är väldigt svårt att prognostisera försäljningen i butikerna. Det har lett till situationer där vissa butiker har blivit utan kläder att sälja, medan andra butiker har fått lager kvar som de inte lyckats sälja. Det som gör det extra utmanande är att försäljningen varierar stort under året samt att den såklart är kraftigt korrelerad med de kampanjer de väljer att aktivera. Det har gjorts försök med att prognostisera försäljning i butik, men då det är så många parametrar som har spelat in så har man inte kommit fram till en modell som i praktiken har kunnat användas.

Det ledningen för Han&Hon vill åstadkomma är en bättre och mer sofistikerad modell för att prognostisera försäljningen i sina butiker för att på så sätt optimera distribution och lagernivåer. Den finansiella vinningen om man lyckas med detta är signifikant och det kommer båda kunna leda till ökad försäljning, men även till en förbättrad lönsamhet.

För att uppnå det Han&Hon AB försöker uppnå i det här fallet så beslutade sig ledningen för att försöka sig på modellering och prognostisering av försäljning i butik genom att tillämpa Artificiell Intelligens, närmare bestämt genom regression i en matematisk modell byggd med hjälp av maskininlärning genom den metod som vi tidigare definierat som ”Övervakat lärande” (”Supervised learning” på engelska). Givet komplexiteten så beslutade man sig dessutom för att det var lämpligt att ta sig an denna uppgift genom matematisk modell strukturerad som neurala nätverk, så kallad djupinlärning. För att få koll på de begrepp som används här, så läs gärna artikeln som definiera vad Artificiell Intelligens är.

Grunden i varje AI-tillämpning är data och när det gäller data så är det relevant att prata om både kvalitet och kvantitet på data. Specifikt i maskininlärning så står kvalitén på resultatet i stark korrelation med mängd och kvalitet på data vi lär modellerna med.

Specifikt i fallet Han&Hon AB så hade vi lite tur för även om prognostiseringen inte haft vidare precision tidigare så hade företaget bra ordning på underliggande historiska försäljningsdata från de olika butikerna.

För de olika butikerna skapades ett strukturerat dataunderlag som innehöll numeriska data om försäljning per dag i respektive butik med följande data i tillägg:

• Veckonummer
• Veckodag
• Stad
• Butikstyp
• Marknadsföringsnivå
• Rea
• Helgdag

Totalt blev det ett dataunderlag med närmare 100-tusen rader data och i definition av lösningen bestämdes att 80% av data skulle användas för att träna modellen, 10% för att validera den och 10% för att testa den.

I grunden är modellen som definierades en modell för regressionsanalys som syftade till att kunna prognostisera försäljning i butik. Med traditionella analysmetoder så hade det varit väldigt svårt, för att inte säga omöjligt, att ta med alla de olika dimensionerna som potentiellt kunder påverka försäljningen. Den modell för maskininlärning som definierades strukturerades som neurala nätverk, så kallad djupinlärning med olika dolda lager i tillägg till input och output.

När väl modellen var definierade var det dags att exekvera den och låta modellen lära sig baserat på den träningsdata som var definierade, dvs. 80% av den totala mängd data som fanns tillgänglig.

I maskininlärning med neurala nätverk så processar man samma dataset genom den matematiska modellen flera gånger och vid varje genomgång så förfinas modellen. Detta fortsätter man med tills felmarginalen hamnar på en acceptabel låg nivå, i vårt fall med Han&Hon alltså skillnaden mellan den försäljning som vår modell lyckades prognostisera i jämförelse med den faktiska försäljningen.

Felet mellan prognostiserad och faktisk försäljning mättes som medelkvadratvfel (Mean Square Error, MSE, på engelska). Medelvadratfel mäter alltså den genomsnittliga kvadratiska skillnaden mellan prognostiserad försäljning och faktiskt försäljning. En helt perfekt modell skulle ge ett medelkvadratfel på 0. I vårt exempel med Han&Hon AB så landade vi på 0,165 för träningsdatan och 0,164 för valideringsdatan efter att ha processat träningdatan 8 gånger genom modellen (bästa resultat uppnåddes efter tredje iterationen). En relativt god precision alltså som var tillfredsställande för Han&Hon:s syften.

Med den ansats som Han&Hon tagit med hjälp av Artificiell Intelligens hade man nu lyckats skapa en analytisk modell som med relativt hög precision skulle kunna prognostisera försäljningen i en enskild butik, givet en relativt komplex uppsättning styrande parametrar (veckonummer, veckodag, stad, butikstyp, marknadsföringsnivå, rea, helgdag).

Nu när Han&Hon lyckats definiera en modell som med hjälp av Artificiell Intelligens kunde prognostisera försäljningen i enskild butik med relativt hög precision så återstod frågan kring hur modellen skulle implementeras för att verkligen kunna användes i den dagliga verksamheten för företaget.

Modellen som företaget byggt gjordes tillgänglig internt inom företaget genom ett API (”Application Programming Interface”, dvs. digital definierat gränssnitt som möjliggör kommunikation mellan olika system). Företagets planering och inköpssystem integrerades sedan mot AI-systemet genom detta API. Detta gjorde det möjligt för inköparna att snabb kunna få prognostiserad försäljning för enskilda butiker och totalt, innan inköp och distribution planerades och genomfördes.

Genom denna lösning kunde Han&Hon öka försäljning av kläder i butik givet att man ökade tillgängligheten på produkterna där efterfrågan fanns, men man lyckades också förbättra lönsamheten genom minskade kostnader till följd av minskat överlager, minskat behov av att rea ut ej sålda varor samt minskat behov av att kassera varor som inte gått att sälja över huvud taget.

Syftet med detta exempel var att visa på ett konkret fall där AI genom maskininlärning kunnat implementeras och ha en signifikant positivt finansiell effekt. Han&Hon AB finns inte i verkligheten, men utmaningen som Han&Hon stod inför är reell och möts av i princip alla företag som säljer produkter i butik.

I detta exempel har vi använt oss plattformen Peltarion för att konkret visa på hur AI kan användas i en verklig affärsmässig situation.