En effektiv AI-drivna prognosapplikation för efterfrågan inom fordonsreservdelsbranschen: ett verkligt fall från Turkiet

Varför gissningar om reservdelsbehov spelar roll

När en bil går sönder förväntar sig förare att rätt reservdel finns på hyllan. För tillverkare och verkstäder är det en ständig balansakt att ha tillräckligt med delar utan att överfylla lagren. Denna studie undersöker hur smart användning av artificiell intelligens kan hjälpa företag inom fordonsreservdelsbranschen att bättre förutsäga mycket oregelbunden efterfrågan, vilket sparar pengar samtidigt som kunderna kan hålla sig rullande.

Utmaningen med stopp‑och‑start‑efterfrågan

Reservdelar säljer inte i en jämn, stabil takt. Många artiklar ligger orörda i månader utan beställningar för att plötsligt få kraftiga efterfrågetoppar. Författarna kallar dessa mönster intermittent och klumpig efterfrågan. Under många perioder är efterfrågan noll; när beställningar väl dyker upp kan kvantiteterna svänga kraftigt. Klassiska prognosverktyg som fungerar väl för vardagliga varor har svårt i detta läge, vilket ofta leder antingen till tomma hyllor eller kostsamma lager av oanvända delar. Eftersom reservdelar är avgörande för att utrustning ska fungera kan dåliga prognoser försämra servicekvaliteten och öka kostnaderna.

Från gamla regler till lärande från data

För att tackla detta granskade forskarna både långvariga statistiska metoder och nyare data‑drivna angreppssätt. Traditionella tekniker kända som Croston‑baserade metoder är särskilt framtagna för serier med många nollor, men de har begränsningar när efterfrågan blir mycket oförutsägbar. Nyare maskininlärningsmetoder som support vector machines, random forests och linjär regression, samt djupinlärningsmetoder som flerskiktsperceptroner, rekursiva neurala nätverk och long short‑term memory‑nätverk, kan automatiskt lära sig komplexa mönster från data. Varje metod har dock sina styrkor och svagheter, och ingen enskild modell är bäst i alla situationer.

Verkliga data från en reservdelstillverkare

Teamet samarbetade med en turkisk tillverkare som producerar komponenter till elektriska drivsystem för fordon. De fokuserade på två högvärdiga reservdelar som var särskilt svåra att planera: en med intermittent efterfrågan och en med kraftigt klumpig efterfrågan. Med 51 månaders riktiga månadsförsäljningsdata rengjorde och normaliserade de posterna och klassificerade sedan efterfrågemönstren med standardmått för hur ofta efterfrågan förekommer och hur mycket den varierar. Data delades upp i tränings‑ och testuppsättningar så att modellerna kunde utvärderas på osedda perioder, vilket speglar verklig prognostisering.

Låta många modeller rösta tillsammans

I stället för att förlita sig på ett enda prognosverktyg byggde författarna en staplad ensemble, som kan ses som ett team av modeller vars utsignaler kombineras av en enkel andranivåmodell. Först producerade flera maskininlärnings‑ och djupinlärningsmodeller oberoende prognoser. Deras prediktioner matades sedan in i en linjär regressionsmodell som lärde sig hur mycket man ska lita på varje modell. Denna staplade modell jämfördes med Croston‑baserade metoder och varje enskild inlärningsmetod, med hjälp av felmått som fångar typiska misstag och hur stora de är i förhållande till genomsnittlig efterfrågan. Forskarna använde också grafiska sammanfattningar och statistiska tester för att kontrollera om prestandaskillnader var meningsfulla och inte bara berodde på slumpen.

Vad de smartare prognoserna betyder för verksamheten

Den staplade modellen gav konsekvent de mest exakta och stabila prognoserna för både intermittent och klumpig efterfrågan. Djupinlärningsmetoderna var generellt bättre än traditionella angreppssätt på egen hand, men att kombinera flera metoder fungerade allra bäst. För partnerföretaget innebar detta lägre säkerhetslager, färre föråldrade artiklar på hyllorna och en minskad risk att inte kunna leverera till kunder i tid. Enkelt uttryckt visar studien att användningen av en genomtänkt kombination av AI‑modeller kan förvandla rörig, stopp‑och‑start‑baserad reservdels‑efterfrågan till prognoser som är tillräckligt bra för att stödja slankare lager och mer pålitlig service.

Citering: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Nyckelord: efterfrågan på reservdelar, intermittent efterfrågan, ensemble-inlärning, fordonsleverantörskedja, efterfrågeprognoser