AI i modebranchen starter med jeres datamodel

Alle modebrands bliver lovet det samme: AI, der forudsiger efterspørgslen, anbefaler indkøb, justerer priser og advarer om forsinkelser, før de rammer. Copilot og AI-agenter er allerede på vej ind i Microsoft Dynamics 365 Business Central, og værktøjerne bliver bedre for hver måned.

Alligevel leverer mange af de første AI-projekter i modebranchen mindre end forventet. Som regel er det ikke AI’en, der er problemet. Det er dataene nedenunder.

Et modeprodukt er nemlig aldrig bare én vare. Det er en style i flere farver og størrelser, en del af en sæson eller et drop, produceret hos en eller flere leverandører, med en kostpris påvirket af fragt, told og valuta, og solgt via wholesale, webshop, Zalando og egne butikker. Hvis den struktur ikke findes i dataene, kan AI ikke se den. Og det, AI ikke kan se, kan den heller ikke ræsonnere om.

Hvorfor AI giver modebrands selvsikre, men forkerte svar

Medarbejderne i en modevirksomhed bærer rundt på en masse viden. Indkøberen ved, at sidste sæsons dårligt sælgende style var udsolgt i de vigtigste størrelser i seks uger. Merchandiseren ved, at udsalget pustede salget af en bestemt style op. Planlæggeren ved, hvilke leverandørers leveringstider man kan stole på.

AI ved intet af det, medmindre dataene fortæller den det. Resultatet er anbefalinger, der ser logiske ud, men er forkerte for forretningen:

• Indkøb: AI ser et svagt salg og foreslår at droppe en style. I virkeligheden var M og L udsolgt tidligt, og efterspørgslen var aldrig problemet.
• Pris: AI anbefaler at sænke udsalgsprisen for at øge salget uden at vide, at kostprisen gør den nye pris urentabel.
• Efterspørgsel: AI læser salg på udsalg som reel efterspørgsel, og næste ordre bliver alt for stor.
• Fordeling: Varer sendes til de forkerte butikker, fordi lokale størrelsespræferencer ikke var med i analysen.

Hvert af disse svar er "korrekt" ud fra de data, AI’en fik. Det er netop faren. Jo mere usammenhængende dataene er, jo mere overbevisende bliver de forkerte svar.

Hvad er en fashion-datamodel?

En fashion-datamodel er den struktur, der giver modedata mening. Den definerer de ting, en modevirksomhed arbejder med, og hvordan de hænger sammen:

• Produkt: style, farve, størrelse og pasform, hver kombination med sit eget varenummer, EAN og pris.
• Tid: sæson, kollektion, drop, carry-over og never-out-of-stock (NOOS).
• Efterspørgsel: størrelseskurver, pre-orders, wholesale-aftaler og genopfyldningsregler.
• Kostpris: leverandørpris, fragt, told, tillæg og valuta, der tilsammen giver landed cost.
• Forsyning: leverandører, indkøbsordrer, forsendelser, containere og forventet ankomst.
• Kanaler: wholesale, webshop, markedspladser og butikker, hver med sit eget lager og sin egen pris.

Et standard-ERP uden brancheløsning gemmer mange af disse data, men ikke sammenhængen mellem dem. En størrelse bliver bare endnu et varenummer. En sæson bliver et tekstfelt. Og landed cost lever i et regneark.

Fashion-datamodellen er det, der forvandler enkeltstående poster til et sammenhængende billede, som AI kan forstå: Denne vare er størrelse L af netop den style, i denne sæson, med denne kostpris, på vej i den container og allerede lovet til disse kunder.

K3 Pebblestone tilføjer fashion-datamodellen til Business Central

Business Central er et stærkt ERP-fundament, og Microsoft udbygger det løbende med Copilot og AI-agenter. Men systemet ved ikke fra start, hvordan mode fungerer.

K3 Pebblestone er bygget direkte i Business Central og tilføjer netop det. Styles, varianter, sæsoner, drops, størrelseskurver, landed cost og indgående forsendelser bliver strukturerede data i selve ERP'et i stedet for regneark ved siden af. Det giver AI tre fordele:

1. Én kilde til sandheden. Produkt-, kostpris-, ordre-, lager- og forsendelsesdata ligger ét sted med én definition.
2. Kontekst indbygget. AI kan se, at en style var udsolgt i de vigtigste størrelser, eller at en prisændring æder marginen.
3. Klar til næste agent. Nye AI-løsninger bygger på den samme struktur, så hvert projekt ikke starter forfra med dataforbindelser.

Hvad bliver muligt?

Når modedata hænger sammen, kan AI understøtte beslutninger på tværs af teams:

• Indkøb: Prognoser, der tager højde for udsolgte størrelser, udsalg og tilgængelighed og ikke kun rå salgshistorik.
• Pris og margin: En agent overvåger salgs- og indkøbspriser, markerer styles under pres og foreslår prislister baseret på landed cost.
• Forsyning: Kommer forsommeren tidligt, sammenligner en agent sø- og luftfragt og viser effekten på både ankomst og margin.
• Produktudvikling: AI finder den nærmeste eksisterende style og genbruger stykliste og kostpris, så teamet kan fokusere på det, der er nyt.

Ingen af dem kræver en ny AI-platform. De kræver data, som AI kan forstå.

Hvor skal I starte?

Stil jer selv fem spørgsmål, før I vælger jeres første AI-projekt:

1. Er styles, farver og størrelser varianter af ét produkt, eller er de oprettet som separate varer?
2. Ligger sæsoner, drops og NOOS i ERP'et eller i regneark?
3. Beregnes landed cost i systemet, før I afgiver ordrer?
4. Kan I se indgående forsendelser og forventet ankomst sammen med lager og kundeordrer?
5. Arbejder webshop, markedspladser, wholesale og butikker ud fra de samme produkt- og lagerdata?

Er svaret nej til to eller flere, er jeres første AI-projekt ikke et AI-projekt. Så handler det først om at få datamodellen på plads.

Er I ved at vokse ud af jeres nuværende system? Læs også "Hvornår er et modebrand klar til en brancheløsning?"

Hent whitepaperet

I "AI is exposing fashion’s data problem" forklarer K3 Fashion Solutions, hvorfor modedata er svære for AI, hvordan en fashion-datamodel ser ud i praksis, og hvad den gør mulig. Whitepaperet er på engelsk.

Vil I hellere tage en snak? Book 30 minutter med en af BrightComs fashion-specialister.