Fra regnearksprognoser
til under 4% afvigelse.
Én produktionsinstallation. Rigtige tal. Anonymiseret for at beskytte klientfortrolighed, men alle målinger stammer fra levende driftsdata. Energiscenariet demonstrerer motorens regressor-kapabiliteter.
Skandinavisk 3PL-operatør
En skandinavisk tredjepartslogistikoperatør med seks lagerfaciliteter på tværs af Norden. Samlet årlig gennemløb på over 40 millioner pakker. 97 forskellige bemandingsgrupper på tværs af modtagelse, pluk, pakning, forsendelse og returbehandling. Fire kernemåletyper driver alle bemandingsbeslutninger: arbejdstimer, håndterede pakker, behandlede ordrelinjer og flyttet vægt.
Excel-prognoser, 12% overbemanding og højsæsonkaos.
Bemandingsplanlægning på tværs af alle seks faciliteter var baseret på individuelle Excel-arbejdsmapper vedligeholdt af lokationsledere. Hver leder anvendte sin egen metode — nogle brugte løbende gennemsnit, andre stolede på institutionel hukommelse. Der var ingen konsistens, ingen versionskontrol og ingen central synlighed i prognosekvalitet.
Resultatet var strukturel overbemanding på gennemsnitligt 12% på tværs af netværket, svarende til mere end €400.000 i årligt spild fra overskydende arbejdstimer alene. I højsæsoner — Black Friday, juleoptrapning og påske — svingede de samme faciliteter mellem under- og overbemanding.
Excel-modeller behandlede hver uge ens. De kunne ikke fange asymmetrien mellem volumenspikes (der begynder 2–3 uger før en helligdag) og bemandingsbehov (der følger en anden kurve). Post-helligdagsdyk — især det konsistente 4-ugers volumenfald efter påske — var usynlige for modellerne.
Fuld motorinstallation på tværs af 6 faciliteter på 5 måneder.
Attensus blev implementeret på tværs af alle seks lagre med en tre-måneders udrulning på den største facilitet, efterfulgt af en to-måneders udrulning til de resterende fem. Data blev indlæst fra klientens WMS via semikolon-separerede CSV-eksporter — Latin-1-kodet, med danske decimalformater.
Motoren lærte automatisk helligdagsasymmetrimønstret: volumen stiger typisk 30% i ugerne før større helligdage, men bemandingsbehov følger en anden form, fordi produktivitet pr. medarbejder ændres under spidsbelastning. Påskedykket blev identificeret og indarbejdet i den første træningscyklus.
Hver af de 97 bemandingsgrupper modtog uafhængige prognoser på tværs af alle fire måletyper. Motoren kørte seks prognosemetoder pr. serie og valgte de optimale ensemble-vægte automatisk baseret på MAPE-vægtet backtesting.
Implementeringsmodel: Managed Private — dedikeret infrastruktur, lejerisoleret database, VPN-forbindelse til klientens netværk til automatiserede datahentninger.
3,8%
Gennemsnitlig MAPE
Ned fra 14%+
8 FTE
Reduktion pr. facilitet
Netto hovedtalsbesparelse
€340K
Årlig besparelse
~16% af facilitetens lønbudget
+3pp
SLA-overholdelse
Procentpoint stigning
6 min
Tid til prognose
Var 2 dages manuelt arbejde
Hovedresultat
Ensemble-motoren identificerede påske-volumendykket — et konsistent 4-ugers mønster, som ingen manuel planlægger eksplicit havde modelleret. Denne ene indsigt eliminerede den største tilbagevendende overbemandingshændelse på tværs af alle seks faciliteter.
Tidsplan
3 måneders start + 2 måneders udrulning
Første implementering på største facilitet, derefter parallel udrulning til resterende 5
Implementering
Managed Private
Dedikeret infrastruktur, VPN-forbindelse, lejerisoleret database
Dataformat
WMS CSV-eksport
Semikolon-separeret, Latin-1-kodning, danske kommadecimaler
Kør motoren på jeres data
Vi har én produktionsinstallation — og vi er transparente om det. Den hurtigste måde at validere Attensus på er at køre den på jeres egne data. Send os en prøveeksport, og vi returnerer jeres MAPE inden for 48 timer. Ingen forpligtelse, intet integrationsarbejde.
Sådan fungerer det:
Send en prøve: En CSV, Excel eller ét af 14 understøttede formater. 3–12 måneders historiske data. Vi klarer resten.
Vi kører motoren: Fuld 5-trins datapipeline + 6-model ensemble på jeres data. Samme pipeline som produktion.
I ser jeres MAPE: Valideringsresultater, modelsammenligning og præcisionsopdeling — på jeres data, ikke vores.
Energi og forsyning — vejrfaktorer
Dette scenarie demonstrerer motorens vejrregressor-kapabiliteter ved brug af syntetiske data. Resultater afspejler modellens ydeevne på repræsentative nordiske energiefterspørgselsmønstre.
En nordisk energi- og forsyningskoncern med produktion, distribution og kundeservice på tværs af 12 geografiske regioner. Efterspørgselsprognoser driver alt fra netkapacitetsplanlægning til feltpersonaleplanlægning. Organisationen krævede on-premise-installation på grund af lovkrav og klassificering af energiforbrugsdata som kritisk national infrastruktur.
Vejrafhængig efterspørgsel, som eksisterende modeller ikke kunne fange.
Energiefterspørgsel er fundamentalt drevet af vejret — temperatursving på 5°C kan forskyde forbruget med 15–20% på varmeafhængige nordiske markeder. Klientens eksisterende statistiske modeller brugte simpel temperaturinddeling og sæsonindekser, med en gennemsnitlig afvigelse på 11% mod faktiske værdier.
Den reelle kompleksitet lå i interaktionseffekterne. Temperatur alene er utilstrækkeligt — vindchill modificerer varmebehov ikke-lineært, nedbørsmønstre påvirker vandkraftprognoser, og regionale helligdage skaber efterspørgselsdyk, der varierer efter geografi. De 12 regioner udviste væsentligt forskellige efterspørgselsprofiler.
Personaleplanlægning var fuldstændig afkoblet fra efterspørgselsprognoser. Felthold, callcenter-bemanding og vedligeholdelsesplanlægning opererede på faste rotationsmønstre i stedet for efterspørgselsjusteret deployment. Resultatet var kronisk fejldisponering: spidsbelastningsperioder med utilstrækkelig responskapacitet og stille perioder med ubenyttede hold.
Kontinuerte vejrfaktorer og regionsspecifik læring.
Attensus blev implementeret på klientens egen infrastruktur i en air-gapped konfiguration. Temperatur, vindhastighed og nedbør blev indlæst som kontinuerte eksterne faktorer i stedet for kategoriske bins — så motoren lærer det præcise ikke-lineære forhold mellem vejr og efterspørgsel for hver region uafhængigt.
Motoren opdagede automatisk, at kystregioner udviser en vindchill-multiplikator på varmebehov, som indlandsregioner ikke gør. Den fangede de regionale helligdagskalenderforskelle — kommunespecifikke helligdage, skoleplaner og industrielle lukkeperioder, der varierer på tværs af de 12 driftsregioner.
Efterspørgselsprognoser blev derefter koblet til bemandingsbehovsberegninger via konfigurerbare efterspørgsel-til-personale-ratioer pr. region og funktion. Felthold, callcenter-planlægning og vedligeholdelsesvinduer blev justeret efter efterspørgselsprognosen i stedet for faste rotationer.
Scenarieplanlægning blev aktiveret til strategiske beslutninger: "Hvad hvis den gennemsnitlige vintertemperatur falder 3°C under 10-årsgennemsnittet?" blev et spørgsmål, planlægningsteamet kunne besvare på minutter i stedet for at bestille et konsulentengagement.
4,1%
Efterspørgsels-MAPE
Ned fra 11%
6%
Reduktion i bemandingsomkostninger
Via efterspørgselsjustering
12
Regionale modeller
Uafhængig læring pr. region
Minutter
Scenarieplanlægning
Var ugers konsulentarbejde
“Scenarieplanlægningskapabiliteten ændrede, hvordan vores bestyrelse tænker på vinterberedskab. I stedet for at debattere antagelser i et mødelokale kører vi scenariet og ser bemandingsimplikationerne i reelle tal. Spørgsmålet skiftede fra ‘hvad tror vi der sker’ til ‘hvad siger data, der sker, hvis forholdene ændres.’”
VP for Ressourceplanlægning
Nordisk Energi- og Forsyningskoncern
Tidsplan
6 måneders implementering
Inklusive vejrdataintegration, regional kalibrering og personaleplanlægningsforbindelse
Implementering
On-premise (air-gapped)
Klientens infrastruktur, ingen ekstern netværksadgang, lovgivningsmæssig overholdelse
Eksterne faktorer
Temperatur, vind, nedbør
Kontinuerte variabler pr. region, opdateret dagligt fra national vejrtjeneste
Klar til at se jeres egne tal?
Vi kører motoren på jeres data. I ser jeres MAPE, jeres besparelsespotentiale og jeres implementeringstidsplan — før nogen forpligtelse.