Dynamisk dataanalyse reducerer madspil for milliarder
Den dårlige nyhed er, at et massivt madspild lægger et enormt og unødvendigt pres på klodens ressourcer og gør producenterne mindre konkurrencedygtige. Den gode nyhed er til gengæld, at fødevareindustrien ved hjælp af Business Intelligence kan procesoptimere og mindske spildet markant hele vejen fra produktion til bord.
Analyser fra Miljøstyrelsen estimerer, at vi i de danske husholdninger årligt kasserer mere end 700.000 tons fødevarer. Der sker imidlertid også et stort spild allerede før, varerne lægges i indkøbskurven. Nemlig i detailhandelen samt hos producenterne. I fødevareindustrien går således mere end 130.000 ton råvarer, biprodukter og slutprodukter tabt hvert eneste år.
Det svarer til et værditab på op mod 2 mia. kroner, hvilket fordyrer slutprodukterne og forringer producenternes konkurrenceevne. Madspild er således ikke blot en moralsk og økonomisk udfordring for samfundet i almindelighed, men er det i høj grad også for fødevarebranchen i særdeleshed. Det er imidlertid en udfordring med mange aspekter, og indsatsen handler i høj grad om at identificere indsatsen.
Skal kunne kigge ind i fremtiden
Procesoptimering er en kompleks størrelse i fødevarebranchen, og der vil næppe være to virksomheder, som griber udfordringen ens an. Det ligger dog fast, at der er et stort potentiale i dels at kunne forudse, hvor meget der skal produceres og sælges af et givent produkt, dels i at optimere processen, således at såvel råvarer som biprodukter udnyttes bedst muligt og derfor ikke skal smides væk.
Et godt udgangspunkt er derfor at arbejde målrettet med Business Intelligence med henblik på at identificere, hvor spildet præcist finder sted. Sker det ved modtagelse og den efterfølgende påfyldning af siloer? Sker det i produktionen? Sker det ved udvejning? Derfor er det nødvendigt at arbejde langt mere målrettet med løsninger, der styrker fødevarevirksomheders evne til at arbejde med data.
Hent hele magasinet om teknologi og bæredygtighed i fødevaresektoren.
Utrolig præcise algoritmer
Det gælder både i forhold til automatisering af behandlingen af historiske data samt muligheden for at forudsige tendenser og automatisere konsekvensberegninger således, at produktionen kan tilpasses de helt aktuelle behov. I den forbindelse spiller cloudbaseret Machine Learning en stor rolle. Ganske enkelt fordi algoritmerne er gode til at identificere mønstre i efterspørgslen.
Under en test hos en af vores industrikunder var algoritmerne i 100 ud af 100 forløb mere præcise i forhold til den faktiske efterspørgsel end selv en gruppe erfarne og særdeles kompetente forecastingspecialister. Det er ganske imponerende og kan gøre det meget lettere at ramme plet, uanset om man som fødevareproducent eller i detailleddet skal forecaste på salget af rugbrød, pålæg, frugt, kød eller mejeriprodukter.
Læg kursen om i en fart
Det kan faktisk lade sig gøre på tværs af måske adskillige tusinde butikker og en håndfuld kæder med hver deres afsætningsmønstre, samhandelsaftaler og kundesegmenter. Med en velfungerende brancheløsning bliver det desuden lettere at styre logistikken samt overholde principper som f.eks. FEFO – First Expire First Out – så varer med kortest holdbarhed sælges først. Samtidig kan en butikskædes politik for restholdbarhed ved levering respekteres.
Endelig er det lettere for en producent at styre eller omlægge produktionen, når forudsætningerne pludselig ændrer sig. Eksempelvis hvis en konkurrent kører kampagne sammen med en landsdækkende supermarkedskæde, hvilket kan have stor betydning for eget salg. Der er således tale om imponerende perspektiver, som ikke blot mindsker madspildet og letter presset på de fælles ressourcer, men ligeledes styrker bundlinjen.
Hent hele magasinet om teknologi og bæredygtighed i fødevaresektoren.
