Slik kan KI bistå moteselskaper

Den moderne motebransjen opererer under konstant press, der tradisjonelle prognosemodeller ofte kolliderer med en uforutsigbar markedsrealitet. Silobaserte arbeidsflyter, fragmenterte planleggingssystemer og en sterk avhengighet av manuelle prosesser fører til at kritisk informasjon ofte blir fanget i frakoblede regneark, tekniske spesifikasjoner (tech packs) og ustadige kommunikasjonskanaler.

Når forstyrrelser i forsyningskjeden, fabrikkstengninger eller plutselige endringer i forbrukeretterspørselen inntreffer, blir merkevarer tvunget til å være reaktive, ute av stand til å omstille seg raskt nok til å beskytte marginene sine. Denne strukturelle frakoblingen fører til forsinkede leveranser, fragmentert produktinformasjon på tvers av kanaler og ødeleggende utsolgtsituasjoner som svekker forbrukertilliten og eliminerer salg til full pris. For å tilpasse seg bedre, bør bransjen gå fra tradisjonell gjetning til et sammenkoblet, intelligent økosystem drevet av kunstig intelligens (KI).

Programvareleverandøren Aptean lanserte nylig sitt nye verktøy, Aptean Fashion & Apparel, som automatiserer beslutninger og forener arbeidsflyter for mote- og klesbransjen, fra design til levering. Dette gir team sanntidsinnsikt på tvers av stiler, farger og dimensjoner. Fem nettbaserte sesjoner med bransjeinnsidere den 14. mai belyste hvordan verktøyet kan hjelpe bransjen på tvers av forsyningskjeden og avdelinger. FashionUnited har oppsummert hvordan bransjeeksperter bruker KI i designfasen, i produksjonen, ved utforming av produktinnhold og lansering, samt til å balansere etterspørsel gjennom smart lagerstyring.

Sikre inntekter med erstatningsprodukter

I svært volatile sektorer som motebransjen, der forbrukeretterspørselen kan øke momentant på grunn av digitale krefter som influenserkampanjer i sosiale medier, klarer ikke tradisjonelle sykluser for lageroppfylling – som vanligvis strekker seg over 60, 90 eller 120 dager – å holde tritt.

«Hvis en kundes eller forbrukers foretrukne stil er utsolgt, og ingen raskt kan identifisere et sammenlignbart alternativ, har du sannsynligvis tapt salget. De har gått videre, til en konkurrent, et annet klesmerke, funnet noe de likte, og du har mistet det salget», forklarer Ken Weygand, løsningsarkitekt hos Aptean. Han har jobbet med merkevarer innen mote, fottøy og tilbehør for å hjelpe dem med å implementere løsninger for både Enterprise Resource Planning (ERP) og Product Lifecycle Management (PLM) for å forbedre og effektivisere driften.

Når et foretrukket plagg eller en størrelse blir utilgjengelig, står merkevarer og forhandlere overfor en høy sannsynlighet for å miste kunden permanent til konkurrenter, med mindre et identisk eller svært likt alternativ kan identifiseres umiddelbart i salgsøyeblikket. Det er her en autonom «erstatningsagent» kommer inn. «Alt handler om å finne en erstattbar stil, sammenlignbare alternativer raskt, slik at vi kan betjene kundene våre. … Den kan gjøre dette ganske raskt i sanntid … og kan også validere mot live lagerbeholdning. Det er ingen vits i å se på alternative stiler der vi ikke har varer på lager», fastslår Weygand.

Teknologien er utviklet for å redusere de umiddelbare inntektstapene knyttet til utsolgtsituasjoner. Den operasjonelle integrasjonen adresserer de strukturelle begrensningene ved å administrere store bedriftsdatabaser som ofte inneholder hundretusenvis av unike lagerenheter (SKU-er) på tvers av ulike materialtyper, kategorier og passformer. Fragmenterte team i førstelinjen – fra kundeservicemedarbeidere til e-handels- og showroom-ansvarlige – blir vanligvis tvunget til å navigere i usammenhengende programvaresystemer for å manuelt identifisere alternative varer. Denne datafragmenteringen fører til kritiske transaksjonsforsinkelser og eksponering av finansielle marginer, for eksempel ved å utilsiktet tilby et dyrere alternativ til en lavere pris, noe som understreker det avgjørende behovet for systemisk automatisering.

Ved å implementere en KI-agent direkte over kjerne-arkitekturer for ERP og PLM, skapes en automatisert infrastruktur styrt av streng forretningslogikk. Systemet evaluerer potensielle erstatninger ved å systematisk analysere produktattributter – inkludert materialsammensetning, plaggets rangering, silhuett og utsalgspris – mot gjeldende sikkerhetslagernivåer og historiske designdata. Ved å abstrahere disse backend-datalagene til forenklede lavkode-grensesnitt via sentraliserte navigasjonssystemer som Aptean, kan brukere utføre smidige kontekstbytter i salgssituasjonen for å redde transaksjoner.

Optimalisering av produksjonsflyten hos Hanesbrands: innsikt fra fabrikk til butikkgulv

I overgangen fra designskisser til fysisk produkt, forstyrrer variasjoner i forsyningskjeden ofte den operasjonelle rytmen i midtsesongproduksjonen. Tradisjonelle ERP-systemer sliter med de komplekse, flerdimensjonale mønstersystemene som er unike for moteproduksjon, noe som resulterer i fragmenterte målinger og forsinket innsyn. KI-systemer bygger bro over dette gapet ved å etablere sanntidskontroll på produksjonsgulvet, og kobler innkjøp av råvarer direkte til maskinproduksjonen. Denne helhetlige, sammenkoblede oversikten omdanner fysiske data til handlingsrettet innsikt, og forhindrer de typiske flaskehalsene som stopper produksjonslinjer.

Hemant Ramaswami, VP for digital transformasjon hos Hanesbrands, forklarte nødvendigheten av denne endringen under globale forstyrrelser, og mintes hvordan det amerikanske klesselskapet gikk fra «å bare identifisere avvik i forsyningskjeden til å faktisk kunne håndtere dem i nær sanntid» under Covid-pandemien. «Globale forsyningskjeder feiler ikke på grunn av manglende data. De feiler vanligvis fordi de riktige dataene ikke når de riktige beslutningstakerne til rett tid», understreket han.

Ramaswami snakket om hvordan distribusjonssentrene ikke lenger reflekterte det som var nødvendig for å støtte kundene, og identifiserte tre kjerneproblemer: forlengede ledetider og mangel på innsyn, fragmenterte signaler og mangel på en allokeringsmotor. «Det krevde en enorm innsats for en kundeservicemedarbeider å sette sammen et komplett bilde og svare på spørsmål om når et produkt ville være tilgjengelig», minnes Ramaswami.

Hanesbrands startet med et forretningssegment med svært høyt volum og høy lønnsomhet – herreundertøy – og piloterte operasjonell KI-programvare. De ekspanderte deretter til mer komplekse kategorier etter å ha kunnet rettferdiggjøre verdien og se potensialet. Prediktiv logikk gjør det mulig for produsenter å være svært responsive i stedet for bare reaktive ved plutselige fabrikkforstyrrelser. I stedet for å stole på ukesgamle datalogger eller intuitiv menneskelig gjetning, bruker driftsteamene live datastrømmer for å identifisere strukturelle avvik umiddelbart. Ved automatisk å kartlegge alternative prosesseringsveier og rebalansere arbeidsbelastningen på tvers av aktive fabrikker, bevarer KI kritiske leveringsvinduer og minimerer marginerosjon. «Det endret seg fra å være i en reaksjonær modus til mer som en brannforebyggende modus», fastslår Ramaswami.

Spesielt nyttig var logikken for containerprioritering: «Vi mottar vanligvis mellom 30 og 40 containere om dagen ved noen av våre distribusjonssentre. Derfor er det svært viktig å sørge for at losseteamet fokuserer på containerne med høyest verdi. … Å losse riktig container kan være forskjellen på å nå kvartalsmålet eller ikke.» Å tildele en dollarverdi til hver container hjalp enormt. «Det er ikke engang en abstrakt KI som kjører et sted i bakgrunnen. Det er faktisk en bryggeformann som ser på en skjerm som forteller hva vi må losse først og hva som er i den», oppsummerte Ramaswami

Sanntidsbeskyttelse: navigering i volatilitet ved produktlansering

Overgangen fra fabrikkgulvet til detaljhandelsmarkedet representerer en av de mest volatile fasene i et produkts livssyklus, spesielt når forbrukeretterspørselen endres uventet. En produktlansering kan lett kollapse under presset fra fragmenterte kommersielle signaler, noe som fører til feil i lagerbeholdningen der visse distribusjonssentre blir overfylte mens andre umiddelbart går tomme for varer. KI-algoritmer fanger opp disse detaljhandelssignalene dynamisk ved lansering, og evaluerer kontinuerlig regionale salgstrender mot live lagertall.

Aly Breeman, senior produktsjef hos Aptean, reflekterte over hvor lett en sesong kan glippe uten inngripen: «Hver sesong gjør et eller annet merke alt riktig. Kolleksjonen er sterk, designene er skarpe og markedsføringen er klar, og så begynner ting stille å skli. En leveranse kommer for sent, en varm oktober bremser salget av vinterkåper. Grossistpartnerne beveger seg i et annet tempo enn nettbutikken. Ingenting av det føles dramatisk i starten, men når tallene forteller historien, er marginen allerede borte, og den eneste gjenværende muligheten er en nedprising. Dette er ikke uflaks, det er et mønster, og som de fleste mønstre, når du ser det tydelig, kan du planlegge for det.»

«I motebransjen er timing alt. Sesonger utfolder seg gjennom tre forutsigbare krefter», fortsatte hun. Disse er variasjon i tilbud, endringer i etterspørsel og kanalfragmentering. Å skape marginer starter lenge før kolleksjonene når butikkgulvet, ifølge Breeman; det begynner med planlegging. «Planlegg produksjonssekvensen riktig, og enhver forsinkelse vil ha en direkte ringvirkning på tilgjengelighet og kompletthet. Venter du til kolleksjonene er i hyllene, blir ditt eneste alternativ nedprising. Og nedprising er en margindreper», advarer hun.

For å muliggjøre tilpasningsevne, må selskaper først kunne identifisere marginrisiko så tidlig som mulig. «En av de største utfordringene for merkevarer er å identifisere underprestasjon raskt nok til å gjøre noe med det, og før det begynner å påvirke lønnsomheten», legger hun til. Det er her KI kan tilføre stor verdi: Den kan hjelpe ved å flagge potensielle produksjonsforsinkelser, kapasitetsproblemer og andre risikoer mye tidligere, noe som gir merkevaren tid til å gripe inn og iverksette korrigerende tiltak.

Når kolleksjonen er på markedet, kan KI spore ytelsen i sanntid, ikke bare på et overordnet nivå, men helt ned til stil, farge, sesong og lokasjon. Merkevarer får et mye klarere bilde av hva som fungerer og hva som ikke gjør det, og hvor de eventuelt må rebalansere lageret. Den kan også støtte smartere varepåfylling ved å anbefale riktig stil i riktig butikk til riktig tid.

«Til syvende og sist hjelper KI merkevarer med å gå fra å reagere for sent til å handle tidligere med mye bedre innsyn og kontroll gjennom hele produktets livssyklus», sier Breeman. «Kraften til KI starter med kvaliteten på inputen», advarer hun. «Generiske ERP-løsninger snakker ikke motespråket. Sesonger, stiler i flere farger, størrelseskurver og leveringsdimensjoner er byggeklossene for hvordan motebransjen fungerer. Men i et generisk system går de tapt i oversettelsen.»

«Å legge KI på toppen av data av dårlig kvalitet eller fragmenterte systemer vil bare forsterke problemet. Hvis ulike team jobber ut fra forskjellige versjoner av sannheten, hvis produktdataene ikke vedlikeholdes ordentlig, vil KI bare gjøre ting verre, ikke bedre», vet produkteksperten. «Så svaret er ikke bare å legge til KI, det er å sikre at virksomhetene er klare til å bruke den godt. Og det betyr å fokusere på datakvalitet, styring og konsistens først. Jo mer tilpasset systemene dine er til bransjen, og jo mer disiplinert datastyringen din er, desto mer effektiv blir virkningen.»

Innholdsautomatisering: skap presise, målrettede og overbevisende tekster

Når varer treffer den digitale butikkhyllen, blir behovet for rike og nøyaktige produktdata avgjørende for konvertering. Data fra Salsify Consumer Research 2024/2025 indikerer at hele 88 prosent av kundene sier at produktinnhold er ekstremt eller svært viktig for deres kjøpsbeslutning. Til tross for dette taper motemerker jevnlig inntekter på grunn av ufullstendige attributter, og halvparten av forbrukerne innrømmer å ha forlatt handlekurven på grunn av dårlige produktbeskrivelser.

«Når innhold mangler eller ikke er i tråd med merkevaren, skaper det ikke bare ekstra arbeid. Det fører til tapte salg», bekrefter Alain Tessier, direktør for produktledelse hos Aptean. Han forklarer at det hovedsakelig er fire trinn for hvordan KI kan løse dette: Trinn én er å lese kilden; trinn to er å velge ut det som er viktig; trinn tre er å skrive innholdet, og trinn fire er å gjennomgå og publisere.

«KI tar imot alt du har – PDF-er, regneark, bilder fra systemet ditt – og leser alt. Bare dette tar normalt en tekstforfatter 30 til 60 minutter per produkt før et eneste ord er skrevet. KI gjør det på sekunder», understreker Tessier. Når det gjelder innhold, finner KI ut hva som skal fremheves basert på hvor innholdet skal publiseres, og tilpasser det for hvert publikum: «De samme produktdataene blir en produktbeskrivelse for nettstedet. De blir et sammendrag for innkjøpere, en oppføring for et magasin og kanskje en bildetekst for sosiale medier. Hver tekst har riktig lengde og tone for den aktuelle kanalen», fastslår Tessier.

Men det betyr ikke at teamet holdes utenfor. I stedet for å skrive fra bunnen av, gjennomgår, justerer og godkjenner teammedlemmene. «Beslutningene forblir hos menneskene; skrivearbeidet flyttes til KI-siden. Det som før tok tre til fem dager, tar nå sannsynligvis under 30 minutter», oppsummerer Tessier.

Denne automatiserte tilnærmingen opprettholder streng global konsistens samtidig som den eliminerer de manuelle feilene som ofte preger oppsett av store varevolumer. I stedet for å la produktdata flyte fritt på tvers av ulike salgskanaler, håndhever KI systematisk bedriftens stilguider, lokalisert terminologi og nøyaktige merkevaredefinisjoner. Den flagger automatisk kritiske konstruksjonsavvik – for eksempel en jakke som er oppført som dunisolert når de tekniske spesifikasjonene tilsier en syntetisk konstruksjon – og beskytter dermed merkevaren mot kostbare returer og sanksjoner for manglende samsvar. Ved å kutte tidslinjene for innholdsproduksjon fra dager til sekunder, akselererer merkevarer sin tid til markedet og sikrer at oppføringene forblir helt nøyaktige på tvers av alle digitale kontaktpunkter.

Raskere produksjonsbeslutninger hos NSA

Den siste pilaren i et robust økosystem for motebransjen ligger i sofistikerte, automatiserte produksjonsmiljøer og lagerstyring.

Kelly Deady, senior director for Chicago Operations hos den amerikanske klesprodusenten National Safety Affair (NSA), fortalte hvordan KI hjalp til med å strømlinjeforme data ved selskapets fire produksjonsanlegg (i California, Illinois, Kansas og Ohio). «Hvert eneste anlegg hadde et forskjellig effektivitetssystem, og ingen av dem kommuniserte med hverandre. Vi er endelig alle på samme ERP, men det har ikke de dataene vi trenger for å virkelig dykke ned i effektivitet og optimalisere driften vår på noen som helst måte», minnes Deady. «Vi sender også de samme rapportene til samme person, men vi må redigere ting hele tiden for å … få en reell sammenligning av dataene. Så å gå for Aptean har vært en enorm 'game changer' for NSA», og legger til at det å forutsi forsinkede ordre eller balansere flere anlegg ved å se på enten kostnad eller effektivitet har vært den største gevinsten.

Å sikre at man har dataene til å underbygge løfter om å kunne operere raskt, effektivt og vurdere hvilke typer flaskehalser man kan møte, er det som bidrar til å opprettholde en «Made in USA»-merkevare. «Alt som kan forutsi det uventede er fantastisk, for produksjon er uventet hver eneste dag», legger Deady til.

Tradisjonell lagerstyring baserer seg på historiske sesongmønstre, noe som gjør merkevarer svært sårbare for uforutsigbare markedsendringer, forsinkede logistikkleveranser og plutselige fall i regional etterspørsel. KI bryter denne rigide syklusen ved kontinuerlig å kjøre komplekse prediktive scenarier, og beregner nøyaktige avveininger mellom lokale lagernivåer, fraktkostnader og salgsfremmende nedprisinger.

Denne systemiske oversikten oversettes direkte til automatisert sanntidsrebalansering av lagerbeholdningen på tvers av ulike nettverk for direktesalg og grossisthandel. I stedet for å tvinge regionale team til å manuelt lete gjennom massive regneark for å finne manglende størrelseskurver, beregner KI autonomt de nøyaktige målingene som kreves for presis, kalkulert varepåfylling. Den dikterer nøyaktig når man skal flytte trege varer fra underpresterende fysiske butikker til raskt omsettelige e-handelsplattformer, og sikrer dermed maksimalt salg til full pris. Ved å utføre disse små, kontinuerlige operasjonelle justeringene gjennom hele produktets livssyklus, kan motebedrifter drastisk redusere antall dager varer forblir usolgte og opprettholde eksepsjonelt slanke, svært lønnsomme forsyningskjeder

«Å ha en KI-agent er som å ha et ekstra par øyne som alltid følger med, og venter på det du har trent den til å se etter. Så du går langt utover en rapport som henter data eller et verktøy som viser dashbord eller skjermer. Du har faktisk noe som ser på det, som har mer et menneskelig hjerne-lignende aspekt ved måten det ser på informasjonen», konkluderer Deady.

Konklusjon: syntesen av den automatiserte motebedriften

Å omfavne KI gjennom hele motens livssyklus er ikke lenger et futuristisk eksperiment; det er en fundamental kommersiell nødvendighet for merkevarer som ønsker å beskytte marginene sine i et nådeløst marked. Ved å koble sammen design, produksjon, lansering, tekstproduksjon og lagerstyring i ett enkelt, sammenhengende og intelligent økosystem, eliminerer motebedrifter de frakoblede datasiloene som historisk har bremset veksten. Resultatene er betydelige: dramatisk kortere utviklingssykluser, minimal friksjon fra utsolgtsituasjoner, feilfri dataintegritet og høyt optimalisert lagerallokering. Aktører som implementerer disse integrerte KI-løsningene, fremtidssikrer effektivt driften sin, og erstatter tradisjonell operasjonell gjetning med en presis, svært responsiv arkitektur bygget for å trives i et volatilt marked.

Denne artikkelen ble oversatt til norsk ved hjelp av et AI-verktøy.

FashionUnited bruker AI-språkteknologi for å gi bredere tilgang til nyheter og informasjon for motefagfolk over hele verden. Selv om vi streber etter nøyaktighet, er AI-oversettelser stadig under utvikling og er kanskje ikke feilfrie ennå. For tilbakemeldinger eller spørsmål om denne prosessen, kontakt oss på info@fashionunited.com.