Af Astrid Helene Mortensen, AAU Kommunikation & Public Affairs

“Jeg behøver ikke at vide, om det er en hvid t-shirt fra Pieces. Jeg skal bare have nogle tal.”

Sådan siger Morten Kaaber, når han beskriver sit arbejde i modebranchen. For selvom han til daglig arbejder midt i en verden af farver, trends og kollektioner, er det ikke stoffet, snittet eller stilen, der optager ham. Det er dataen bag.

Morten Kaaber er data scientist hos BESTSELLER - Danmarks største tøjkoncern med brands som Jack & Jones, Vero Moda og Name It. Men hans opgave er ikke at spotte næste sæsons store farve. Hans opgave er at bygge maskiner, der ved præcis, hvor meget tøj der skal produceres, inden nogen overhovedet har set kollektionen.

Problemet er produktionstid

Bestiller BESTSELLER for meget hjem, ender overskuddet på outlet til en brøkdel af prisen. Bestiller de for lidt, står sælgerne med tomme hænder, når en butik vil have mere. Og det sker lang tid i forvejen - fra ordre til butik går der mindst 16 uger. Tøjet skal produceres i udlandet, sys, pakkes og fragtes til Danmark.

Det er det problem, Morten Kaaber er i gang med at løse - med maskinlæring.

En algoritme, der lærer af fortiden

Idéen er enkel at forklare, men kompliceret at bygge: i stedet for at én person sidder med et Excel-ark og prøver at huske, hvad en lignende stil solgte for to år siden, samler algoritmen al historisk salgsdata på tværs af tusindvis af styles og brands. Og når en ny stil dukker op, kan maskinen spørge: hvad har lignende stilarter solgt for? Hvem har købt dem? Hvornår kom de på markedet?

Selv detaljer som farve bliver kodet ind. En hvid t-shirt er ikke bare "hvid" - den kortlægges til et koordinat på farvehjulet, så maskinen kan se nuancer og mønstre, som et menneske ikke ville tænke på at lede efter.

"Det er det smukke ved det," siger Morten Kaaber. "Jeg behøver ikke at vide, om det er vigtigt, at den er lyseblå frem for mørkeblå. Jeg kan smide det hele ind i maskinen, og så finder den selv ud af, hvad der historisk set har haft betydning."

Algoritmen er i brug - og den forbedres løbende

Modellen er ikke perfekt, understreger Morten Kaaber. Aldrig første gang. Men den er nu i drift hos BESTSELLER, og medarbejderne, der tidligere arbejdede halvt i blinde, får nu et kvalificeret udgangspunkt: hvad tror vi, den her style kommer til at sælge?

Og en sidegevinst dukker op, som han ikke nødvendigvis gik efter: hvis algoritmen holder, produceres der præcis det, der er behov for. Ikke mere, ikke mindre. Det er godt for bundlinjen - og godt for klimaet.

Data kan bruges overalt

Morten Kaaber endte i modebranchen næsten ved et tilfælde. Han valgte matematik-teknologi på AAU, fordi han ville kombinere den teoretiske skarphed fra matematik med noget mere praktisk. At han siden skulle sidde og forudsige salg af vinterjacker og hvide t-shirts, havde han ikke regnet med.

Men det er netop pointen, siger han:

"Du er jo ikke lukket til en branche med den her uddannelse. Så længe virksomheder har data, kan du bruges - om det er mode, postvæsenet eller staten, det er ligegyldigt. Du har noget data, du vil gerne forudsige noget. Det kan du gøre overalt."