Demand Planner — løn 2026: 58.067 kr. om måneden

En demand planner laver prognosen for, hvad der bliver solgt. Ikke i store tal, men pr. varenummer, pr. marked og pr. uge eller måned. Prognosen er startpunktet for alt det andet: hvor meget der skal produceres, købes hjem og ligge på lager.

Arbejdet er halvt tal, halvt mennesker. Systemet laver et statistisk forslag. Demand planneren justerer det med det, systemet ikke kan vide — en kampagne, en ny kunde, en udgående vare, en konkurrent der lukker.

Typiske opgaver:

• Køre den statistiske baseline. Systemet regner på historik, sæson og trend. Man vurderer, om modellen passer, og retter de varenumre, hvor den er gået galt.
• Rense historikken. En udsolgt periode ser ud som lavt salg, men var reelt høj efterspørgsel. Enkeltstående storordrer skal tages ud, ellers gentager modellen dem.
• Samle input fra salg og marketing. Kampagner, prisændringer, nye kunder, udgående varer. Det kommer sjældent af sig selv — man skal rykke for det.
• Håndtere nye varer. Ingen historik. Man bygger prognosen på en lignende vare og en forventning, og retter den hurtigt efter lancering.
• Måle egen præcision. Forecast accuracy og bias måles hver måned, typisk med MAPE eller WMAPE. Bias er ofte vigtigere end fejlens størrelse.
• Deltage i S&OP-processen. Den månedlige cyklus, hvor salg, produktion og økonomi bliver enige om én plan. Demand planneren ejer efterspørgselsdelen.
• Sætte lagerparametre. Sikkerhedslager og genbestillingspunkter, ofte i samspil med supply planneren.
• Forklare afvigelser. Hvorfor solgte vi 40 procent mindre end forudsagt i juni? Det spørgsmål kommer hver måned.

En almindelig arbejdsdag

Morgenen går med tal. Man kigger på undtagelseslister — de varenumre, hvor sidste uges salg lå langt fra prognosen. Måske tyve varenumre ud af flere tusind. Resten rører man ikke.

Formiddagen er ofte møde med salg. En sælger vil have hjemtaget dobbelt så meget af en vare til en kunde, der "helt sikkert" bestiller. Man beder om noget skriftligt fra kunden. Det er en del af jobbet at sige nej på en måde, folk kan leve med.

Eftermiddagen er vedligehold. Nye varenumre skal have en prognose. Udgåede varer skal fases ud, så man ikke står med restlager. Man opdaterer kampagneplanen og lægger løftet ind i de rigtige uger.

En gang om måneden er der S&OP-møde. Der præsenterer man prognosen, viser sidste måneds præcision og lægger op til beslutninger, hvis kapaciteten ikke rækker.

Rytmen er meget månedsbestemt. Første uge efter månedsskifte er travl, resten er roligere. Rollen har sjældent personaleansvar. Man har indflydelse gennem tal, ikke gennem kommandovej.

Den svære del er ikke matematikken. Det er at holde fast i en prognose, når salgsdirektøren gerne vil se et højere tal.

Værktøjskassen er lagdelt: et planlægningssystem ovenpå, et ERP-system nedenunder og Excel imellem.

Planlægningssystemer

SAP IBP er det mest udbredte i større dansk produktion. Derudover ses Kinaxis RapidResponse, Blue Yonder, o9, Anaplan, Netstock, Relex, ToolsGroup og Slimstock Slim4. Relex står stærkt i dagligvarehandlen, Slim4 hos mellemstore grossister.

Systemet foreslår en statistisk prognose. Demand planneren arbejder i undtagelserne — det er der, systemerne er svagest.

ERP og datagrundlag

SAP S/4HANA, Microsoft Dynamics 365 Business Central og Infor er de almindelige. Herfra kommer salgshistorik, lagerbeholdning, leveringstider og styklister. Datakvalitet er ofte den reelle flaskehals, ikke modellen.

Excel

Stadig det vigtigste værktøj. Mange mellemstore virksomheder kører hele prognosen i Excel. Man skal kunne pivottabeller, XLOOKUP og gerne Power Query. Regneark på tusindvis af rækker er hverdag.

Rapportering og analyse

Power BI er standard til dashboards over præcision, bias og lagerdækning. Tableau og Qlik ses også. SQL bruges til at hente data selv i stedet for at vente på IT. Python bruges i større huse til modellering, typisk med statsmodels eller Prophet.

Metoder og begreber

Eksponentiel udjævning, Holt-Winters og ARIMA er de klassiske prognosemodeller. Man måler med MAPE, WMAPE, MAD og bias. ABC-XYZ-analyse bruges til at inddele varenumre efter omsætning og forudsigelighed — de vigtige og uforudsigelige får mest opmærksomhed.

S&OP er den bærende proces. Nogle virksomheder kalder den udvidede version IBP, integrated business planning.

Eksterne data

I dagligvarehandel bruges POS-data og udsolgtdata fra kæderne. Nogle brancher bruger vejrdata, kalendereffekter eller markedsdata fra Nielsen eller Circana. Danmarks Statistik bruges til markedsudvikling på brancheniveau.