Optimity är en svensk-australisk specialist på planerings- och optimeringsmjukvara för supply chain. Ambitionen är att tillhandahålla verktyg som hjälper företag att bli maximalt lönsamma i sina försörjningskedjor. Sedan 2020 har Optimity adderat maskininlärning till sin mjukvara – en satsning som snabbt burit frukt.
– För oss är ett viktigt syfte med maskininlärning att förse våra optimeringsmodeller med, i de fall det ger ett mervärde, än mer detaljerad information. Ju bättre input vi kan leverera, desto bättre blir den optimerade planeringen och därmed beslutsstödet. Vi får feedback från våra kunder att de upplever att prognoserna blivit mer precisa och detaljrika vilket ger ett bättre stöd vidare i processen, konstaterar Mattias Ahlström, Product Manager på Optimity, specialiserad på optimering i komplexa försörjningsnätverk.
Naturlig utveckling
Redan när Optimity startades för drygt tio år sedan var avancerad matematisk modellering grunden för bolaget. Att bygga in maskininlärning i sin programvara är mot den bakgrunden en naturlig utveckling.
– Vår egenutvecklade maskininlärningslösning har blivit ett rejält lyft både kvalitets- och processmässigt. Nu kan vi bättre anpassa processen till våra kunders behov, lägga in fler externa variabler, såsom spotpriser på råvaror, väder, kampanjer i prognoserna och allmänt hantera mer komplexa samband, förklarar Pontus Stefansson, som är Product Manager på Optimity med ansvar för prognosverktyget Demand Forecaster och för utvecklingen av maskininlärning.
Egen lösning
Tidigare använde Optimity en tredjepartslösning som hanterade maskininlärningen, men nu har en egen lösning utvecklats som är både vassare och anpassad för bolagets marknad, kunder och deras behov.
– Det finns idag en förväntan på att vi har den här typen av funktionalitet eftersom efterfrågan generellt sett blivit mer volatil och kampanjdriven med stora svängningar som följd. Algoritmen och modellen är på plats. Utmaningen är nu att hitta, sammanföra och harmonisera data som håller en tillräcklig kvalitet, säger Pontus och betonar att det även behövs en slags utbildning av kunderna.
Bättre planering, bättre beslut
– Syftet är att ge våra kunder möjlighet att fatta bättre planeringsbeslut och då är inte minst analys och förståelse av sambanden mellan olika egenskaper en viktig del i vårt erbjudande. Det är inte förrän vi får denna förståelse hos kunden som maskininlärning blir en naturlig del av plane- ringsprocessen, förklarar Mattias.
Mattias och Pontus konstaterar samfällt att en grundförutsättning för riktigt bra analyser och utfall är data som är kvalitetssäkrad, korrekt och tillgänglig i rätt format, vilket i många fall kan vara en utmaning.
