Att hantera 50 000 SKU:er över flera butiker och lager kräver mer än kalkylblad och manuella processer. I den här sessionen berättar Bragi Þór Antoníusson från BYKO hur företaget transformerar sin försörjningskedja genom intelligent automatisering, och går från lagerstyrd planering till efterfrågestyrd påfyllnad. Han förklarar hur detta nya arbetssätt har förbättrat varutillgängligheten, minskat lagernivåerna och gett teamen mer tid att fokusera på kunder, leverantörer och strategiskt beslutsfattande.
Ange dina uppgifter för att titta på inspelningen på begäran.
Hur BYKO automatiserade påfyllnad utan att förlora mänsklig kontroll
Att hantera lager över tusentals produkter, flera lager och butiksplatser kräver mer än bra prognoser. Det kräver en tydlig operativ modell som gör att människor och teknik kan arbeta tillsammans.
I den här sessionen förklarar Bragi Þór Antoníusson hur BYKO omformar sina påfyllnadsprocesser genom att automatisera rutinmässiga lagerbeslut samtidigt som människor kan fokusera på strategi, leverantörssamarbete och kundbehov. Han belyser skiftet från lagerstyrda inköp till efterfrågestyrd påfyllnad, vikten av tillförlitlig lagerdata och varför framgångsrik automatisering är lika beroende av organisatorisk förändring som av programvara.
Presentation ger praktiska insikter för återförsäljare och distributörer som vill minska manuellt arbete, förbättra varutillgängligheten och bygga mer robusta försörjningskedjeoperationer.
Bragi Þór Antoníusson är chef för Supply Chain, Inköp och Marknadsföring på BYKO, en av Islands ledande återförsäljare inom hemförbättring och byggmaterial. Han leder företagets transformation av försörjningskedjan med fokus på automatisering, datadrivet beslutsfattande och att bygga mer effektiva lager- och påfyllnadsprocesser som förbättrar både den operativa prestationen och kundupplevelsen.
Einar Thorhallsson: Välkomna allihop. Idag vill jag prata om hur vi bygger om AGR kring två idéer: standardisering och AI-assistans. Marknaden för programvara för försörjningskedjan har historiskt sett sålt stora, anpassade implementeringar. Vi tror att nästa årtionde ser annorlunda ut.
Einar Thorhallsson: De flesta av våra kunder kör ett affärssystem – Business Central, NAV, SAP, NetSuite – och affärssystemet innehåller sanningen om försäljning, lager och leverantörer. AGR sitter bredvid affärssystemet, läser den datan, prognostiserar efterfrågan, föreslår order och skriver tillbaka de godkända orderna. Ingen dubblett av masterdata.
Einar Thorhallsson: På AI-sidan är de praktiska vinsterna idag inte autonoma agenter. De är avvikelsedetektering i försäljningshistorik, smartare säsongsvariationsuppdelning och undantagsrankning så att en planerare som hanterar 20 000 SKU:er bara tittar på de 200 som faktiskt ändrades den här veckan.
Einar Thorhallsson: Automatisering är lagret under. När en prognos är betrodd körs orderförslaget automatiskt mot leverantörers ledtider, MOQs och förpackningsstorlekar. Planeraren granskar, redigerar vid behov och godkänner. Inköpsordern synkroniseras tillbaka till affärssystemet på några sekunder.
Einar Thorhallsson: Angående prissättning och implementering – vi publicerar priser per användare, och de flesta kunder är igång inom fyra till åtta veckor. Det är bara möjligt eftersom vi slutade bygga anpassade versioner för varje kund och standardiserade datamodellen.
Einar Thorhallsson: Angående resultat – över hela vår kundbas ser vi typiskt att lagerhållningen minskar med cirka 11 % och lagersaldot minskar med upp till 40 % under det första året. Dessa siffror kommer från vårt kundbenchmark för 2025, delar gärna med mig av metodiken efter sessionen.
AI-driven lageroptimering använder maskininlärningsmodeller för att prognostisera efterfrågan på SKU-nivå, upptäcka avvikelser i försäljningshistorik och föreslå påfyllningsorder som planerare kan godkänna med ett klick. I AGR körs AI kontinuerligt på affärssystemets försäljnings- och lagerdata och visar endast de undantag som kräver mänsklig uppmärksamhet.
Automatisering utför regler du redan har definierat – till exempel att automatiskt generera en inköpsorder när lagret når en beställningspunkt. AI förbättrar reglerna själva: den lär sig säsongsvariationer, kampanjer och leverantörers ledtidsvariation från historisk data och uppdaterar prognoser och säkerhetslager utan manuell justering.
De flesta AGR SaaS-kunder går live inom 4–8 veckor. Den standardiserade datamodellen och förbyggda affärssystemskontakter (Microsoft Dynamics 365 Business Central, NAV, SAP, NetSuite, Sage, IFS, Jeeves) eliminerar det integrationsarbete som tar flera månader och är typiskt för äldre verktyg för försörjningskedjan.
AGR har förbyggda, stödda kontakter för Microsoft Dynamics 365 Business Central, Dynamics NAV, SAP, NetSuite, Sage, Visma, IFS och Jeeves. Andra affärssystem ansluter via REST API eller flat-filintegration.
Över AGR:s kundbas minskar företag vanligtvis lagerhållningen med upp till 11 % och minskar lagersaldot med upp till 40 % inom de första 12 månaderna – baserat på AGR:s kundbenchmarkdata, 2025.
Ja. AGR används av över 400 företag inom grossistdistribution, special- och FMCG-detaljhandel samt tillverkning med planering av råmaterial och färdiga varor. Samma prognos- och beställningsmotor anpassar sig till varje vertikal via konfiguration, inte anpassad kod.
Ange dina uppgifter för att titta på inspelningen på begäran.
Föredrar du att prata med någon? Boka en demo
