Färskvaror, automation och framtiden

Färskvaror, automation och

framtiden

En studie om inventory management, dynamik och data i dagligvaruhandels autoordersystem

Perishable goods, automation and the

future

A study regarding inventory management dynamic and data within the automatic order system for the convenience goods business

Kandidatuppsats Philip Eldh Olliver Närsten Huvudområde: Informatik Examensarbete: Kandidatnivå Arbetets Omfattning: 13 hp Termin/år: VT-2019

Färskvaror, automation och

framtiden

Kandidatuppsats

Eldh, Philip, IT och ekonomiprogrammet, Malmö Universitet, Sverige Närsten, Olliver, IT och ekonomiprogrammet, Malmö Universitet, Sverige

Abstrakt

Det finns för närvarande en stark, nationell och internationell, efterfrågan på effektivare bruk av resurser och färskvaror, bland annat från svensk dagligvaruhandel, den svenska regeringen och FN. Naturvårdsverket visar samtidigt att i Sverige så slängs cirka 1.3 miljoner ton mat årligen och att 40 % av detta slängs i konsument och butiksled. Detta till trots att dagligvaruhandeln har automatiserade inköpssystem, så kallade Automatiska Ordersystem (AOS). Med utgångspunkt ur dessa system har undersökts, med hjälp av evidensbaserad managementmetodik, intervjuer och observation, Axfoods AOS, Autoorder (AO) utifrån ett inventory managementperspektiv hur systemets nuläge ser ut. Studien resulterade i avklarningen att svinnstatistiken skiljer sig från butik till butik beroende på det lokala engagemanget i att registrera svinn, samt att dagens AOS inte innefattar flertalet lättfördärvliga varor. Slutligen resulterade studien i en prototyp-modell där dynamiken av systemet låg i fokus, utifrån teoretisk applicering från nutida forskning inom Inventory management. Prototypen ämnar bidra till underlag för vidare forskning av AOS.

Nyckelord: SCM, Bullwhip, AOS, Inventory management, Automatiserade ordersystem, informationssystem, dagligvaruhandeln, dynamiska modeller.

Abstract

There’s currently a strong demand, national and international, for a more effective use of resources and perishable goods, among those behind this demand is the Swedish government, the UN and the daily grocery business interest group, Svenskt Näringsliv. At the same time the environmental protection agency in Sweden reports that 1.3 million tons of food are thrown away yearly and that 40% of this originates from the end consumer and the daily grocery business. This problem occurs even though the daily grocery business operates with automated ordering systems (AOS). With this as a starting point the authors have, using evidence-based management methods, interviews and observations, studied the current state of the Swedish grocery chain Axfood’s AOS, called Autoorder (AO) from an inventory management-based perspective. The study resulted in the clarification that the statistics over spoilage differs from store to store dependent on the willingness to track it and that the current AOS doesn’t include all goods and especially not all perishable goods. The authors created a simple prototype model, where the dynamic modelling of inventory management took center, to act as a foundation for future research within AOS.

Keywords: SCM, Bullwhip, AOS, Inventory management, Automated order systems, information systems, daily convenience business, dynamic modelling.

Acknowledgments

Firstly, we would like to thank our preceptor, Helgi-Valur Fridriksson, for all the support during the research and writing stage of this thesis. We would also like to thank our seminar-colleagues at the university that has contributed with feedback, suggestions and invaluable insights into our work. We would also like to thank those that participated in the interviews and observation for this bachelor’s thesis, for all your priceless input and commitment. Last, but not least, we would like to thank Louise and Helena for all the support that you’ve given, reading through the drafts, and the encouragement that you’ve given through all of this.

Tacksägelse

Vi skulle vilja börja med att tacka vår handledare, Helgi-Valur Fridriksson, för allt stöd under både forsknings och skriv-stadiet av detta kandidatarbete. Vi vill även tacka våra seminariekollegor på universitet som har bidragit med feedback, förslag och ovärderliga insikter i vårt arbete. Vi skulle även vilja tacka Er som ställt upp för intervjuer och observationer för er insats och engagemang i denna kandidatuppsats. Sist, men inte minst, vill vi tacka Louise och Helena för allt stöd som ni gett, genomläsning av utkast och uppmuntran genom allt detta.

Innehållsförteckning

2.1 Inventory Management mot lättfördärvliga varor, automation & dynamisk modellering 4

2.2 Bullwhip-effekten 6 2.3 Just-In-Time 8 2.4 Overfitting 8 2.5 Sammanfattning 8 3 Metodik 10 3.1 Referensramsmetodik 10

3.2 Intervju- & Observationsmetodik 11

3.2.1 Intervjumetodik 11

3.2.2 Observationsmetodik 12

3.3 Prototypmetodik 14

3.4 Etisk Diskussion & Kvalité 15

4 Empiri 17

4.1 Bakgrund om Axfood och deras system ”Autoorder” 17

4.2 Hur fungerar systemet i butik idag? 17

4.3 Hur använder personalen systemet? 18

5 Analys 19

5.1 Analys utifrån inventory management-perspektiv 19

5.2 Analys utifrån Bullwhip-perspektiv 19

5.3 Analys utifrån Just-In-Time perspektiv 20

5.4 Analys utifrån Overfitting-perspektiv 20

5.5 Prototyp 21

6 Diskussion & Slutsats 23

6.1 Slutsats 23

6.2 Diskussion 23

6.3 Fortsatt forskning och kunskapsbidrag: 24

Referenser 25

Bilagor

Bilaga 1 - Observationsprotokoll Bilaga 2 - Intervjuguide

1 Inledning

1.1 Bakgrund

I detta arbete kommer matsvinn att representera produkter som kastas på grund av överbeställning och som blivit dåliga i datum och alltså inte stölder och snatteri som svinn vanligen är benämningen på inom branschen.

2015 så upprättade FN 17 globala mål för att skapa en bättre värld, där vissa handlar om miljö, hållbar konsumtion, hållbar produktion och hållbara industrier samt att försöka bekämpa klimatförändringar (UNDP, n.d). Den transparenta processen som ledde fram till framtagandet av dessa mål var unikt för FN. Där såväl regeringar, forskare, privata sektorn och civilsamhället i hela världen var inblandade (UNDP, n.d). Dessa mål kan på olika sätt kopplas till matsvinnet som finns i samhället idag, till exempel finns det svält (mål 2) i världen medan kastar 1 300 000 ton mat om året. Detta svinn av mat påverkar övriga mål såsom rent vatten, bekämpning av klimatförändringar, havs och marina resurser, ekosystem och biologisk mångfald. I avstamp med detta så tog Sveriges regering fram Agenda 2030. Där de presentera Sveriges roll och väg för att hjälpa FN nå dessa mål och hur branscher måste jobba tillsammans med sina konkurrenter för att skapa en bättre värld för alla (Regeringskansliet, 2018).

UNDP (n.d) De 17 globala målen Hämtad 2019-06-22 från förstasidan på https://www.globalamalen.se/

En av de branscher som har en stor och viktig roll för att nå de globala målen är dagligvaruhandeln. Detta då den svenska livsmedelsproduktionen står för ca 50 % av Sveriges totala övergödning och för 20–25% av Sveriges totala klimatpåverkan. Utöver detta så är också livsmedelssektorn en av de mest vattenkrävande sektorer som finns. Enligt kartläggningen som naturvårdsverket gjorde 2016 så uppkommer ca 1.3 miljoner ton matavfall per år, där matsvinnet finns genom hela livsmedelskedjan. Enligt Naturvårdsverket (2018) så beror svinnet i butiker ofta på passerat bäst-före-datum på grund av felbedömningar vid beställning, kunders oregelbundna köpmönster, konkurrenters eller egna kampanjer, eller ofördelaktig produktplacering i butikshyllan.

Från augusti 2010 till januari 2011 gjorde svenska institutionen för mat och bioteknik en studie för att kartlägga matsvinn och förluster genom hela livsmedelskedjan (Gustavsson, Cederberg, Sonesson, van Otterdijk & Meybeck, 2011). I studien så fastslogs det att industriländer har ett matsvinn på nästan lika mycket som den totalt matproduktionen i Subsahariska Afrika har. Gustavsson et al. (2011) fann att mer än 40 % av allt matsvinn i industriländer genom hela livsmedelskedjan sker på butik och konsumentnivå.

1.2 Problemformulering

Branschorganisationen svensk dagligvaruhandel gav sin input till regeringens agenda 2030 i februari 2018. Där presenterar de tre huvudpunkter för hur branschen ska agera och gå framåt för att göra sitt bästa för att nå målen som är uppsatta till 2030 (Svensk Dagligvaruhandel, 2018).

Ett av delmålen för dessa tre huvudmål lyder:

“Produktion/prognoser/distribution/beställningar:

Rätt produktion/prognoser/distribution/beställningar är de viktigaste parametrarna för att förebygga matsvinn. Med ny It-teknik och branschöverskridande diskussioner finns det stora möjligheter att effektivisera flödena och därigenom minska svinn.”

(Svensk Dagligvaruhandel, 2018, s2).

Axfoods hållbarhetschef, Åsa Domeij, delger även att den stora dagligvaru-koncernen ämnar halvera sitt matsvinn tills 2025, med 2015 som basår (Hällegårdh, 2019). I artikeln av Hällegårdh (2019) nämner Åsa Domeij:

“För att kunna nå de nya tuffare målen ska beställningar och autoordersystem utvecklas och effektiviseras samt fler säljfrämjande åtgärder införas i butik.”

(Hällegårdh, 2019. tredje stycket)

Detta i sin tur visar på den eftersträvan på utveckling och forskning som kan finnas inom dagligvaruhandeln i dess strävan på effektivisering och måluppfyllande gällande FN17 och Agenda 2030.

Dagligvaruhandelns beställningar bestäms oftast från ett automatiserat ordersystem (Konsumentverket [KO], 2014) som skräddarsyr varje beställning till butiken utifrån butikens lageromsättningshastighet, tidigare händelser och prognoser (Andersson & Rådman, 2011). Systemet går ut på att varje butik inför parametrar som systemet ska jobba med och sköta orderläggandet efter. Varje leverans som autoorder-systemet (AOS) producerar, levereras flertalet gånger per vecka till butikerna (Andersson & Rådman, 2011). Enligt Supply Chain Management lära så förvärras logistik och ordar när den mänskliga faktorn kommer med och information obskyr i logistik-leden. Detta kallas Bullwhip-effekten och har bevisats genom The Beer Game (Nienhaus, Ziegenbein, & Schoensleben, 2006). Detta är en effekt som kommer att tas hänsyn till under utformningen av rapporten. Systemet som används inom Axfood kallas för Autoorder och implementerades till butikerna år 2008 (Axfood, 2008).

Trots att dagens inventory management inom Point of Sales (PoS) är avancerade system så finns ändå ett problem med svinn främst på grund av Random lifetime produkter (Chaudhary et al, 2018). Chaudhary et al (2018) lyfter fram att det krävs intelligentare och smartare lösningar för att kunna effektivisera dessa system mot just lättfördärvliga varor med bland

annat automation, maskininlärning eller Big data. Med hjälp av data och Business Intelligence har flertalet företag och sektorer effektiviserat sina affärsmodeller och inköpsprocessen. Främst hjälper business Intelligence och Big Data, stordatahantering, företagen att förstå sin omvärld på ett bättre sätt (D’Angelo, 2018). Detta har varit ett effektivt verktyg för att kunna hantera och anpassa sig bättre mot en föränderlig omvärld.

1.3 Syfte

Syftet med denna rapport är att undersöka hur AOS kan utvecklas för att göra det möjligt för dagligvaruhandeln att nå de mål som satts upp i agenda 2030, med FNs 17 globala mål som grund, i relation till matsvinn ur ett inventory management-synsätt. Detta i sin tur genererar forskningsfrågorna:

Hur fungerar dagens AOS i dagligvaruhandeln, gentemot teorin om inventory management?

Har svinn inom dagligvaruhandeln minskat med AOS?

Hur kan dagligvaruhandeln eventuellt bygga ut AOS för att effektivisera produktflödet och minska svinn på färskvaror och lättfördärvliga varor?

2 Referensram/Teori

Författarna till denna rapport har främst utgått ifrån ett inventory management-perspektiv för att besvara forskningsfrågorna. Med detta följde även då Bullwhip och just-in-time med för att kunna besvara forskningsfrågan ytterligare ur ett hållbart perspektiv där svinn minimeras ute i dagligvaruhandelns butiker.

2.1 Inventory Management mot lättfördärvliga varor, automation &

dynamisk modellering

Inventory Management Systems (IMS) är en del av PoS och är den delen av systemet som används för att kontrollera försäljning, beställa varor och beräkna så kallade “re-order points”, alltså när det är lämpligast, beroende på det köpmönster som systemet ser, att beställa in mer av specifika varor. Främst används detta för att bekämpa Bullwhip-effekten genom att skapa ett flöde av information genom logistikkedjan (Chaudhary, Kulshrestha, Routroy, 2018; Dai, Peng, Li, 2016; Entrepreneur, 1998).

I ett modernt IMS så är nyckelparametrarna för lättfördärvliga varor och färskvaror efterfrågan, pris, prisrabatt, förfallograd, lagringstid, varubrist, påfyllnadspolicy med mera. Alla dessa faktorer har sin egen viktning i dessa program men enligt Chaudhary et al. (2018) så är prisrabatt en låg viktning trots att detta är bland de man ser som mest preliminära som syns ute i butikerna. Chaudhary et al. (2018) menar även på att en flergrupperingsmodell (Multi-Echelon Inventory System, MEIS) för inventering är den vanligaste för att kunna erbjuda en konkurrensduglig modell, där marknaden är mindre och mindre vertikalt integrerad och informationsutbyte inom organisationer är av högsta prioritet. Doung, Wood, Wang (2015) menar på att färskvaror står för 40,57% av dagligvaruhandelns intäkter i USA. De menar på att just färskvaror är ett väldigt komplext system att lösa kring inventory management då flertalet har fler-periodiserade livstider samt kan delas in i ett flertal echelons, eller grupperingar (MEIS). Doung et al (2015) föreslår därmed att problemet med svinn av färskvaror och andra orsaker som orsakar nedsatta marginaler och profit kan bekämpas med hjälp av att inkorporera flertalet mätvärden och inventariekaraktärer i IMS.

Chaudhary et al (2018) har identifierat tre modeller för determination av inköp och inventariehållning när det gäller färskvaror:

● Fixed lifetime: Produkter som har ett fast datum då de bör konsumeras, när bäst-före datum är förbi ska dessa produkter avyttras.

● Random Lifetime: Färskvaror vars mognad är en så komplex och oförutsägbar process att den endast benämns som slumpmässig. Denna i sin tur delas in i 2 delar.

○ Age-dependent (Shelf life dependent) ○ Time dependent (Weibull-modellen)

Athul (2017) föreslår bland annat att framtidens IMS och MEIS kommer att supplementeras med en IOT baserad modell som Athul (2017) tagit fram inom Industrial Internet Of Things (IIOT) och RFID. Detta främst för att kunna se lagernivåer direkt i realtid. Athul (2017) föreslår med sin IIOT-modell ett framtida bruk av automation och prediktiv analys för att se till att lagernivåer håller tillfredsställande nivåer. Datainsamlingen kan på så sätt ske cloud-baserat och då kunna ha en koncernöverspännande effekt enligt Athul (2017). Flertalet forskare, bland annat Dalalah (2017) undersöker möjligheterna för en datadriven struktur där datan inom koncernen och butiken skapar en feedback-loop för inventarierna tills en optimal algoritm och

struktur har funnits, beroende på de lättfördärvliga varornas beräknade och uppskattade livslängd och “age-matching” av varor.

Dynamisk inventory management och urvalsplannering är det sidoområde inom inventory management som mer och mer blivit aktivare genom året (Segev, 2018). Detta område delas sortimenten i en handelsmiljö upp, beroende på olika differentierade variabler som pris, kvalité och även möjligheten till andra tilläggsattribut. Tidigare har många av dem mer numerära modellerna varit utmanande på grund av kombinationen av flertalet komplexa modellkomponenter, och behovet att optimera varje funktion och därmed i stor grad nästan överanpassa systemen. Utvecklandet av nya modeller för dynamiska modeller av dem optimala inventarienivåer utvecklas och undersöks ständigt. Bland annat har Segev (2018) bidragit till detta forskningsområde med modelleringar för att visa hur drastisk förbättringspotential som finns att hämta ur standardiserade dynamiska program, som är essentiella för att beräkna optimala inventarienivåer. Wang, Cheng, Tseng & Liu (2015) har däremot undersökt om demand-pull påfyllningsmodeller som i sin tur bygger på dynamiska bufferjusteringar inom sjukhus-inventarier där inventariekostnaderna ska hållas till ett minimum. Wang et. als (2015) modell består av två essentiella mekanismer, Demand-pull karaktären och den dynamiska buffert-justeringsaktiviteten, som tillsammans kallas för dynamic drum-buffer-rope (DPRM), se figur 1 för ytterligare förklaring av DPRM. Främsta anledningen till att implementera DPRM är att hålla minimalt lager som dynamiskt beräknas beroende på den efterfrågan som finns på inventarier utan att hamna i en “stock-out” eller tom hylla som det mer vardagligt kallas.

Figur 1: DDBR Replenishment model (Wang et al, 2015, figure 2)

Herbon, Levner & Cheng (2013) ponerar att färskvaror och lättfördärvliga varor ska, inom inventory management dynamiskt prissättas och kontrolleras via RFID-sensorer kopplade till tid-temperatur indikatorer som är kopplade till automatiska upptäckande enheter. Dessa kallas även för baserade AD:s (time-temperature-indicator-based automatic devices). TTI-baserade AD:s används för att hålla koll på åldern och kvalitén på färskvaror samt automatiskt införa en dynamisk prismodell på varor som närmar sig utgångsdatumet för att få konsumenter

att köpa de varor som har ett kortare datum. Herbon et al. (2013) identifierade även ett större problem med att maximera handlarens profit, samtidigt som kundnöjdheten skulle tas i beräkning. Problemet var att det kan finnas en hög kostnad med att implementera ett sådant system samt att det inte fanns en hög risk med att sälja medfarna och delvis skadade färskvaru-inventarier. Herbon et al. (2013) menar däremot på att, med en signifikans på 0.99, att TTI-baserad AD:s ökar effektiviteten på pris-differentieringsstrategi när det kommer till ökade marginaler. Främst används IMS för att göra information transparent i logistikleden intern och extern inom organisationer. När information flödar fritt inom organisationer och är transparenta så bekämpar man en effekt inom logistikleden som kallas för Bullwhip-effekten.

2.2 Bullwhip-effekten

Bullwhip-effekten eller Forrester effekten som den också kallas, syftar till ett fenomen som försöker beskriva hur variansen i ordrar varierar i en leverantörskedja desto längre ifrån slutkund som ordern kommer utan att slutkunds efterfrågan faktiskt har ökat (Lee, Padmanabhan & Whang, 1997a). Den som var först med att göra omfattande om fenomenet var Jay Wright Forrester på MIT i sin bok “Industrial Dynamics” 1961, vilket lett till att fenomenet även kallas Forrester effekten.

Figur 2: Grafisk förklaring av The Bullwhip Effect (Lee et al., 1997a, figure 1)

Forrester gjorde flera casestudier där han kunde peka ut fenomenet och kom till slutsatsen att det uppstår av två anledningar (Fransoo & Wouters, 2000)

1. För långa ledtider för fysiska produkter

2. För långsam informationsdelning angående efterfrågan

En annan viktig person i Bullwhip-effektens historia är J L Burbidge som 1984 var den andra personen att omfattande forska kring Forrester effekten (McCullen & Towill, 2002). Burbidge

presenterade fler anledningar till att variansen i ordrarna i en leverantörskedja skiljer sig än vad Forrester gjorde.

Figur 3: Diagram över Forrester och Burbidge anledningar till The Bullwhip Effect (McCullen & Towill, 2002, figure 2)

Bullwhip-effekten myntades inte i uttryck förens nästan 40 år efter sin upptäckt när Lee et al., (1997b) myntade uttrycket i sin uppsats “Information distortion in a supply chain: the Bullwhip

Effect”. Där presenterade de även fyra huvudanledningar till varför Bullwhip-effekten uppstår

och det är dessa anledningar och deras definition som denna rapport kommer att utgå ifrån när den pratar om Bullwhip-effekten hädanefter. Lee et al. (1997a) definition av anledningar till fenomenet är:

1. Demand forecast update: Aktörer inom leverantörskedjan baserar sina förväntningar om framtida efterfrågan på ordrar från aktörer längre ner i kedjan. En ökning i ordrar leder till en högre förväntning på efterfrågan vilket sedan förs vidare till nästa aktör genom hela kedjan på grund av ökade orderkvantiteter. Förvrängningen tenderar att öka desto längre upp i kedjan ordern kommer.

2. Order batching: Försäljning sker, vilket minskar lagret hos försäljaren, men istället för att direkt lägga en order så väntar man tills en större order på grund av till exempel lägre fraktkostnader. Vilket leder till en förvrängd efterfrågan för leverantören. 3. Price fluctuations: På grund av kampanjer och erbjudanden tenderar priser att variera

vilket förändrar efterfrågan från dag till dag. En kund handlar ofta stora kvantiteter när priset är lågt och mindre när priset går upp igen.

4. Rationing and shortage gaming: När efterfrågan på en produkt blir större än tillgången så måste leverantörer ransonera sina produkter till kunder. När kunden får reda på detta finns det en risk att den beställer mer än den behöver för att inte bli utan, och när tillgången ökar igen så minskar efterfrågan.

Utifrån Lee et al., (1997a) definition har en del forskning gjorts där lösningar till olika delar av fenomenet presenterats. Fransso & Wouters (2000) presenterade i sin artikel “Measuring the

bullwhip effect in the supply chain” hur EPOS (electronic point of sales) och EDI (electronic

data interchange) märkbart kan reducera Bullwhip-effekten när de studerade SNEL projektet. Även Disney & Towill (2003) presenterar i sin artikel “Vendor-managed inventory and

bullwhip reduction in a two-level supply chain” hur IT-lösningar och ett nytt sätt för att sköta

sitt lager kan inte bara reducera utan helt mitigera bullwhip-effekten. Novitasari & Damayanti (2018) erhåller i sin litteraturstudie att Disney & Towills lösningar fortfarande stämmer och att

det går att helt mitigera Bullwhip-effekten med hjälp av IT-lösningar. Gemensamt för alla modeller för att mitigera, minska och påverka Bullwhip-effekten är vikten som sätts vid att hålla öppen kommunikation och informationsdelning mellan aktörer för att kunna skapa ett jämt produktflöde genom hela kedjan. För att det ska kunna vara möjligt krävs det ett leveranssystem som hela tiden levererar nya produkter när produkter från förra leveransen precis tagit slut. Den typen av leveransmodell kallas Just-In-Time.

2.3 Just-In-Time

Många företag möter stora besvär med höga kapitalbindningar genom stora lagringskostnader för att hålla sortimentet brett. För att lösa detta tog japaner på 1940-talet fram en metod som kallas Just-in-time (JIT). Nils G Storhagen menar i sin bok “Materialadministration och

logistik - grunder och möjligheter” att den formella definitionen av JIT är:

“En filosofi inriktad mot att eliminera allt onödigt, där allt onödigt är sådant som adderar kostnader, men inte värde till en produkt” (Storhagen, 1995, s53)

Där idén är att hitta en balans mellan utbud och efterfrågan för att bli av med lagring av produkter. För att få ett perfekt JIT system krävs det stor öppenhet mellan aktörer och system som gör det möjligt att dela information i realtid till exempel med hjälp av EDI eller EPOS (Kros, Falasca & Scott Nadler, 2006; Fransso & Wouters, 2000). För att göra det möjligt med JIT så krävs det att information sprids genom hela leverantörskedjan frekvent och öppet. Detta sätter en stor press på att systemen som används bara tar nytta av data som faktiskt påverkar. Provost & Fawcett (2013) påvisar vikten av att göra noga avvägningar mellan vilken data som genererar nytta för systemet och vilket som bara genererar brus och skapar så kallat “overfitting”.

2.4 Overfitting

Ett större problem med att skapa ett system som analyserar och anpassar en output efter flertalet datapunkter och/eller källor är, enligt Provost & Fawcett (2013) så kallat “overfitting”. Med overfitting så menar Provost & Fawcett (2013) att för mycket data kan göra mer skada än nytta, där vissa data bara skapar brus och tar fokus från sådant som faktiskt påverkar i komplexa modeller. Det kan vara till exempel väder för matinköp kring jul, oavsett om det regnar, snöar eller är strålande sol och 20 grader varmt kommer svenskar köpa julskinka och prinskorv när det är dags att fira jul. Detta är ett exempel där mer data bara hade skapat brus och inte gett något värde för användare. Provost & Fawcett (2013) menar att det därför är viktigt att utreda huruvida datan kan komma att ge en värdefull output innan inmatning i systemet sker. Overfitting är en viktig del att ta hänsyn till inom automation av system och då även de automatiska system och modeller som är ett resultat av inventory management och dess forskning.

2.5 Sammanfattning

Inventory management syftar till att skapa ett så pass bra lager, att varor aldrig blir dåliga och inte heller tar slut. En stor del av IMS för färskvaror är att identifiera vilken av de 2 grupper som färskvaran tillhör, antingen då Fixed- eller Random-lifetime (Chaudhary et al, 2018). Inom IMS råden nya rön att hantera inventarierna med dynamiska modeller eller genom automatiska kontrollsystem som kontrollerar om där finns en efterfrågan, som DPRM, eller automatiska TTI-baserade AD:s, som, med sensorer, kontrollerar tid och temperatur för färskvarorna och

prissätter den dynamiskt därefter (Herbon et al. 2013;Wang et al. 2015). En grundpelare Inventory Management är att detta ska var möjligt till korta ledtider och effektiv delning av information mellan aktörer i en leverantörskedja. Forskning Disney & Towill (2003) presenterar visar att med hjälp av en tydlig inventory management, EPOS och EDI kan leverantörskedjor minska eller helt mitigera Bullwhip-effekten. Med hjälp av korta ledtider även skapa mervärde till kunden genom att alltid ha tillgång till färska varor utan att sätta större ansträngning på miljön. Vid byggnad och skapande av automatiserade datorsystem så menar Provost & Fawcett (2013) att det är det viktigt att tänka på att bygga systemet och algoritmen kring rådata, samt träna systemet på rådata och inte att vrida datan för att passa systemets redan utformade algoritm.

3 Metodik

Metodiken för rapporten och prototypen är främst baserade på Bryman & Bells (2017) framtagna metodik kring evidensbaserad managementmetodik. Denna metodik är baserad på att generell praxis och nolläge av situationen och den plats som problematiken finns i undersöks innan observationer och intervjuer sker. Detta ska i sin tur sedan leda till en kvalificerad rekommendation för att kunna driva vidare arbetet eller forskningen av problemsituationen. Detta utmynnar även i en flermetodisk forskningsstrategi som passar arbetet och den frågeställning som ställts av oss. Denna metod har valts då den är enkel att följa samt att den enligt Bryman & Bells (2017) lämpar sig bra för framtagandet av prototyper vilket är ett mål med denna rapport. Sjöberg (2012) användes som empiriunderlag tillsammans med Årsredovisningar från Axfood.

3.1 Referensramsmetodik

Det finns fortfarande, enligt Naturvårdsverket (2018) mycket svinn inom dagligvaruhandeln, trots att alla de stora kedjorna använder automatiserade system som i teorin bör minska svinnet signifikant. Därför har pusselbitsansats valts att anamas, med meningen på att där är något som saknas och som bör utforskas gällande AOS, dess effektivisering och svinn-reduktion inom dagligvaruhandeln.

För litteraturinsamlingen har dessa nyckelord använts: Bullwhip, SCA, Automation, Inventory management, Perishable Products och dynamic i kombination med inventory management. Litteraturinsamlingen skedde via LibSearch samt Emerald insight. Litteraturen har därefter bearbetats i enlighet med Bryman & Bell (2017) rekommendationer för systematisk litteraturgenomgång för att betona den evidensbaserade metodiken som ligger som grund för hela rapporten. Främst har Chaudhary et al. (2018) agerat som bas för inventory managements systematiska litteraturgenomgång då denna metaanalys/Litteraturöversikt har en bred ingångsvinkel för hela ämnet och dess aktuella ståndpunkt.

Äldre källor har använts när det kommer till bullwhip forskning då det är dessa källor som använts i nyare forskning. Definitioner och förklaringar till bullwhip har inte ändrats sedan Lee et al (1997a, 1997b) och därför har denna definition använts. Nyare forskning inom ämnet gjordes så sent som 2018 när Novitasari & Damayanti (2018) gjorde en systematisk litteraturstudie och föreslog en förbättrad modell för att mitigera Bullwhip-effekten på produkter som har ett kort utgångsdatum. Detta styrker att det finns ett problem som behöver mer forskning och konkreta lösningar för att göra det möjligt för företag att implementera.

Forskningen kring inventory management är främst stokastisk då att göra exakt forskning kring komplexa flervariabla modeller är både tunga när det gäller till beräkningskraft. (Chaudhary et al, 2018). Detta i sin tur är sedan ihopkopplat med den stokastiska forskningen kring MEI där det finns många olika inventarie-grupper och material som ska alla beräknas på väldigt komplexa och beräkningstunga. Detta medför att rent praktiskt är informationen om inventarierna inte precisa och inventarie-moduleringen är för det mesta vag eller oprecis (Chaudhary et al, 2018). Detta i sin tur gör att det är svårt att hitta en generell lösning inom Inventory Management då det oftast är olika ledtider hos leverantör, försvårat informationsflöde mot både externa och interna intressenter, olika leveransdistanser, tidsåtgång av leveranserna och olika lagrigsduglighetstider för lättfördärvliga varor samt att det finns ett informationsgap när det gäller färskvaror inom dagligvaruhandeln, då den mesta av forskningen inom inventory management mot lättfördärvliga varor är inriktade mot bland annat

blodbanker och andra sorters varor av samma natur. Däremot kan man göra ett antagande om att principerna är överförbara till en större grad trots de skillnader som finns mellan branscherna.

Overfitting är ett koncept främst framtaget för att behandla och motverka snedvridning av artificiell intelligens. Däremot, enligt Provost & Fawcett (2013) finns en viss likhet mellan artificiell intelligens, maskininlärning och automation av ordersystem finns. I och med dessa likheter valdes det att lyfta fram de problem som överanpassning av data mot system innebär. Främst användes detta för att förbättra prototyp- modelleringen och diskussionsunderlaget.

3.2 Intervju- & Observationsmetodik

3.2.1 Intervjumetodik

Rapportens intervjuer utgår utifrån semistrukturerade intervjuer där det finns 5 huvudfrågor som intervjuobjekten kommer att besvara. De 5 huvudfrågorna valdes utifrån sin tematik och generella och specifika natur gällande autoorder och för att verka uttömmande De berörda tematiska utgångpunkterna var Autoordersystemets funktion, uppfattning och manuellt arbete i detta, Svinn innan/efter införandet av AOS, färskvarors roll inom AOS. De 5 huvudfrågorna som användes var:

● Hur fungerar ert AOS och vad anser ni kan förbättras med det?

● Av färskvarorna, vilken varugrupp har fått mest marginal/vinst genom Axfoods system “AO”?

● Hur mycket måste beställaren påverka systemet vid beställningar av till exempel Kampanjvaror?

● Kan systemet helt själv räkna att till exempel hur mycket som såldes sist av denna vara vid förra eller liknande kampanjer?

● Finns det statistik på hur ert svinn med mat inom denna varugrupp såg ut innan AOS som vi kan ta del av?

Tematiken har då legat på de förbättringsmöjligheter som intervjupersonerna ser i det redan existerande AOS, hur färskvarorna är påverkade av AOS och dess marginal eller vinst, Hur mycket manuellt arbete som läggs ner i systemet för att hantera kampanjer och säsongsförändringar, och hur AOS:et själv räknar på eventuella kampanjer och förändringar som skett. Utifrån det fanns även underkriterier som berör frågeställningen med för att agera underlag för uppföljningsfrågor. Detta i sin tur har utmynnat i en intervjuguide att använda som stöd i intervjuerna. I utformning av intervjuguiden har Bryman & Bell (2017) agerat som underlag för oss. Ur denna har det tagits med viktiga delar för intervjuerna för att minska effekter som kan påverka svaren samt verka så extraherande av material som möjligt. Utifrån Bryman & Bells (2017) rekommendationer fanns även en passiv intervjuare som ryckte in vid klargöring av vissa frågor, men vars främsta uppgift var att anteckna från intervjun.

Intervjupersonerna som medverkat i denna studie har valt på grund av deras olika överlappande kompetensområden inom dagligvaruhandeln och AO. Urvalet har även skett som ett snöbollsurval där Intervjuperson 1 agerade som primär kontaktperson som i sin tur satte oss i kontakt med ytterligare intervjupersoner som hade en annorlunda roll inom Axfood och deras AOS. Se tabell 1 nedan.

Intervjuperson Roll Anledning Tid Intervjumetod

Intervjuperson 1 Handlare och medlem inom styrelsegrupp i Axfood Lång erfarenhet inom Axfood koncernen och dagligvaruhande ln generellt

33 minuter Fysisk - första kontakt Intervjuperson 2 Processpecialist - Autoorder Processpecialist på Autoorder 15 min Telefon - snöbollsurval

En av författarna känner Intervjuperson 1, en av intervjupersonerna, personligen. Samma författare har även tidigare varit aktiv som anställd inom Axfood-koncernen. Detta gör författarna till känna för att ge rapporten en viss transparens och även för att belysa en del av de bias som kan ha erhållas genom en tidigare kontakt med intervjupersonen. Bryman & Bell (2017) belyser risken att när intervjuer sker så kommer en viss bias från intervjupersonen, eller intervjuledaren att belysas. Därför valdes det att ha en passiv intervjuperson som endast antecknade under intervjun och gjorde nödvändiga inflikningar för att utveckla frågeställningarna. Intervjun sammanställdes sedan med intervjuledaren för att kunna synkronisera uppfattningen. Därefter fick transkriberingen och empirin läsas igenom av den intervjuade för att klargöra uppfattningen av hela intervjun. Snöbollsurvalet som valts i utformandet av studien har varit en viktig del då tidsramen för insamling av empiriskt material varit kort. Tidsramen har varit en stor faktor till de val inom metodiken och intervjuerna som tagit plats.

3.2.2 Observationsmetodik

Oates (2005) erhåller om en sorts metodik innehåller blandad observation och intervju. Detta liknar den metodiken som har efterföljts i denna rapport. För att kunna erhålla information som är mer relaterat till frågeställningen skedde en verbal interaktion under observationerna med personerna som använder systemet för att fråga utredande frågor men inte gjort rekommendationer eller gett direktiv mer liknande det som Oates (2005) kallar för aktionsforskning. Oates (2005) samt Bryman & Bell (2017) har använts för att skapa en observationsguide för att kunna erhålla fältanteckningar och agera guidande under observationerna och de stunder då observatörerna har behövt interagera med systemet eller personen som använder systemet, samt för att bringa ett fokus kring de aspekter som observatörerna ska främst ha i åtanke. För att förstå hur systemet används i den dagliga verksamheten och dess påverkan på inventarierna går till, skedde en konversation med observationsobjektet under observationen för att få fram hur hen gör för att hålla saldot så rätt som möjligt och hur de dagliga rutinerna ser ut för detta.

Rapporten har behandlat Axfood koncernen som studieobjekt. Det primära objektivet var att observera det automatiska AOS Axfood har döpt sitt till Auto-order. Hädanefter görs distinktionen mellan AOS som en allmän beteckning på autoordersystem och AO eller Axfood AO för det specifika systemet som Axfood använder. Inom studieobjektet Axfood så har även en specifik hemköpsbutik, som är en del av Axfood-koncernen, använts för att utföra en observation av systemet när det används och hur det används. Observationsobjektet är inte detsamma som intervjuperson 1 men de har anknytningar till varandra. Hemköpsbutiken valdes främst då tillgängligheten av denna var optimal för oss, samtidigt som att intervjuperson 1 inte hade inflytande över det som observerades eller frågades av observationsintervjuperson 1.

Tabell 2: Observationsobjekt och observationsintervjupersoner för studien

Observationsobjekt observationsintervjuperson Anledning Tid Observationsmetod

Hemköpsbutik Observationsintervju- person 1 Till- gänglighet + inget inflytande från intervjuper son 1 30 min

Fysisk - “on site”

Oates (2005) lyfter fram riskerna med blandad observation och intervju som metod att observera system i att grupptänkande och självbedrägeri är en stor del av riskerna. För att försöka motverka detta kommer inte heller observatörerna att försöka förstärka detta på något sätt och be dem förklara sina steg, försäkra de observerade personerna att det inte är individerna som observeras utan själva systemet och därifrån försöka utvärdera den mer generella bilden av utkomsten och systemets uppbyggnad. Oates (2005) menar på att just generaliseringar som detta kan göra modelleringen av prototypen mer applicerbar, om en bred, holistisk, generell bild av de olika systemen och dess uppbyggnad ges som bas.

3.3 Prototypmetodik

För prototypen har en prototyp-modellering eller “Prototype model” att upprättas som har utmynnat i en rekommendation för data-input och brukande av den data som dagens AOS redan genererar. Efter att empirin och teorin sammanställdes har därefter en figur liknande figur 3 sammanställts som en produkt och analys av teorin och empirin. Prototyp-modellering valdes för att skapa en enkel och översiktlig modell där empiri och teori kunde kombineras för att utgöra rekommendationer och eventuella process-klarifikationer.

Figur 3: Prototyping model, Diagram of a prototype model: Try QA (n.d). What is Prototype model- advantages, disadvantages

and when to use it?

Fördelarna med denna prototyp-modell enligt Try QA (n.d) är att den skapar en snabb förståelse av systemets holistiska syfte samt utvecklingen av denna. Detta tillsammans med att det sker en grav förenkling av ett komplex-system bidrar till att fel och avsaknad av funktionalitet upptäcks lättare. Att prototyp-modellen är lätt föränderlig är också en fördel då den lätt kan diskuteras och förändras utifrån dessa diskussioner. Try QA (n.d) menar dock på att nackdelarna med denna prototyp-modell är att det kan leda till att problemanalysen inte alls sker eller inte är komplett när ett system väl ska implementeras. Då denna rapport mer är menad att undersöka möjligheterna samt föreslå förbättringar är detta något som vidare kan diskuteras i framtida forskning. Praktiskt kan även denna typ av modellering bidra till en överkomplikation inom systemets räckvidd och då i sin tur även komplicera ett eventuellt bruk av systemets algoritm då det blir för kostsamt att implementera det. Modellens trovärdighet ligger i att det är ett väldigt utbrett sätt att arbeta kring information eller utveckling av system. Modellen används främst för att skapa en rudimentär och översiktlig bild över processen som sker inom komplexa system och för att skapa en modell där en klient kan få en bättre uppfattning av de krav som ska finnas i ett system eller som behöver läggas till. Prototyp-modellering är en väldigt eftersökt idé för stora, komplexa system där det inte finns en manuell process eller för att kartlägga redan existerande system för att göra en kravspecifikation och krav-bestämmelse. En stor nackdel med denna är dock att problemanalysen inom modellen kan bli okomplett eller helt uteblivit då fokuset ligger på översiktlighet.

3.4 Etisk Diskussion & Kvalité

Då arbetet involverar att interagera med personer som i sig har egna åsikter om systemet som kan skilja sig från företagets tankesätt är det viktigt att personerna är anonymiserade. För att även se till att det har erhållits en gemensam förståelse av situationen som intervjuobjekten har gett insikt inom har empirin erbjudits att kontrolleras av intervjupersonerna. Detta för att se att det finns en delad uppfattning av situationen. Innan intervjun har författarna lyft fram mot intervjupersonerna att de har haft rätten att avbryta intervjun när de vill, att de har rätten att dra tillbaka sitt uttalande samt att de har rätten att förbli anonyma och förbli associerade med forskningsresultatet. under studiens gång har författarna förhållit sig till den goda forskningssed som erhålls enligt Vetenskapsrådet (2017) där de främsta principerna legat på sekretess, tystnadsplikt, anonymitet, integritet och att arbetet följer sedvanlig lag och moral.

För att kunna studera hur AOS fungerar och ser ut var den första tanken att studera flera olika dagligvaruhandelskedjor för att sen jämföra dessa och bygga en modell som tog de bästa från alla kopplat till de teorierna säger. Tyvärr ställde inte fler företag upp under den satta tidsramen

för arbetet vilket gjorde att den empiriska datan inte fanns för jämförelse mellan företagen utan istället riktades uppsatsen in på ett företag. Det företaget som det valdes att rikta in sig på var det som gav bäst respons och kunde ställa upp på intervjuer och observationer under den tidsramen. Axfood är en av de större aktörerna på den svenska marknaden och i koncernen ingår kedjor som Hemköp och Willys. Utöver de intervjuer och observationer som utfördes fanns det även mycket data på nätet som gick att använda och fylla ut med för att få en bra empirisk grund. Detta medför tyvärr en viss tunn empiri så kan inte heller kvaliteten på det insamlade materialet inte har den önskade nivån och därmed i detta överförs att läsaren till rapporten bör ha detta i åtanke. Trots detta så kan rapporten anses bidra med ytterligare frågeställningar och perspektiv som är efterfrågade av både näringsliv och akademi.

4 Empiri

4.1 Bakgrund om Axfood och deras system ”Autoorder”

2007 testade Dagab, en del av Axfood-koncernen som hanterar logistiken ett nytt centralt system vid namn autoorder i åtta Willys butiker framgångsrikt vilket ledde till att de 2008 införde systemet i Willys butiker och sedan hemköp (Axfood, 2008). Autoorder var då ett program för att centralisera och automatisera orderprocessen för butikerna och detta i sig var en strategisk satsning från Axfood för att driva på en optimal drift av butiker och förbättra kundens upplevelse. Sjöberg (2012) erhåller om att 2012 hade Axfood flertalet utbildningar på deras intranät inom butikerna där fokus ligger på miljö och säkerhet där bland annat svinn finns, dock var detta då endast en rekommendation att genomgå. Detta syntes även vid Sjöbergs (2012) slumpmässiga urval av personal där endast 3 av 9 hade genomgått en miljöutbildning eller hade genomgått någon utbildning där svinn hade behandlats och endast en av dessa anställda kunde bestämt minnas att frågor rörande svinn tagits upp i utbildningen. År 2016 så stod autoorder för ca 83 % av alla butiksbeställningar inom Axfood (Axfood, 2017). Axfood har även fortsatt att bygga ut systemet genom att 2018 ingiva sitt första automatiserade lager i Jönköping som räknas vara i full drift första kvartalet 2019 och förse Axfoods kedjor runt om i Sverige med färskvaror (Axfood, 2019). Axfood sitter nu med en stor mängd kunddata och en “guldgruva” med data enligt Axfood (n.d) själva där datan kan komma till användning för att lära känna sina kunder bättre i ett skifte där framtiden säger personifiering och digitalisering och den data som kunderna genererar kan analyseras och modelleras för att försöka förutspå framtiden.

4.2 Hur fungerar systemet i butik idag?

Utifrån intervju med intervjuperson 1 så är AO i sin grund komplext med flera parametrar som jobbar tillsammans för att räkna ut det framtida behovet för att skapa så precisa ordrar som möjligt. Vissa av parametrarna sätts av butiken själva så som MPL (minsta presentationslager), LBP (Lägsta beställningspunkt), hur många dagar som systemet ska göra beställningar för att nämna några. Systemet håller även koll på helgdagar, en del såsom jul som alltid infaller samma datum varje år klarar systemet av själv att anpassa sig till medan påsk och liknande helgdagar som infaller på olika datum varje år måste en person centralt hårdkoda in i systemet vilka datum det kommer infalla. Intervjuperson 1 erhöll även det finns många leverantörer och att innan AO som system implementerades så hade butikerna problem med att hålla reda på olika ordrar, vad dessa innehöll och vad som behövdes fyllas på och beställas i nästa order under tiden som en tidigare order processerades och skickades ut till butikerna. AO har även gjort att butikerna numera har mindre leveranser måndag till lördag, när de innan systemimplementationen hade färre och större leveranser.

Dessa är några av parametrarna som systemet tar hänsyn till. Systemet tittar även på försäljningshistorik de senaste två veckorna samt längre bak i tiden för att leta efter trender inom försäljningen för att skapa en så precis order som möjligt. Detta har underlättat på många avdelningar inom dagligvaruhandeln, till exempel mejeri som tidigare tog mycket tid för att göra ordrarna varje dag som ändå blev fel dagen efter, medan systemet idag klarar av att göra mer precisa ordrar utan att det tar tid från personal som istället kan lägga sin tid på kunder. Även andra avdelningar med lättfördärvliga varor har sett stora fördelar men även vissa brister, om Oxfilén är under MPL så kommer systemet automatiskt föreslå en beställning av LBP,

oavsett om det är måndag eller fredag. Systemets brist på hänsyn till dagar är något som skapar vissa problem med överbeställningar.

Intervjuperson 1 och Observationsintervjuperson 1 påpekar båda att ett problem som finns idag med systemet är att det dels inte täcker alla varor, bröd och frukt & grönt är två områden där autoorder idag inte används men där båda objekten ser potentiella minskningar i svinnet med hjälp av autoorder. Även behovet av bättre hänsyn till kampanjer lyftes fram av objekten. När det idag sker en kampanj så skickas ett KOF (kampanjorderförslag) ut av Axfood där systemet har räknat ut den totala mängden som hela kedjan kommer sälja och varje enskild butiks försäljning är uträknat. Den totala mängden brukar stämma medan varje enskild butik inte alltid stämmer lika bra som förväntat. Ett annat problem som kampanjer medför till systemet är att det idag inte klara av att anpassa övriga varor inom samma varugrupp. Till exempel om det är kampanj på blandfärs så kommer inte nöt- och fläskfärs säljas i samma mängd som annars, men det tittar inte systemet på (förutsatt att kampanjen inte infaller exakt samma datum som tidigare år) vilket gör att butikspersonal måste gå in och anpassa och/eller gissa hur mycket som förväntas säljas vilket ofta blir fel och leder till ett ökat svinn.

4.3 Hur använder personalen systemet?

Varje morgon så kollar hen rapporter på datorn angående gårdagen där systemet varnar för eventuella oregelbundenheter som till exempel minus-saldon. Där olika varningar hanteras på olika sätt, där till exempel minus-saldon korrigeras genom att spontan inventera varan i fråga och föra in antalet som finns hemma i systemet med hjälp av en handdator. Det kan ha uppstått för att personen som tog emot en inleverans missade att skanna koden på pallen eller att fel antal har levererats.

Observationsobjektet påpekar att ca 300–400 spontan-inventeringar sker varje vecka, inte bara för minussaldo utan även för att det är tomt i hyllan eller stora mängder av en viss vara finns hemma trots att det inte borde. Här har handdosan underlättat vardagen mycket för användare av systemet, där den enkelt kan skanna en vara för att se lagersaldo, föra in spontan-inventeringar eller godkänna orderförslag från systemet. Fördelen med att enkelt kunna godkänna orderförslag genom handdosan ute i butik är något som är väldigt uppskattat då det tidigare krävde att personen tog sig tid att gå till datorn och godkände ordrarna inom vissa tidsramar för att leveransen skulle ske som planerat. Enligt intervjuperson 1 är det också i systemets handdatorer som svinn registreras. Detta svinn som registreras ligger på ca 1 % av butikens omsättning. Vid frågan om detta var industristandard visste inte Intervjuperson 1 om det var det men hen kunde anta detta. Svinnstatistiken kunde däremot skilja sig drastiskt från butik till butik beroende på de rutiner som fanns gällande att registrera det och Intervjuperson 1 menar att i hens butik är dessa väldigt duktiga på att registrera detta. Intervjuperson 2 menar på att Willy är de som bäst använder AO och svinn i synergi med varandra. Sjöberg (2012) menar dock att industristandard av svinn i butik kring 2012 låg på 0.78% exklusive krediteringssvinn men då har även Sjöberg (2012) formulerat att butikerna var duktiga på att registrera svinn inom de ramar som satt upp för miljömärkta butiker och bra miljöval-butiker.

Under observationen berättar Intervjuobjektsperson 1 att något av det viktigaste hen ser med systemet är vikten av att inte behöva ta varor in och ut ur lagret. Objektet menar att varor som måste tas in och ut ur lagret kostar för mycket tid för personalen som är tid som bättre kan läggas på kundvård. Där det enbart ska finnas extra av varor som tillhör säsong eller kampanjer.

5 Analys

5.1 Analys utifrån inventory management-perspektiv

Såväl teorin som empirin påvisar möjligheterna och de positiva effekter som automation ger för att minska svinn i svensk dagligvaruhandel. Såväl intervjuobjekt som observationsobjekt påpekar att svinn har minskat, om än utan faktiska siffror som bevis, medan varuutbudet har ökat. Vilket gjorts möjligt via den digitala transformationen som branschen har och fortfarande genomgår med till exempel AO. Men vissa delar inom dagens AO på Dagab tar inte hänsyn till den fulla effektiviteten som finns att hämta inom automation i ett inventory management-perspektiv. Under intervju och observation påpekas att avsaknaden av ett mer tänkande system eller dynamiska parametrar för att bättre anpassa beställning av lättfördärvliga varor var ett problem med AO. Som Segev (2018) påvisar är vikten av dynamiska modeller av vikt när det kommer till att hantera lager och beställningar och även Wang et al. (2005) påvisar vikten av att hålla ett dynamiskt lagerantal för att hålla kostnader och bundet kapital lågt men alltid ha tillgång till produkter.

Herbon et al. (2013) påvisar även de möjligheter som kan finnas i ett automatiserat system där flertalet sensorer kan ha en ledande roll inom att minska svinn och introducera ett bättre produktflöde inom dagligvaruhandeln. Intervjupersonerna och inte nämnt dessa som möjligheter inom framtiden men däremot är det något som kan ses som en möjlig framtid given teoretiska implikationer då Herbon et al. (2013) påvisar att IoT eller RFID baserade TTI-baserade AD:s kan ge en ökad marginal för färskvaror och lättfördärvliga varor utifrån en prisdifferentiering-strategisk synpunkt. Detta i grunden har att göra med dynamiken och automatiken som Herbon et als. (2013) modeller och antagande bygger på gällande just färskvaror och den Random Lifetime-faktor som Chaudhary et al. (2018) påvisar finns inom modellering för just färskvaror inom AOS. Chaudhary et al. (2018) påvisar även att moderna IMS som är automatiska genom sin litteraturstudie om de moderna IMS som använder flergrupperingsmodeller som MEIS är effektivare, dock är det svårt att säga om detta stämmer i verkligheten då flertalet av dessa är stokastiska då det kräver en stor beräkningskraft för att beräkna faktiska fall istället för teoretiska, stokastiska fall. Utvecklingen av de helt automatiserade lagret som Axfood gjort i Jönköping påvisar att såväl koncernen som branschen letar efter sätt att effektiviseras med hjälp av teknologi (Allhorn, 2018). Axfoods agerande och utformning av sitt AOS och teorin har en viss sammanstötning, då teorin implicerar att inom ett AOS bör alla varor finns inom systemet för att optimera informationsflödet inom logistikleden (Chaudhary et al. 2018). Att dessutom det finns komplikationer i och med att bröd-sektionen sköts ut av externa parter och inte internt eller via AO. Både intervjuperson 1 och objektintervjuperson 1 håller med varandra om att detta är något som är avsaknad inom AO och har en stor potential för att öka marginalerna och minska på svinnet, om bröd-transport skulle vertikalt integreras in i Axfood och AO.

5.2 Analys utifrån Bullwhip-perspektiv

Författarna reagerade direkt på att Intervjuperson 1 nämnde att frukt & grönt, bröd och kött inte var inkluderat i AO. Främst då intervjuperson 1 själv nämnde att detta var önskvärt från en handlares perspektiv samt att Bullwhip-effekten, som Lee et al. (1997b) kallar den i sin tur blir nämnvärd och en eventuell faktor till det svinn som kan förekomma i dessa kategorier. Bullwhip-effekten i sig själv är starkt bevisad via Beer game som Nienhaus et al. (2006) utformat och presenterat. I sig är det också visat att utifrån studier av Bullwhip-effekten att när

informationsflödet är öppet minskar och till och med elimineras effekten. I detta fall ter det sig som att det smartaste valet hade varit att använda de EPoS och inventory management-system som AO, som redan är implementerade. Behovet av en dynamisk MPL kan även kopplas till Lee et al. (1997b) teori om Bullwhip, där beställningar som kommer in till leverantör utan att efterfrågan finns skapar en rippel-effekt genom hela leverantörskedjan. Då systemet idag utgår från fasta parametrar på varor finns det en risk till att bli en bidragande faktor till Bullwhip-effekten, då systemet alltid kommer vilja ha en viss mängd varor hemma utan att en efterfrågan faktiskt finns. Som intervjuobjekt 1 påvisar med sitt exempel med oxfilé.

En annan anledning till Bullwhip-effekten enligt Lee et al. (1997a) är price fluctuations, där tillfälliga priser påverkar efterfrågan av kund och ökar behovet av tillgång hos leverantör. AO tar idag inte hänsyn till hur andra produkter inom samma varugrupp säljer när en specifik vara är på kampanj, intervjuobjekt 1 påpekar att systemet idag inte klarar av att anpassa beställningar av till exempel nötfärs när blandfärs är på kampanj vilket gör att om personalen inte är uppmärksam på beställningar kommer för mycket blandfärs komma in. Även då så påpekar intervjuobjekt 1 att en människa inte kommer klara av att göra ett lika bra jobb med beställningar som AO skulle klara av om den kunde ta hänsyn till detta då den mänskliga faktorn om vad som har beställts dagen innan lätt missas eller personen som brukar göra beställningar är borta och en ovan får lägga en beställning. Detta kan påverka Bullwhip-effekten såväl positivt som negativt då en låg beställning skapar tron om att efterfrågan gått ner men kan leda till att det tar slut i hyllan och en kompensation beställning görs gången efter vilket då ökar Bullwhip-effekten genom leden.

I empirin så ges en enhetlig bild, från intervjuperson 1, intervjuperson 2 och observationsintervjuperson 1 av den nuvarande situationen som finns inom Axfood och dess AOS. Uttaget från hur omvärldens ser på svinn och släng av färskvaror bör detta också tas i beaktning vid analys av det som nämns utifrån intervjupersonerna. Intervjuperson 1 nämner också detta under intervjun då hen påpekar att svinn-statistiken är oregelbunden hos vissa butiker, se bilaga 3. Att detta sker kan vara för att täcka upp större delar svinn och kan anses som att obfuskera information från AOS. För att minimera en Bullwhip-effekten för därför informationen vara korrekt och flöda fritt. Forskningen inom Bullwhip-effekten har påvisat hur öppen kommunikation, strukturerad och effektiv användning av IT-lösningar kan minska och i vissa fall helt mitigera Bullwhip-effekten men att det kräver system som klarar av att anpassa sig till olika situationer.

5.3 Analys utifrån Just-In-Time perspektiv

Observationsobjekt 1 säger att varje gång en vara måste lämna lagret och sedan återgå till lagret på grund av fullt i hyllan är ett misslyckande av systemet då det tar tid från personalen till att ägna sig åt kunder. Det tänket som objektet och även systemet har, att allt som kommer hem ska alltid finnas behov för, visar på ett tydligt JIT-tänk. Där det gäller att eliminera allt onödigt, i detta fall behöva bära ut varan på lagret igen eller inte ha varan hemma, som adderar kostnader men inte ökar värdet på produkten.

5.4 Analys utifrån Overfitting-perspektiv

Såväl Provost & Fawcett (2013) som Segev (2018) påvisar vikten av att försiktigt tillföra så mycket information som möjligt till systemet utan att skapa “brus” som gör att systemet jobbar långsammare utan att generera mervärde. Här har AO utvecklingen till viss del hållit sig inom

ramarna av forskningen som finns, genom att inte bombardera systemet med information utan att se till så ett faktiskt mervärde skapas. Men samtidigt har en viss försiktighet gjort så att lösningar som enligt intervju och observationsobjekt tydligt efterfrågas inte har utvecklats, till exempel dynamiska MPL: er och att systemet ska kunna hantera varor inom samma varugrupp vid kampanjer. I sig ser då ut att det finns utvecklingspotential inom AO hos Axfood där data-centriska applikationer kan ta plats. Däremot så bör AO, när det utvecklas ha overfitting i åtanke vid utveckling och vidareutveckling av AO och andra data-centriska automations-applikationer.

5.5 Prototyp

Med analysen som grund kommer nedan en prototyp presenteras på eventuella förbättringar som finnas att göra till AO. prototypen ämnar till att ligga som grund för eventuell fortsatt forskning eller utvecklingsarbeten med AO.

Diagram 1: Prototypmodell 1 - Desegregering av interna data till AO för prototyp-systemet

Diagram 1 visar de databaser som systemet på en enkel nivå bör ta hänsyn till. SOF/KOF delen är som den är idag men att den även ska kunna ta beslut om dynamisk MPL & LBP. Det görs med hjälp av kampanjhistorik databasen som syftar till att spara försäljningsstatistik på varor inom samma varugrupp som kampanjvaror till exempel hur mycket blandfärs som såldes när det var kampanj på nötfärsen. Detta för att uppfylla önskemålet som intervju och observationsobjekt framförde att systemet ska kunna anpassa sig till kampanjer och något som fler butiker enligt intervjuperson 1 och observation-intervjuperson 1 hade efterfrågat. Den andra förnyelsen som har tagits fram i prototypen är inte baserad på önskemål från intervju och observationsobjekt utan kommer baserad utifrån forskningen som påvisar behovet av

flexibilitet och hur Bullwhip-effekten kräver framförhållning för att undvikas. Trenddatabasen ämnar till att agera som BI-verktyg och titta på mat och dryckestrender runt om i världen och Sverige för att försöka förutspå eventuella trender som kan dyka upp, till exempel som när kvarg gick från att vara en restprodukt till att numera vara synonymt med träning och hälsa och säljs i stora mängder. Även en databas som börjar föra statistik på svinnet över flera års tid för att faktiskt kunna mäta bättre inte bara i kr utan även i volym hur mycket som faktiskt slängs och av vad. I diagram 1 syns även en översikt på den process av AO som beskrivs i diagram 2.

Diagram 2: Prototypmodell 2 – AO-process - hantering av information internt i prototyp-systemet

Diagram 2 visar hur författarna avser att systemet ska fungera tillsammans med databaserna när systemet startar ska det först kolla på MPL och LBP för att anpassa till veckodagar och hur försäljning sett ut av varan tidigare på samma veckodag. Efter det så tas KOF och SoF hänsyn till för att se eventuella kampanjer och säsonger som behöver tas med i beräkningar för systemet. Kampanjhistoriken avser sen att avgöra hur mycket av varan ska beställas hem om en liknande vara till exempel nötfärs och blandfärs, om den ena är på kampanj. Sen kommer eventuella trender tas hänsyn till innan systemet jobbar på som det gör idag genom att titta på statistik de senaste två veckorna och även samma datum året innan.

Detta skapar en bra modell som tar hänsyn till många av de önskemål som intervjuobjektet och observationsobjektet framförde som önskemål inte bara för sig själva utan som de hört från andra användare av systemet. Förbättringarna tittar även på sådana punkter som forskning påvisar är viktigt för att minska negativa effekter likt Bullwhip-effekten.

6 Diskussion & Slutsats

6.1 Slutsats

Den här uppsatsen har ämnat till att undersöka hur dagens AO system inom Axfood fungerar, används och hur det eventuellt kan utvecklas för att skapa mer precisa ordrar för att minska klimatpåverkan som livsmedelsindustrin idag har på det nuvarande klimatet. Rapporten har undersökt detta ur ett Inventory managementperspektiv och använt sig utav olika teoretiska modeller för att förklara varför systemet ser ut som det gör idag och för att kunna hitta eventuella utvecklingsmöjligheter, för att svara på frågorna:

Hur fungerar dagens AOS i dagligvaruhandeln, gentemot teorin om inventory management?

Har svinn inom dagligvaruhandeln minskat med AOS?

Hur kan dagligvaruhandeln eventuellt bygga ut AOS för att effektivisera produktflödet och minska svinn på färskvaror och lättfördärvliga varor?

Anekdotiskt har svinn minskat med införandet av AO hos Axfood. Detta går dock inte att direkt understödja då informationen inte finns fritt eller kunde tillhandages från någon av intervjupersonerna. Det framgick dock under en av intervjuerna att svinn idag mäts inte i volym utan i kronor samt att det även finns ett visst mörkertal inom just svinn då det handlar om hur det rapporteras vilket vissa butiker helt bortser från att göra. Dagens AOS, även inom Axfood kallat AO, fungerar utefter automation av de flesta artiklar inom butikens sortiment samt manuellt arbete kring högtider, kampanj och säsongsvaror. För att besvara den sista frågan valdes det att skapa en prototyp för att på ett enkelt och tydligt sätt tydliggöra hur AO kan utvecklas för att effektivisera produktflödet och minska svinnet. Det som konkret lyftes fram för att minska svinnet och effektivisera produktflödet är att införa dynamiska MPL och LBP för att bättre kunna anpassa beställningar till vilken dag det är. Detta är något som användare har efterfrågat men även något som forskningen påvisar vikten av att ha i digitala system då det finns möjligheter till att ha detta. Även förbättringen att titta på eventuella trender ökar möjligheter för leverantörer att bättre planera produktion och inte behöva akut producera varor. Prototypen visar även förslag på att införa en databas som håller koll på hur övriga varor inom samma varugrupp sålts vid tidigare kampanjer för att inte skapa ett för stort lager med varor som sedan hinner bli gamla innan de säljs. Dessa förbättringar hittades stöd för inom såväl forskning som uttryckta önskemål hos deltagande individer.

6.2 Diskussion

Teorierna som användes i rapporten har haft sina brister, till exempel är mycket av den forskning som lyfts fram inom Bullwhip-effekten relativt gammal. Detta är inte för att ny forskning inte finns att tillgå utan för att forskningen som valts ut i denna uppsats har varit den som nyare forskning inom området har refererat till och kommit till samma slutsatser. Vilket gör att valet föll på att använda originalkällan för att skapas egna uppfattningar och tolkningar av den. Även forskningen inom JIT var relativt gammal definierade den väldigt bra synen på ämnet och överensstämde med dagens synsätt.

Utöver att vissa källor var relativt gamla så fanns det svagheter där vissa var väldigt teoretiskt bundna och av stokastisk natur vilket gör att det inte alltid är applicerbart i verkligheten. Detta

gällde specifikt Multi Echelon Inventory där det valdes att titta på forskningen ur implementations-synvinkel, alltså finns det möjlighet att faktiskt kunna omvandla teorin och modellerna till att användas eller är det bara en teori som inte kommer att kunna användas i systemet idag.

Empirin som presenterats innehåller vissa brister, där till exempel intervju- och observations-antalet är väldigt lågt, vilket har burits upp av att istället referera till tidigare forskning inom samma område. Denna forskning är skriven med tolkningar av just den forskningen vilket kunde ha varit annorlunda om författarna själva genomfört intervjuer med personer. Avsaknaden av djupare underlag och intervjuer med personer som är mer insatta i systemet skapade även problem för oss vid prototyp skapande. Då det fanns en ovisshet av vilka funktioner som faktiskt finns men kanske inte används av intervju och observationsobjektet och hur ser deras utvecklingen ser ut. Kanske har de förslag som rapporten föreslår redan testats och misslyckats vid utveckling och därför är förslagen som presenterats i uppsatsen överflödiga och kan inte skapa ett underlag och praxis för framtida forskning och utveckling. Vilket var ett av målen med uppsatsen, att den skulle agera underlag för utveckling, vidare forskning och även kunna agera praxis av vad som faktiskt bör finnas i ett AO system.

6.3 Fortsatt forskning och kunskapsbidrag:

Syftet med denna rapport var att undersöka hur AOS kan utvecklas för att hjälpa dagligvaruhandeln nå de mål som satts upp i Agenda 2030 ur ett inventory managementsynsätt. Detta har påvisats med hjälp av prototypen och har även gett svar på de forskningsfrågor som sattes upp. För att skapa en djupare och bättre förståelse för just ämnet AO inom dagligvaruhandeln behövs vidare forskning inom ämnet, Där förhoppningarna finns att denna rapport kan agera kunskapsbidrag i form av att agera förstudie eller tidigare forskningsunderlag. Prototypen även kan agera kunskapsbidrag på hur Axfoods AO system idag kan utvecklas för att bättre passa till det teorierna säger om hur lager kan skötas för att skapa mindre negativa effekter. Prototypen i sig är ett bidrag till det studerade fallet, men kan generaliseras och användas som en grund för utveckling av andra AO och även för vidare forskning då den vilar tungt på vad forskningen säger om Automatiska ordersystem och vad som krävs för att mitigera detta. Vilket inte ändrar sig från system till system.