Af Greg Nowak. Senest opdateret 2026-10-06.
Hvilke varer skal I genbestille nu for at have dem hjemme til Black Friday? Det afhænger af både efterspørgslen og det, leverandørerne kan nå at levere. Køber I for meget, binder I kapital på lageret. Køber I for lidt, kan de populære størrelser og farver være udsolgt, mens kampagnen stadig kører.
Kunne jeres virksomhed bruge det her? nowa.dk sætter AI-automatisering op for danske virksomheder.
Brug oktober til at afprøve en daglig liste med forslag til genbestilling. Listen samler salg, lagerstatus og forventet efterspørgsel og viser begrundelsen for hvert forslag. Den indkøbsansvarlige godkender forslagene, mens jeres nuværende indkøbsproces fortsætter. Det giver jer mulighed for at vurdere, om listen er til at stole på, før den får betydning for indkøbene.
I AWS’ arkitektureksempel fra 11. september 2026 kombineres Chronos-2-prognoser med faste beregninger og kontrol af indkøbsregler. AI-agenter koordinerer forløbet, og almindelige funktioner udfører beregningerne. Eksemplet giver et teknisk udgangspunkt for en dansk webshop: Hvert forslag skal kunne forklares og kontrolleres af den, der skal bruge penge på det.
Få salgshistorikken på plads først
Start med et afgrænset udvalg af varer, hvor genbestilling har betydning for kampagnen. Brug varianterne som udgangspunkt. Salget af én størrelse eller farve kan udvikle sig anderledes end salget af produktet samlet. Beslut også, hvilke kanaler beregningen skal dække, så webshopordrer og eventuelt butikssalg bliver behandlet konsekvent.
Shopifys orders-dokumentation beskriver, hvordan I kan hente ordrer med blandt andet status og ordrelinjer samt filtrere, sortere og hente resultaterne side for side. Udtrækket skal omfatte alle relevante sider. Kontroller også, at integrationens adgang faktisk dækker den historiske periode, I vil bruge.
Dernæst skal I være enige om, hvad der tæller som et salg. Behandl testordrer og annulleringer særskilt, og registrer returneringer og refunderinger. En refundering betyder ikke automatisk, at varen er tilbage på hylden og klar til salg. Hold derfor den oprindelige efterspørgsel, returneringen og tilbageførslen til lager adskilt i dataene. Inden historikken sendes til modellen, skal udvalgte varianter stemme med de tal, medarbejderne allerede arbejder med.
En udsolgt vare kan skjule efterspørgslen
Nul salg på en dag kan betyde, at ingen ville købe varen. Det kan også betyde, at ingen kunne købe den. Marker derfor udsolgte perioder særskilt. Ellers kan beregningen tage et salg, som lageret har begrænset, som udtryk for den efterspørgsel, I skal købe ind til.
Shopifys inventoryItems-dokumentation viser, hvordan lagerartikler kan hentes. Eksemplet omfatter identifikation, SKU og oplysninger om, hvorvidt der føres lager. Det er et udgangspunkt for at forbinde varer med lagerdata, men et aktuelt udtræk fortæller ikke i sig selv, hvornår varen tidligere har været udsolgt. Mangler den historik, så begynd at gemme daglige lagerstatusser. Lad manglerne fremgå af forslagene frem for at fylde hullerne med opdigtede salgstal.
Giv Chronos-2 en enkel beregning at måle sig mod
Amazon Sciences Chronos-projekt indeholder kode og eksempler til prognoser. Chronos-2 kan lave prognoser uden særskilt træning på hver vares datasæt og inddrage supplerende oplysninger, også værdier, der er kendt for den kommende periode. Projektet viser desuden prognoser med kvantiler, som kan bruges til at beskrive usikkerheden.
Det gør modellen relevant at afprøve. Om den giver bedre indkøbsforslag hos jer, kræver en sammenligning på jeres egne data. Brug eksempelvis gennemsnitligt salg på sammenlignelige ugedage som en enkel reference. Begge metoder skal have samme historik og forudsige samme periode. Aftal også, hvordan kampagner indgår, så forskelle i input ikke kommer til at ligne forskelle i modellernes kvalitet.
Se, hvordan prognosen ville have klaret tidligere indkøb
Test beregningerne fra flere datoer i fortiden. Ved hver dato må de kun bruge oplysninger, der var kendt på det tidspunkt. Sammenhold derefter prognosen med det salg, der fulgte. Perioden, I forudsiger, skal passe til indkøbsbeslutningen og tage højde for både leveringstiden og tiden mellem jeres bestillinger.
Se på, hvor meget beregningerne rammer ved siden af, og om de rammer for højt eller for lavt. Det samlede resultat kan se rimeligt ud, selv om modellen undervurderer de varianter, I vil fremhæve til Black Friday. Gennemgå derfor resultaterne pr. vare og særskilt for almindelige uger, kampagner og perioder, hvor lageroplysningerne er mangelfulde.
Skriv planlagte rabatter og kampagner ind som tydelige forudsætninger. Har I ikke et sammenligneligt historisk grundlag for en kampagnetype, skal indkøberen kunne se det. Aftal på forhånd, hvilke resultater der skal være opfyldt, før I fortsætter med modellen. Den enkle beregning kan stadig bruges til de varer, hvor den klarer sig bedst.
Et indkøbsforslag skal passe til levering, lager og budget
AWS-eksemplet beregner indkøbsbehovet ud fra forventet salg i leveringstiden, sikkerhedslager og nuværende beholdning. Derefter indgår minimumsordre samt kontrol af budget og lagerkapacitet. Prognosen bliver dermed en del af en indkøbsbeslutning med faste grænser.
Skriv jeres egne regler ned pr. leverandør eller varegruppe. Det gælder også varer, som allerede er bestilt: Hvordan tælles de med, og hvornår forventer I, at de kan sælges? Den samlede lagerbeholdning hjælper kun, hvis varerne er til rådighed for den salgskanal, prognosen dækker.
| Kontrol | Oplysninger på listen | Indkøberens vurdering |
|---|---|---|
| Datagrundlag | Seneste opdatering og mangler i historikken. | Er grundlaget godt nok til at bestille? |
| Levering | Forventet ankomst og kampagnens behov. | Kan varen nå at blive klar til salg? |
| Beholdning | Tilgængelige varer og relevante indkøb på vej. | Er beholdningen opgjort for den rette kanal? |
| Ordrekrav | Minimumsordre og aftalt pakningsstørrelse. | Overholder antallet leverandørens vilkår? |
| Økonomi | Forslagets pris og dagens samlede indkøbsbeløb. | Er der plads i budgettet og på lageret? |
| Usikkerhed | Forudsætninger, der kræver manuel vurdering. | Hvad skal afklares før godkendelse? |
Morgenens liste skal kunne bruges med det samme
Den daglige kørsel skal ende i en prioriteret liste med vare, foreslået antal, forventet ankomst, indkøbspris og begrundelse. Hvis AI-forslaget afviger væsentligt fra referenceberegningen, skal den også vises. Indkøberen skal kunne vurdere forskellen uden først at samle tallene fra flere systemer.
Giv medarbejderen mulighed for at godkende, ændre eller afvise et forslag og gemme en kort årsag. Måske er kampagneplanen ændret, eller leveringstiden er endnu ikke opdateret. Brug registreringerne til at rette input og regler. Beslut også, hvordan godkendte forslag registreres, så næste dags liste tager højde for de indkøb, der allerede er sat i gang.
Vurder budgettet på tværs af hele listen. Flere indkøb kan hver især være fornuftige og tilsammen binde mere kapital, end I har afsat. Mangler der data, eller er reglerne i konflikt, skal listen vise, hvad der skal afklares, og hvem der tager beslutningen.
Brug oktober til at teste hele arbejdsgangen
Få først styr på dataadgang, forbindelsen mellem varianter og lagerartikler samt leverandørvilkårene. Test derefter prognoserne, og lad den daglige liste køre parallelt med den nuværende indkøbsproces. Medarbejderne får dermed mulighed for at gennemgå forslagene, før de bruges til bestilling.
Registrer, hvilke forslag der bliver ændret, årsagerne til ændringerne og den tid, gennemgangen tager. Inden Black Friday skal I kunne udpege de varegrupper, hvor datagrundlaget er tilstrækkeligt, og dem, der stadig kræver tæt manuel vurdering. Er leveringstiden allerede for lang til, at en genbestilling kan nå frem til kampagnen, skal det stå tydeligt på listen.
Greg kan gennem sin AI-automatiseringsservice for danske virksomheder, nowa.dk, hjælpe med en afgrænset afprøvning. Opgaven kan dække Shopify-udtræk, behandling af returneringer og udsolgte perioder, sammenligning af Chronos-2 med en enkel beregning og en daglig liste til godkendelse. Start med jeres vigtigste kampagnevarer og en konkret indkøbsbeslutning. Så har I et praktisk grundlag for at vurdere, om arbejdsgangen hjælper jer.
Relateret på GrN.dk
- Jeg bygger AI-agenter til små virksomheder. Jeg mangler en, der kan sælge dem.
- Drupal 10's December 2026 Deadline: Start With the Upgrade Inventory
- Fra salgsmøde til CRM: Automatisér opfølgningen uden datarod
Brug for hjælp til den slags opgaver?
Tal med Greg om en afprøvning før Black Friday Kontakt Greg her.
