--- title: "Klassisk ML slår stadig en LLM i efterspørgselsprognoser" url: "https://hurukan.com/da/blog/klassisk-ml-slaar-stadig-llm-i-prognoser" description: "Spørger du en chatmodel, hvor meget der skal bestilles, får du et velformuleret tal, ikke en prognose. Det kræver klassiske modeller og en backtest." --- # Klassisk ML slår stadig en LLM i efterspørgselsprognoser 30\. juni 2026·4 min. læsning·Redaktionen En planlægger set fra siden på et lyst kontor med udsigt over høje lagerreoler, en skærm med en abstrakt blå kurve med et skraveret bånd, et printet regneark og en kuglepen på bordet En indkøber indsætter et års månedlige salgstal for ét produkt i en chatassistent og spørger, hvor mange enheder der skal bestilles til næste kvartal. Svaret er ét selvsikkert tal med en rimelig forklaring: Der er en vis sæsonvariation, en svag stigende tendens, og der er lagt en sikkerhedsmargin til. Indkøberen afgiver ordren. Tallet er måske endda tæt på. Det er ikke problemet. Problemet er, at ingen ved, hvor tæt det sandsynligvis er, fordi intet ved det kan måles. Der er ingen registrering af, hvordan metoden ville have klaret sig sidste år, intet fejlinterval og ingen viden om den kampagne, der er planlagt næste måned, de tre uger, hvor varen var udsolgt, eller leverandørens nye leveringstid. Efterspørgselsprognoser er et statistisk problem om tal over tid, med en kendt struktur: tendens, sæson, kampagner, prisændringer og udsolgte perioder, der skjuler den reelle efterspørgsel. Klassiske metoder er bygget til netop den struktur. Eksponentiel udglatning, ARIMA-lignende modeller og gradient-boostede træer på velvalgte variable er billige at køre, og frem for alt kan deres fejl måles på historikken, før nogen stoler på dem. En generel sprogmodel genererer sandsynlig tekst. Et tal i den tekst kommer uden fejlmargin og uden backtest. ## Hvor det går galt at spørge en chatmodel **Ingen backtest.** Du ved ikke, hvor meget metoden ville have ramt ved siden af på sidste års data, så du kan ikke sammenligne den med noget — heller ikke med slet ikke at gøre noget smart. **Salg er ikke efterspørgsel.** Når hylden var tom, var salget nul, men efterspørgslen var det ikke. En model, der læser rå salgshistorik, lærer tabt efterspørgsel som lav efterspørgsel. Prognosepipelines håndterer udsolgte perioder eksplicit; en indsat tabel gør ikke. **Det, der kan være i en prompt, er ikke historikken.** Et rigtigt sortiment er mange varer på mange lokationer med et hierarki af kategorier, der deler mønstre. Det kan ikke være i en samtale, så modellen laver prognoser for hver vare isoleret, ud fra det lille, den fik vist. **Et nyt svar hver gang.** Sprogmodeller sampler deres output. Spørg to gange, og du får måske to tal — og der er ingen principiel måde at vælge mellem dem på. **Forklaringer, der lyder rigtige.** Modellen nævner sæsonvariation, uanset om data har nogen, fordi prognoser normalt nævner sæsonvariation. Forklaringen er en stil, ikke en analyse. **Omkostninger og hastighed i stor skala.** At køre hver vare hver uge gennem en stor model koster langt mere end en klassisk model, der kører fint på almindelig hardware. ## Hvor hver type model hører hjemme **Klassiske modeller leverer tallene.** Start med naive referencer: samme periode sidste år og gennemsnittet af de seneste perioder. Prøv derefter eksponentiel udglatning og en gradient-boostet model med variable for pris, kampagner, kalender og udsolgte perioder. Behold den, der slår referencerne i en backtest, og bliv ved med at måle den. **Sprogmodellen indsamler og forklarer.** Den læser leverandørens e-mail om en længere leveringstid og gør den til en parameter. Den omsætter salgsafdelingens kampagneplan til variable, prognosen kan bruge. Den forklarer en prognose for indkøberen i almindelige ord og skriver et udkast til indkøbsordren til godkendelse. Det er dér, sprogmodeller er stærke, som beskrevet i [hvor sprogmodeller gør gavn](https://hurukan.com/da/blog/hvor-sprogmodeller-goer-gavn). **Foundation-modeller til tidsserier er en kategori for sig.** Modeller, der er fortrænet specifikt på tidsserier, er ikke chatassistenter, og nogle af dem er værd at teste. Behandl dem som enhver anden kandidat: samme reference, samme backtest, og behold dem kun, hvis de vinder på dine data. **Et menneske beslutter ordren.** Prognosen, dens usikkerhed og begrænsningerne (mindste ordrestørrelse, holdbarhed, budget) bliver til en foreslået indkøbsordre. En ansvarlig person godkender den. Det er den kæde, Hurukans moduler er designet omkring. Beholdning, reservationer og optællinger i [Lager og logistik](https://hurukan.com/da/modules/lager-og-logistik) leverer historikken og de udsolgte perioder; [Indkøb](https://hurukan.com/da/modules/indkoeb) gør en prognose til en foreslået indkøbsordre, der venter på godkendelse. [Laget Superintelligens](https://hurukan.com/da/system/superintelligens) sender hver opgave til den rette type model: en sprogmodel til at læse og skrive udkast, en prognosemodel til tallene. Det er under opbygning. En prognosemodel af denne type er også et godt eksempel på en model, der kan køre på din egen hardware, som beskrevet i [små modeller på egen hardware](https://hurukan.com/da/blog/smaa-modeller-paa-egen-hardware). ## En test, du kan køre i dag Tag ét produkt med mindst to års historik. Hold de seneste tre måneder tilbage, og lad som om, du ikke kender dem. Lav en prognose for de tre måneder på tre måder, kun ud fra data før den tilbageholdte periode: 1. De samme tre måneder året før. 2. Gennemsnittet af de tre måneder lige før den tilbageholdte periode. 3. Din nuværende metode, hvad enten det er et planlægningsværktøj, et regneark eller en chatassistent. Sammenlign hver prognose med det, der faktisk skete, ud fra den gennemsnitlige absolutte fejl pr. måned. Hvis din nuværende metode ikke slår begge naive referencer, hjælper ingen modelopgradering, før det er forstået. Uanset hvad der vinder, har du nu et tal for, hvor meget den typisk rammer ved siden af, og det tal er det, der gør en prognose brugbar: Det fortæller dig, hvor stort et sikkerhedslager du skal have, og hvor meget du kan stole på det næste tal. - efterspørgselsprognoser - maskinlæring - backtesting - indkøb ## Læs videre - [Én identitet for mennesker og agenter: hvem må hvad](https://hurukan.com/da/blog/en-identitet-for-mennesker-og-agenter) - [Den levende tilstand og registret: to hukommelser i et operativsystem for virksomheden](https://hurukan.com/da/blog/den-levende-tilstand-og-registret-to-hukommelser)