För en bagerikedja som driver flera dussin försäljningsställen producerade arbetet med MAWEB en 58 % färre returer (till bokpriser) vid sidan av en 10 % högre omsättning. Den kombinationen spelar roll, för i den här branschen är det enklaste sättet att skära ner returer att producera och leverera mindre – vilket vanligtvis slutar i tomma hyllor och fallande försäljning. Här höll inte omsättningen bara; den växte, vilket visar att modellen nådde verklig efterfrågan snarare än att bara trimma leveranser.
Utöver minskningen av returer, pekar kunden på en andra fördel med arbetet: deras försäljningsdata kom i ordning. Siffror från enskilda försäljningsställen, som tidigare var spridda och inkonsekventa, förenades och blev en grund för att hantera hela kedjan – inte bara för prognoser.
Klienten
En bagerikedja som verkar över flera dussin försäljningsställen. Före implementeringen vilade produktions- och leveransplaneringen på personalens erfarenhet vid varje enskild försäljningsställe, vilket i den skalan skapade inkonsekvens mellan platser och försvårade centraliserad lagerhantering.
Servicepaket
Demand Prediction — en AI-modell som prognostiserar försäljningen för enskilda butiker och produkter, stödjer beslut om produktions- och leveransvolymer.
Mål
- Minska returer och förluster från överproduktion utan att försämra varutillgången i butikerna.
- Behålla eller öka omsättningen – färre returer fick inte minska försäljningen.
- Förena och organisera försäljningsdata från varje butik som en grund för bättre ledning av kedjan.
Mätmetod: en jämförelse av returer till bokfört värde och omsättning före och efter att prognosmodellen togs i bruk.
Leverans
MAWEB samlade in och organiserade kundens historiska försäljningsdata från varje försäljningsställe — försäljning, leveranser, returer och de externa faktorer som flyttar efterfrågan (kalender, veckodagar, helgdagar bland dem). På grundval av detta byggde vi en prediktiv modell som förutser försäljningen separat för varje butik och produkt, och genererar dagliga rekommendationer för produktions- och leveransvolymer.
En nyckelkomponent i modellen var skyddsåtgärderna som begränsar risken för att optimering av returer skulle minska produkttillgängligheten och omsättningen – modellen minskar inte leveranserna mekaniskt, den matchar dem med den förväntade efterfrågan på den specifika platsen.
Parallellt med implementeringen förenades data från de enskilda butikerna – som tidigare behölls olika beroende på plats – till ett gemensamt format. Oberoende av själva prognoserna gav det kunden en sammanhållen bild av försäljningen över hela kedjan, som de också använder för den dagliga ledningen.
Resultat
- 58 % färre returer (till bokpriser, mot perioden före genomförandet).
- Omsättningen ökade med 10 % samma period – färre returer ledde inte till lägre försäljning.
- Försäljningsdata organiserad över hela kedjan – utsedd av kunden som en ytterligare fördel med arbetet, som går utöver själva förutsägelsen och stödjer bättre ledning av verksamheten.