Lager är ofta den största kostnaden – och det största problemet – i detaljhandeln. För klädkedjan STILVÄRD blev detta särskilt tydligt under 2023, när de satt med överlager på vissa varor och akuta brister på andra.
Men istället för att lösa problemen med fler excelblad eller större säkerhetslager valde företaget att testa något nytt: en AI-baserad lagerprognoslösning.
Resultatet? En träffsäkerhet i prognoser som reducerade överlager med 35 % på tre månader – samtidigt som försäljningen ökade med 12 %. Här berättar vi hur implementationen gick till, vad de lärde sig och hur andra retailers kan följa deras exempel.
1. Utmaningen: Oförutsägbart kundbeteende
STILVÄRD är en svensk klädkedja med 23 butiker och en växande e-handel. Deras tidigare system för lagerstyrning byggde på historisk försäljning per artikel – men tog inte hänsyn till:
Väder
Säsongsförskjutningar
Trender i sociala medier
Kampanjer i andra kanaler
Lokala variationer mellan butiker
Resultatet var snedfördelat lager, många reor, och ökande kostnader för både logistik och personal.
2. Varför AI?
Företagsledningen insåg att traditionella metoder inte längre räckte. De ville ha ett system som kunde:
Förutse efterfrågan på flera nivåer (per butik, produkt, tidpunkt)
Anpassa sig i realtid efter förändrade mönster
Minska överlager utan att öka risken för tomma hyllor
Efter en kort pilot med en AI-lösning från ett nordiskt SaaS-bolag, beslutade STILVÄRD att rulla ut systemet fullt under Q1 2025.
3. Hur systemet fungerar
Det AI-baserade verktyget hämtar in data från flera källor:
Tidigare försäljning (2 år bakåt)
Väderprognoser
Influencer-omtalanden och söktrender
Lokal kalender (lov, evenemang, helgdagar)
Interna kampanjer och annonser
Algoritmerna justerar sedan inköpsrekommendationer veckovis – butik för butik – och föreslår lagerflyttar, omfördelning eller pausade inköp.
4. Implementeringen i praktiken
Fas 1: Testbutiker
Fyra utvalda butiker fick tillgång till systemet under februari 2025. Personalen fick utbildning i hur de kunde tolka rekommendationer och justera ordervolymer därefter.
Fas 2: Integration i inköpssystemet
Systemet kopplades till företagets inköpsplattform. Prognoserna genererades automatiskt varje måndag och godkändes manuellt av kategorichefer.
Fas 3: Rullas ut nationellt
I april hade alla butiker tillgång till AI-systemet, inklusive e-handeln.
5. Resultat efter tre månader
Överlager: minskade med 35 %
Uppfyllda butikshyllor (on-shelf availability): ökade till 96 %
Andel produkter som behövde reas ut: minskade med 40 %
Tidsbesparing i inköpsteamet: 12 timmar per vecka frigjordes
Försäljningstillväxt: 12 % jämfört med samma period föregående år
En av butikscheferna beskrev det så här:
“Vi gick från att gissa – till att agera på data. Det känns tryggt att lagret nu jobbar för oss, inte emot oss.”
6. Utmaningar på vägen
Initial skepsis: Butikspersonal var ovana vid att följa AI-rekommendationer. Efter tydlig dialog och exempel ökade förtroendet.
Datafördröjning: Prognoser var till en början för långsamma – optimering av dataflöden löste detta.
För mycket tilltro: En överdriven tillit till prognoser riskerade att minska det mänskliga omdömet. STILVÄRD införde ett “dubbelgranskningssteg” för alla större beslut.
7. Vad du kan ta med dig
1. AI fungerar – men kräver data. Ju fler relevanta datapunkter du kan mata in, desto bättre blir prognosen. 2. Börja smått. Testa i utvalda butiker innan du rullar ut brett. 3. Människor behövs. AI ger rekommendationer, men det är personalens erfarenhet som avgör hur de tolkas. 4. Kommunicera syftet. För att få med dig teamet krävs förståelse för varför förändringen sker. 5. Inköp och logistik måste samverka. AI-lösningen fungerade bäst när hela kedjan – från inköp till butik – var i synk.
Sammanfattning
STILVÄRD visar att teknik inte är ett hot mot det mänskliga i detaljhandeln – tvärtom. Rätt använt kan AI frigöra tid, förbättra kundupplevelsen och minska resursslöseri.
Och när algoritmen hjälper till att få rätt plagg på rätt plats vid rätt tid – då blir både personalen och kunderna vinnare.
