Sådan kan AI understøtte modevirksomheder

Den moderne modebranche opererer under konstant pres, hvor traditionelle prognosemodeller ofte kolliderer med uforudsigelige markedsrealiteter. Siloopdelte arbejdsgange, fragmenterede planlægningssystemer og en stor afhængighed af manuelle processer betyder, at afgørende information ofte er fanget i usammenhængende regneark, tech packs og uregelmæssige kommunikationskanaler.

Når der opstår forstyrrelser i forsyningskæden, fabrikslukninger eller pludselige ændringer i forbrugernes efterspørgsel, efterlades brands i en reaktiv position, ude af stand til at omstille sig hurtigt nok til at beskytte deres marginer. Denne strukturelle afkobling fører til forsinkede leverancer, fragmenteret produktinformation på tværs af kanaler og ødelæggende udsolgt-scenarier, der underminerer forbrugertilliden og eliminerer full-price sell-through. For at tilpasse sig bedre, rådes branchen til at overgå fra forældede gætterier til et forbundet, intelligent økosystem drevet af kunstig intelligens (AI).

Softwareudbyderen Aptean introducerede for nylig sit nye værktøj, Aptean Fashion & Apparel, som automatiserer beslutninger og samler arbejdsgange for mode- og beklædningsindustrien, fra design til levering, og dermed giver teams real-time synlighed på tværs af styles, farver og dimensioner. Fem online-sessioner af branchefolk den 14. maj belyste, hvordan værktøjet kan hjælpe branchen på tværs af forsyningskæden og afdelinger. FashionUnited har opsummeret, hvordan branchefolk bruger AI i designfasen, på fabriksgulvet, ved udarbejdelse af produktindhold og lancering, samt til at afbalancere efterspørgslen gennem smart lagerstyring.

Beskyttelse af omsætning med style substitution

I sektorer med høj volatilitet som modebranchen, hvor forbrugernes efterspørgsel øjeblikkeligt kan stige på grund af moderne digitale kræfter som influencer-kampagner på sociale medier, kan traditionelle lagergenopfyldningscyklusser – som typisk strækker sig over 60, 90 eller 120 dage – ikke følge med.

“Hvis en kundes eller en forbrugers foretrukne style er udsolgt, og ingen hurtigt kan identificere et sammenligneligt alternativ, har du sandsynligvis mistet salget. De er gået videre, gået til din konkurrent, et andet tøjmærke, fundet noget, de kunne lide, og du har mistet det salg,” forklarer Ken Weygand, løsningsarkitekt hos Aptean. Han har arbejdet med mode-, fodtøjs- og accessories-brands for at hjælpe dem med at implementere både Enterprise Resource Planning (ERP) og Product Lifecycle Management (PLM) løsninger for at forbedre og optimere deres forretningsdrift.

Når en foretrukken beklædningsgenstand eller størrelse bliver utilgængelig, står brands og detailhandlere over for en høj sandsynlighed for permanent at miste forbrugeren til markedskonkurrenter, medmindre et identisk eller meget ligeværdigt alternativ øjeblikkeligt kan identificeres på salgsstedet. Det er her, en autonom “style substitute agent” kommer ind i billedet. “Det handler alt sammen om at finde en substituerbar style, sammenlignelige alternativer hurtigt, så vi kan servicere vores kunder. … Den kan gøre det ret hurtigt i realtid… og kan også validere mod den aktuelle lagerbeholdning. Der er ingen grund til at se på alternative styles, hvor vi ikke har noget lager,” fastslår Weygand.

Designet til at afbøde de umiddelbare omsætningstab forbundet med udsolgte produkter, adresserer den operationelle integration af denne teknologi de strukturelle begrænsninger ved at administrere omfattende virksomhedsdatabaser, der ofte omfatter hundredtusindvis af unikke Stock Keeping Units (SKU'er) på tværs af flere stoftyper, kategorier og pasformer. Fragmenterede frontend-teams – lige fra kundeservicemedarbejdere til e-commerce og showroom account managers – er normalt tvunget til at navigere i usammenhængende softwaresystemer for manuelt at identificere alternative varer. Denne datafragmentering medfører kritiske transaktionsforsinkelser og eksponering af finansielle marginer, såsom ved et uheld at tilbyde et dyrere alternativ til en lavere pris, hvilket understreger det vitale behov for systemisk automatisering.

Implementering af en AI-agent direkte oven på kerne-ERP- og PLM-arkitekturer giver en automatiseret infrastruktur styret af streng virksomhedslogik. Systemet evaluerer potentielle substitutioner ved systematisk at analysere produktattributter – herunder stofsammensætning, beklædningsrang, silhuet og detailværdi – mod aktuelle sikkerhedslagerparametre og historiske designdata. Ved at abstrahere disse backend-datalag til forenklede, low-code interface-opslag gennem centraliserede navigationssystemer som Aptean, kan brugere udføre glidende kontekstskift på salgsgulvet for at redde transaktioner.

Optimering af produktionsflow hos Hanesbrands: synlighed fra fabrik til butiksgulv

Når man bevæger sig fra tegninger til fysisk skabelse, forstyrrer variabilitet i forsyningskæden ofte den operationelle rytme i mid-season produktion. Traditionelle ERP-rammer kæmper med de multikurvede, højdimensionelle bloksystemer, der er unikke for modeproduktion, hvilket resulterer i fragmenterede målinger og forsinket synlighed. AI-systemer bygger aktivt bro over denne kløft ved at etablere real-time shop floor control, der forbinder indkøb af råmaterialer direkte med maskinernes output. Dette holistiske, sammenkoblede overblik omdanner fysiske data til handlingsorienteret intelligens og forhindrer de typiske flaskehalse, der standser produktionslinjer.

Hemant Ramaswami, VP for digital transformation hos Hanesbrands, forklarede nødvendigheden af dette skift under globale forstyrrelser og huskede, hvordan det amerikanske tøjfirma bevægede sig fra “blot at identificere undtagelser i forsyningskæden til virkelig at kunne håndtere dem i næsten realtid” under Covid-pandemien. “Globale forsyningskæder fejler ikke på grund af manglende data. De fejler typisk, fordi de rigtige data ikke når de rigtige beslutningstagere på det rigtige tidspunkt,” understregede han.

Med henvisning til, at distributionscentre ikke længere afspejlede, hvad der var nødvendigt for at understøtte kunderne, identificerede Ramaswami tre kerneproblemer: forlængede leveringstider og manglende synlighed, fragmenterede signaler og ingen allokeringsmotor. “Det krævede en stor indsats for en kundesupportmedarbejder at kunne sammensætte et komplet billede og besvare spørgsmål om, hvornår et produkt ville være tilgængeligt,” husker Ramaswami.

Startende med et meget stort volumen og yderst rentabelt forretningssegment - herreundertøj - piloterede Hanesbrands operationel AI-software og udvidede til mere komplekse kategorier, da de var i stand til at retfærdiggøre værdien og se potentialet. Prædiktiv logik gør det muligt for producenter at forblive yderst responsive snarere end blot reaktive over for pludselige fabriksforstyrrelser. I stedet for at stole på ugegamle datalogfiler eller intuitivt menneskeligt gætteri, udnytter driftsteams live datastrømme til øjeblikkeligt at identificere strukturelle undtagelser. Ved automatisk at kortlægge alternative behandlingsveje og omfordele arbejdsbyrder på tværs af aktive fabrikker, bevarer AI kritiske leveringsvinduer og minimerer marginerosion. “Det ændrede sig fra at være i en reaktionær tilstand til mere at være i en brandforebyggende tilstand,” fastslår Ramaswami.

Særligt nyttig var logikken for containerprioritering: “Vi modtager typisk alt fra 30 til 40 containere om dagen i nogle af vores distributionscentre. Så det er meget vigtigt at sikre, at aflæsningsteamet fokuserer på de containere med højest værdi. … At aflæsse den rigtige container kan være forskellen mellem at nå kvartalets mål eller misse det.” At tildele en dollarværdi til hver container hjalp enormt. “Det er ikke engang en abstrakt AI, der kører et sted i baggrunden. Det er faktisk en tilsynsførende på læsserampen, der kigger på skærmen, som viser, hvad vi skal aflæsse først, og hvad der er i den,” opsummerede Ramaswami.

Real-time beskyttelse: håndtering af volatilitet ved produktlancering

Overgangen fra fabriksgulvet til detailmarkedet repræsenterer en af de mest volatile faser i detail-livscyklussen, især når forbrugernes efterspørgsel ændrer sig uventet. En produktlancering kan let kollapse under presset fra fragmenterede kommercielle signaler, hvilket fører til lagermismatches, hvor visse distributionscentre ender med overfyldte lagre, mens andre står over for øjeblikkelige udsolgte situationer. AI-algoritmer opfanger dynamisk disse detailsignaler ved lanceringen og evaluerer løbende regionale salgstendenser i forhold til live lagerdata.

Reflekterende over, hvor let en sæson kan glide ud af hænderne uden indgriben, observerede Aly Breeman, senior product manager hos Aptean: “Hver sæson gør et eller andet brand alt rigtigt. Kollektionen er stærk, designene er skarpe, og markedsføringen er klar, og så begynder tingene stille og roligt at skride. En levering ankommer sent, en varm oktober bremser salget af vinterfrakker. Engrospartnerne bevæger sig i et andet tempo end webshoppen. Intet af det føles dramatisk i starten, men når tallene fortæller historien, er marginen allerede væk, og den eneste tilbageværende mulighed er en nedskrivning. Dette er ikke uheld, det er et mønster, og som de fleste mønstre, kan man planlægge for det, når man ser det tydeligt.”

“I mode er timing alt. Sæsoner udfolder sig gennem tre forudsigelige kræfter,” fortsatte hun. Disse er forsyningsvariabilitet, ændringer i efterspørgsel og kanalsegmentering. At skabe marginer begynder længe før kollektionerne når butiksgulvet, ifølge Breeman, det begynder med planlægning. “Planlæg produktionssekvensen korrekt, og enhver forsinkelse har sin direkte ringvirkning på tilgængelighed og fuldstændighed. Venter man, til kollektionerne er på hylderne, bliver den eneste mulighed rabat. Og rabat er en margin-dræber,” advarer hun.

For at muliggøre tilpasningsevne skal virksomheder først kunne spotte marginrisiko så tidligt som muligt. “En af de største udfordringer for brands er at identificere underpræsterende varer hurtigt nok til at gøre noget ved det, og før det begynder at påvirke rentabiliteten,” tilføjer hun. Det er her, AI kan tilføje stor værdi: Det kan hjælpe ved at markere potentielle produktionsforsinkelser, kapacitetsproblemer og andre risici meget tidligere, hvilket giver brandet tid til at gribe ind og træffe korrigerende foranstaltninger.

Når kollektionen er på markedet, kan AI holde styr på ydeevnen i realtid, ikke kun på et overordnet niveau, men ned til style, farve, sæson og lokation. Brands får et meget klarere billede af, hvad der virker, og hvad der ikke gør, og hvor de eventuelt skal omfordele lageret. Det kan også understøtte smartere genopfyldning ved at anbefale den rigtige style i den rigtige butik på det rigtige tidspunkt.

“I sidste ende hjælper AI brands med at gå fra at reagere for sent til at handle tidligere med meget bedre synlighed og kontrol over hele produktets livscyklus,” siger Breeman. “Kraften i AI starter med kvaliteten af dens input,” advarer hun. “Generiske ERP-løsninger taler ikke modesprog. Sæsoner, styles i flere farver, størrelseskurver og leveringsdimensioner er byggestenene i, hvordan mode bevæger sig. Men i et generisk system går de tabt i oversættelsen.”

“At lægge AI oven på data af dårlig kvalitet eller fragmenterede systemer forstærker kun problemet. Hvis forskellige teams arbejder ud fra forskellige versioner af sandheden, hvis produktdata ikke vedligeholdes korrekt, vil AI kun gøre tingene værre og ikke bedre,” ved produkteksperten. “Så svaret er ikke blot at tilføje AI, det er at sikre, at virksomheder er klar til at bruge det godt. Og det betyder at fokusere på datakvalitet, -styring og -konsistens først. Jo mere dine systemer er tilpasset branchen, og jo mere disciplineret din datahåndtering er, desto mere effektiv bliver virkningen.”

Indholdsautomatisering: skabelse af præcise, målrettede og overbevisende tekster

Når varer rammer de digitale hylder, bliver efterspørgslen efter rige, præcise produktdata afgørende for konvertering; data fra Salsify Consumer Research 2024/2025 indikerer, at hele 88 procent af forbrugerne siger, at produktindhold er ekstremt eller meget vigtigt for deres købsbeslutning. På trods af dette mister modebrands regelmæssigt omsætning på grund af ufuldstændige attributter, hvor halvdelen af forbrugerne indrømmer at have forladt online indkøbskurve på grund af dårlige produktbeskrivelser.

“Når indhold mangler eller er off-brand, skaber det ikke kun ekstra arbejde. Det koster salg,” bekræfter Alain Tessier, direktør for produktstyring hos Aptean. Han forklarer, at der hovedsageligt er fire trin i, hvordan AI kan løse dette: Trin et er at læse kilden; trin to er at vælge, hvad der er vigtigt; trin tre er at skrive indholdet, og trin fire er at gennemgå og publicere.

“AI tager imod alt, hvad du har, PDF'er, regneark, billeder fra dit system, og læser det hele. Dette alene tager normalt en tekstforfatter 30 til 60 minutter pr. produkt, før et eneste ord er skrevet. AI gør det på sekunder,” understreger Tessier. Med hensyn til indhold finder AI ud af, hvad der skal fremhæves baseret på, hvor indholdet skal hen, og tilpasser det til hver målgruppe: “De samme produktdata bliver til en produktbeskrivelse til hjemmesiden. Det bliver til et resumé for indkøbere, en liste til et magasin og måske en billedtekst til sociale medier. Hver enkelt med den rigtige længde og tone for den pågældende kanal,” fastslår Tessier.

Men det betyder ikke, at teamet ikke forbliver involveret. I stedet for at skrive fra bunden, gennemgår, justerer og godkender teammedlemmerne. “Beslutningerne forbliver hos folkene; skrivearbejdet flyttes til AI-siden. Hvad der plejede at tage tre til fem dage, tager nu sandsynligvis under 30 minutter,” opsummerer Tessier.

Denne automatiserede tilgang opretholder streng global konsistens, samtidig med at den eliminerer de manuelle fejl, der ofte plager opsætningen af store varevolumener. I stedet for at lade produktdata flyde løst på tværs af forskellige detailkanaler, håndhæver AI systematisk virksomhedens stilguider, lokaliseret terminologi og præcise branddefinitioner. Den markerer automatisk kritiske konstruktionsanomalier – såsom en jakke, der er opført som isoleret med dun, når de tekniske specifikationer dikterer en syntetisk opbygning – og beskytter dermed brandet mod dyre returneringer og overholdelsesstraffe. Ved at skære indholdsgenereringstider fra dage til blot sekunder, accelererer brands deres time-to-market og sikrer, at lister forbliver perfekt nøjagtige på tværs af alle digitale berøringsflader.

Fremskyndelse af produktionsbeslutninger hos NSA

Den sidste søjle i et robust modeøkosystem ligger i sofistikerede, automatiserede produktionsmiljøer og lagerstyring.

Kelly Deady, senior director for Chicago Operations hos den amerikanske tøjproducent National Safety Affair (NSA), fortalte om, hvordan AI hjalp med at strømline data på virksomhedens fire produktionssteder (i Californien, Illinois, Kansas og Ohio). “Hvert eneste sted havde et forskelligt effektivitetssystem, og ingen af dem talte sammen. Vi er endelig alle på det samme ERP, men det har ikke de data, vi har brug for til virkelig at dykke ned i effektivitet og bare optimere vores online-tilstedeværelse på enhver mulig måde,” husker Deady. “Vi sender også de samme rapporter til den samme person, men vi er nødt til at redigere ting hele tiden for at [få] en direkte sammenligning af dataene. Så at gå med Aptean har været en kæmpe game changer for NSA,” og tilføjer, at forudsigelse af forsinkede ordrer eller balancering af flere steder ved enten at se på omkostninger eller effektivitet har været den største gevinst.

At sikre, at man har data til at bakke løfter op om at kunne fungere hurtigt, fungere effektivt og vurdere, hvilke typer flaskehalse de kunne løbe ind i, er det, der hjælper med at opretholde et “Made in USA”-brand. “Alt, der kan forudsige det uventede, er fantastisk, for produktion er uventet hver dag,” tilføjer Deady.

Traditionel lagerstyring er baseret på historiske sæsonmønstre, hvilket efterlader brands meget sårbare over for uforudsigelige markedsændringer, forsinkede logistikankomster og pludselige regionale fald i efterspørgslen. AI bryder denne stive cyklus ved løbende at køre komplekse prædiktive scenarier og beregne præcise afvejninger mellem lokaliserede lagerniveauer, forsendelsesomkostninger og salgsnedslag.

Denne systemiske overvågning omsættes direkte til automatiseret, real-time lageromfordeling på tværs af forskellige direct-to-consumer- og engrosnetværk. I stedet for at tvinge regionale teams til manuelt at gennemsøge massive regneark for at finde manglende størrelseskurver, beregner AI'en autonomt de nøjagtige målinger, der kræves for præcis, kalkuleret genopfyldning. Den dikterer præcis, hvornår man skal flytte langsomt sælgende varer fra underpræsterende fysiske butikker til højhastigheds e-commerce-hubs, hvilket sikrer maksimalt full-price sell-through. Ved at udføre disse små, kontinuerlige operationelle justeringer på tværs af produktets livscyklus kan modevirksomheder drastisk reducere det samlede antal usolgte dage og opretholde usædvanligt slanke, yderst rentable forsyningskæder.

“At have en AI-agent er som at have et ekstra par øjne, der altid kigger på det og venter på, hvad end det er, du har trænet den til at finde. Så du går langt ud over en rapport, der trækker data, eller et værktøj, der viser dashboards eller skærme. Du har faktisk noget, der ser på det, som har mere af et menneskelignende hjerne-aspekt i den måde, det ser på informationen,” konkluderer Deady.

Konklusion: syntesen af den automatiserede modevirksomhed

At omfavne AI på tværs af modens livscyklus er ikke længere et futuristisk eksperiment; det er en fundamental kommerciel nødvendighed for brands, der ønsker at beskytte deres marginer på et nådesløst marked. Ved at forbinde design, produktion, lancering, tekstskabelse og lagerstyring i et enkelt, sammenhængende intelligent økosystem, eliminerer modevirksomheder de afkoblede datasiloer, der historisk har bremset væksten. Resultaterne er dybtgående: dramatisk kortere udviklingscyklusser, minimal friktion fra udsolgte varer, fejlfri dataintegritet og højt optimeret lagerallokering. Interessenter, der implementerer disse integrerede AI-løsninger, fremtidssikrer effektivt deres drift og erstatter forældet operationelt gætteri med en præcis, yderst responsiv arkitektur bygget til at trives i markedsvolatilitet.

Denne artikel blev oversat til dansk ved hjælp af et AI-værktøj.

FashionUnited bruger AI-sprogteknologi til at give modeprofessionelle over hele verden bredere adgang til nyheder og information. Selvom vi bestræber os på nøjagtighed, er AI-oversættelser i konstant udvikling og er måske endnu ikke fejlfri. For feedback eller spørgsmål vedrørende denne proces, kontakt os venligst på info@fashionunited.com.