Lagerdrift kører på præcision. En 10% prognosefejl akkumuleres til overtidsomkostninger, brudte SLA'er og inaktiv arbejdskraft. Attensus erstatter regnearksbaseret planlægning med en motor, der lærer helligdagsstigninger, post-peak nedgange, klientspecifikke volumenmønstre og sæsonbetingede arbejdskraftsdynamikker.
De fleste lagerdrifter prognosticerer med glidende gennemsnit i Excel. Det fungerer acceptabelt i stabile perioder, men fejler præcis, når nøjagtighed betyder mest: peaksæsoner, helligdagsovergange og klient-onboarding-perioder.
Volumen stiger typisk 2–3 uger før en stor helligdag, men bemandingsbehovet følger en anden kurve, fordi medarbejderproduktiviteten ændres under spidsbelastning. Efter påske falder volumen konsekvent i fire uger, men glidende-gennemsnitsmodeller fanger ikke dette, fordi nedgangen indtræffer på en anden kalenderposition hvert år.
Multi-klient 3PL-operationer tilføjer endnu et lag. Hver klient har forskellige volumenmønstre, kontraktuelle SLA-krav og sæsonprofiler. Et lager, der betjener fem klienter, kører reelt fem uafhængige prognoseproblemer — og Excel behandler dem som ét.
Konvertering af volumenprognoser til mandskabsbehov på tværs af modtagelse, pluk, pakning, forsendelse og returhåndtering — hver med forskellige produktivitetsrater. Prognosefejl akkumuleres gennem planlægningskæden: en volumenafvigelse kaskaderer til uforholdsmæssig bemandingsfejl.
Black Friday, jul og påske skaber volumenstigninger på 30-80% over baseline. Bemandingen skal optrappes, før volumen ankommer. Men nedtrapningskurven adskiller sig fra optrapningen — modeller, der behandler peaks symmetrisk, overbemander altid halen.
3PL-operatører betjener flere klienter fra delte faciliteter. Hver klient har forskellige volumenmønstre, SLA-forpligtelser og sæsonprofiler. Prognosticering på facilitetsniveau skjuler klientniveau-variation, der driver bemandingsfejl.
Volumenstigninger begynder uger før en helligdag, men timingen varierer efter type og klient. Påske er anderledes end jul. Den post-helligdagsmæssige nedgang varierer i dybde og varighed. Glidende gennemsnit kan ikke fange helligdage med skiftende datoer.
WMS-eksporter ankommer som semikolon-separerede CSV'er med overspringningsrækker. SAP-eksporter bruger pipe-separatorer og YYYYMMDD-datoer. Danske systemer koder i Latin-1 med komma-decimaler. Før du kan prognosticere, skal du overleve indlæsningen — og de fleste værktøjer kan ikke.
Timer, kolli, ordrelinjer og vægt er korrelerede, men ikke lineært. En stigning i kolliantal med lavere gennemsnitsvægt har andre bemandingsimplikationer end det samme antal med tungere varer. Uafhængig prognosticering overser disse afhængigheder.
Attensus er ikke et generisk tidsserieværktøj tilpasset logistik. Motoren forstår arbejdsgrupper, metrikhierarkier, helligdagskalendere og de specifikke dataformater, som logistiksystemer producerer.
Motoren vedligeholder en omfattende kalender over helligdage, skoleferier og kommercielle begivenheder på tværs af nordiske lande. Den lærer den specifikke optaktstid, størrelse og genopretning for hver hændelsestype — uafhængigt pr. facilitet og klient.
Efter hver stor peak vender volumen ikke umiddelbart tilbage til baseline. Motoren modellerer genopretningskurven — dens form, varighed og variation efter peaktype. Julegenopretning tager 3 uger; påske tager 4. Black Friday skaber et sekundært dyk midt i januar.
5-trins datapipelinen indlæser 14 filformater native. SAP pipe-separerede eksporter med YYYYMMDD-datoer, WMS semikolon-CSV'er med overspringningsrækker og danske komma-decimaler (fjerner tusindtals-separatorperioder, derefter konverterer komma til punktum) fungerer ud af boksen. Rensetrinnet kører deduplikering, IQR outlier-detektion for volumenstigninger og kvalitetsscore inden nogen prognose.
Hver måletype modtager uafhængige prognoser fra alle seks modeller, med ensemblevægte optimeret pr. måletype. Krydsmetrik-konsistens valideres efter ensemble — afvigelse ud over historiske normer udløser et anomaliflag.
IQR-baseret outlier-detektion fanger volumenstigninger under rensetrinnet — før de indgår i modellen. Post-prognose anomalidetektion flagger derefter usædvanlige afvigelser mellem forudsagte og faktiske værdier. Begge lag præsenteres for menneskelig gennemgang: behold, ekskludér eller justér.
Modellér effekten af facilitetslukning, klient-onboarding og kapacitetsudvidelser, før de sker. Motoren propagerer ændringen gennem alle berørte arbejdsgrupper og måletyper.
Driftsledere ser vagtniveauprognoser og anomalialarmer. Økonomi ser omkostningsprojektioner og afvigelsesanalyse. Direktionen ser facilitets-KPI'er. Samme data, forskellige perspektiver — konfigureret pr. rolle.
En skandinavisk 3PL med 6 lagre og 97 arbejdsgrupper erstattede Excel-baseret prognosticering med Attensus. Resultat: 3,8% gennemsnitlig MAPE (ned fra 14%), 8 FTE-reduktion pr. facilitet, €340.000 i årlig besparelse og prognosegenereringstid fra 2 dage til 6 minutter.
3,8%
MAPE
8 FTE
Sparet pr. site
€340K
Årlig besparelse
6 min
Prognosetid
Send os en prøveeksport fra jeres WMS eller ERP — CSV, Excel eller ét af 14 understøttede formater. Vi kører den gennem motoren og viser jer jeres MAPE inden for 48 timer — ingen forpligtelse, ingen integrationsarbejde.