Tekoäly kysynnän ennustamisessa: tarkemmat ennusteet kuin lupasimme
- 2 päivää sitten
- 3 min käytetty lukemiseen
Teksti: Roni Kleme, AI Engineer
Tarkka kysyntäennuste on Supermindin automaattisen täydennystilaamisen sydän. Tammikuun tuoteuutisissa arvioimme uusien tekoälypohjaisten ennustemalliemme yltävän yli 85 %:n tarkkuuteen, ja tekoälyennusteet ovat jo käytössä usealla asiakkaalla osana päivittäisiä täydennys- ja ostopäätöksiä. Nyt ennustetarkkuus on mitattu asiakkaamme todellisesta myynnistä koko ketjun laajuudelta: kaikki tämän artikkelin luvut perustuvat kymmenientuhansien tuote-lokaatioiden myyntiin. Lupaus piti, ja reilusti.
Tulokset: ennustetarkkuus lokaatio- ja ketjutasolla
Tekoälyn tarkkuus on koko ketjun tasolla 95–96 % ja yksittäisen lokaation tasolla noin 88 %. Tammikuussa lupasimme yli 85:n prosentin tarkkuutta.
Nykyiset tilastolliset mallimme ovat palvelleet asiakkaitamme luotettavasti jo vuosia, ja ne antoivat vertailulle kovan perustason. Tekoäly paransi tarkkuutta silti entisestään joka jaksolla: ketjutasolla keskimäärin lähes neljä prosenttiyksikköä.
Selvin etu mitattiin A-luokan tuotteissa: niissä parannus oli keskimäärin lähes neljä ja parhaimmillaan yli kuusi prosenttiyksikköä. A-tuotteet ovat ABC-luokittelun kärkiryhmä eli ne parhaiten myyvät tuotteet, jotka kattavat yhdessä noin 80 prosenttia koko myynnistä. Ne ovat vajaa kolmannes valikoimasta mutta valtaosa tilausriveistä, joten parannus osuu juuri sinne, missä sillä on eniten merkitystä. Etu ei rajoittunut kärkeen: myös B-luokan tuotteissa tekoäly oli keskimäärin nykyisiä ennusteita tarkempi, ja yhdessä A- ja B-luokka kattavat noin 95 prosenttia myynnistä.
Prosenttiyksikköinä ero näyttää maltilliselta, mutta ketjutason ennustevirhe pieneni 8,2 prosentista 4,6 prosenttiin, eli virheestä katosi yli 40 prosenttia. Koko ketjun skaalassa se on suuri määrä säästettyä rahaa. Kyse ei ole vain siitä, että yli- ja aliennusteet kumoaisivat toisensa kokonaissummassa, sillä tekoälyennuste ennustaa tilastollisia malleja tarkemmin mitä todella myydään.
Miten luvut mitattiin
Vertasimme tekoälyn viikkoennusteita toteutuneeseen myyntiin kolmella erillisellä, seitsemän viikon testijaksolla kevään ja alkukesän 2026 aikana. Vertailukohtana käytimme asiakkaan nykyisiä tilastollisia ennusteita.
Ennusteet laskettiin tarkimmalla mahdollisella tasolla eli tuote-lokaatiokohtaisesti. Kun raportoimme lokaatio- tai ketjutason tuloksia, ne ovat aina näiden tuhansien yksittäisten ennusteiden summia.
Tarkkuus mitattiin viikko kerrallaan vertaamalla ennustetta saman viikon toteutuneeseen myyntiin. Esimerkiksi 95 %:n tarkkuus tarkoittaa, että koko seitsemän viikon jakson aikana ennuste erosi todellisesta myynnistä yhteensä vain 5 %.
Mistä tekoälyn etu syntyy?
Tekoäly oppii koko ketjun myyntihistoriasta kerralla eikä seuraa yhtä sääntöä, vaan yhdistää useita eri signaaleja, kuten:
Myyntihistorian lyhyeltä ja pitkältä ajalta
Myyntiprofiilin, eli sen kuinka usein ja kuinka paljon tuotetta tyypillisesti myydään
Trendin, eli onko tuotteen myynti kasvussa vai laskussa
Tulevaisuustiedon, kuten sesongit, kampanjat, hinnanmuutokset ja pyhät, jotka tunnetaan kalenterista etukäteen
Tulevaisuustieto on tekoälyn ylivoimaisimpia vahvuuksia, koska tilastolliset menetelmät eivät voi hyödyntää sitä: ne voivat vain jatkaa historiaa.
Kampanjat: tulevaisuustieto on ennusteen arvokkain raaka-aine
Mittasimme tulevaisuustiedon vaikutuksen kampanjatiedolla, ja se näkyi kolmella tavalla:
Alkavat kampanjat: mikään ennuste ei voi ennakoida kampanjaa, josta se ei tiedä. Kun malli sai tiedon tulevista kampanjoista, näiden tuotteiden ennustetarkkuus nousi 28 prosenttiyksikköä ja ylsi 97 prosenttiin.
Kampanjattomat tuotteet: myös tavallisten tuotteiden ennusteet tarkentuivat, koska malli oppii erottamaan kampanjapiikit normaalista kysynnästä.
Tilaaminen: puutteet ja ylivarasto pienenivät samanaikaisesti, kumpikin lähes kymmenyksen.
Suurin hyöty syntyy, kun malli saa tiedon myös tulevista kampanjoista. Siksi kytkemme kampanjakalenterin ennusteeseen yhdessä asiakkaidemme kanssa.
Kuinka hyvä 95–96 prosentin tarkkuus on?
Vertailukohdaksi kelpaa maailman suurin vähittäiskaupan ennustekilpailu M5, jossa yli 5 500 tiimiä ennusti Walmartin myyntiä. Kilpailun kovin tilastollinen vertailumalli osoittautui niin vaikeaksi voittaa, että vain 7,5 prosenttia tiimeistä onnistui siinä.
Ajoimme saman mittelön omalla datallamme: käytimme kilpailun virallista mittaria ja laskimme saman tilastollisen vertailumallin ennusteet meidän myynnistämme. Mallimme ylitti tämän riman jokaisella mittaustasolla, ja ketjutasolla tuloksemme ylsi samaan kuin kilpailun voittajaratkaisu.
Vertailu on meille epäedullinen: Walmartin volyymit ovat valtavia ja kilpailun tyypillinen tuote myi lähes joka viikko vuoden ympäri, kun taas suomalaisen kaupan valikoimat ovat laajoja ja iso osa tuotteista myy vain osan vuodesta. Ennusteteknologia, joka pärjäisi maailman kärjessä, tekee siis nyt täydennystilausehdotuksia suomalaisissa kaupoissa.
Tarkempi ennuste, pienemmät varmuusvarastot
Täydellinen hyllysaatavuus olisi helppo saavuttaa tilaamalla aina reilusti liikaa. Ennusteen todellinen tehtävä on tasapaino: hyvä saatavuus mahdollisimman pienellä varastolla ja hävikillä. Tämä tasapaino saavutetaan varmuusvarastoilla, ja varmuusvaraston tarve seuraa suoraan ennustevirheestä: mitä tarkempi ennuste, sitä pienemmällä puskurilla sama hyllysaatavuus voidaan turvata. Tekoälyn tarkkuusetu ei siis jää vaan paperille, vaan se näkyy konkreettisesti ajan mittaan kevyempänä varastona.
Nykyisin varmuusvarastot mitoitetaan tyypillisesti ABC-luokitukseen perustuvilla säännöillä, mikä on toimiva tapa hallita asetuksia tuhansille tuotteille kerralla. Tulossa oleva parannus vie mitoituksen askeleen pidemmälle: pohjana on kunkin tuote lokaation mitattu ennustetarkkuus, ja rinnalla säännöt, jotka käsittelevät poikkeustilanteet. Tarkkuustieto ohjaa jatkossa myös ennustemenetelmän valintaa. Tekoälyennusteita ei tarvitse odottaa: ne ovat käytössä jo nyt, ja uudistukset täydentävät niitä. Kerromme lisää lähempänä julkaisua.
Kysyttävää tekoälystä ennusteiden takana?
Ota rohkeasti yhteyttä — vastaan mielelläni kysymyksiin malleista ja ennustamisen tekniikasta.
Roni Kleme
AI Engineer, Supermind
Jos haluat tietää, mitä tekoälyennusteet tarkoittaisivat teidän valikoimassanne ja tilaamisessanne, ota yhteyttä yhteydenottolomakkeen kautta tai suoraan sähköpostitse osoitteeseen petri.lindholm@supermind.com.
