Idékvalificering

Jeg har nu valgt hvilken mulig løsning, jeg ønsker at arbejde videre med. Men inden jeg sætter gang i selve udviklingen, har jeg brug for at kvalificere løsningen yderligere.

Min overordnede idé:

Jeg har fjernet estimatet for hvad det vil koste at udvikle denne løsning. Det har ChatGPT INGEN forudsætning for at vide (Human-in-the-Loop)

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

1. Dynamisk produktionsstyring pr. time

Spildproblem
Overproduktion i stille timer for at sikre servicegrad.

Overordnet idé
Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse
Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: anbefalet produktionsmængde næste 2–4 timer.

Hypotetisk scenarie
En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept
Test i 20 restauranter i 6 mdr. Sammenlign kg spild pr. time før/efter.
Mål: ≥10 % reduktion uden øget tabt salg.

Canvas

Canvas er et hjælpeværktøj til ChatGPT, der giver bedre overblik over din proces med spørgsmål og svar, samt ekstra hjælp til tilpasning af de foreslåede tekster.

Til højre kan du se hvordan du åbner Canvas. Gør altid dette før du begynder at prompte.

Når Canvas er åben, deles dialog og forslag op med dialog til venstre og forslag til højre.

Til højre på Canvas-siden kan du bruge nyttige værktøjer til tekstredigering.

Præcisér, HVORDAN ChatGPT skal opføre sig som promptgenerator

Istedet for at lave din egen superprompt, bruger du nu ChatGPT til at lave den i samarbejde med dig

Inden du går igang med at lave en prompt i samarbejde med ChatGPT, skal du sikre dig, at den forstår hvordan den skal arbejde sammen med dig. Det kaldes at bede ChatGPT om at være din promptgenerator.

Først beder du ChatGPT om at indtage rollen som promptgenerator:

Du er min prompt-forbedrer. Din opgave er ikke at løse mit problem, men udelukkende at hjælpe mig med at formulere den bedst mulige prompt, som jeg senere skal bruge i CHAT GPT.
Roller: JEG er brugeren og beskriver mit problem og mine behov. DU hjælper mig med at forbedre min prompt gennem spørgsmål og omskrivning.

Sådan skal processen foregå:

Trin 1: DU spørger mig: Start altid med at spørge:''Hvad vil du gerne have hjælp til?''

Trin 2: Når JEG har svaret, skal DU svare tilbage med tre tydeligt adskilte afsnit: A)forbedret prompt - DU skriver en klar, præcis og færdig prompt - prompten skal være formuleret, som om JEG taler direkte til ChatGPT (Fx. Jeg vil gerne have at du...'') - prompten skal kunne kopieres og bruges direkte. B) Hvad kan prompten gøre endnu bedre? - DU peger kort på, hvad der evt. mangler eller kan præciseres (fx. opgave, mål, modtager, længde, format, tone, fagligt niveau). C) Opklarende spørgsmål - DU stiller få, konkrete spørgsmål, som JEG skal svare på for at gøre prompten mere præcis - DU må ikke gætte på manglende information

Trin 3: Iteration: Når JEG svarer på dine spørgsmål, skal DU opdatere A) Forbedret prompt og eventuelt justere B) og C)

Trin 4: Afslutning: Processen gentages, indtil JEG skriver: ''Prompten er færdig''. Indtil da må DU ikke løse selve opgaven - kun hjælpe med at forbedre prompten Har du forstået din opgave?

Download promptgenerator prompt nedenfor

Når du kopierer denne prompt ind i din ChatGPT (og først åbner Canvas) begynder udviklingsprocessen. ChatGPT starter med at spørge hvad du gerne vil have hjælp til (præcis som du har bedt den om i din prompt) - se i afsnittet nedenfor hvordan jeg præciserede opgaven:

Promptgenerator Docx

Word – 12,9 KB 3 downloads

Download

Præcisér, hvad du gerne vil have hjælp til

Nu har du fortalt ChatGPT hvordan 'den skal opføre sig'. Nu skal du præcisere selve opgaven og fortsætte kommunikationstråden med ChatGPT:

Se MIN præcisering af opgaven nedenfor

Præcisering i forbindelse med beskrivelse af min idékvalificering

Du er en erfaren sokratisk censor, som er trænet i at vurdere. Din opgave er kritisk at undersøge min idé og min ræsonering ved hjælp af sokratiske spørgsmål – ikke at levere løsninger. Stil altid undersøgende spørgsmål, der afdækker uklare begreber, skjulte antagelser, logiske huller og mulige modeksempler, før du eventuelt giver en kort opsamling.

Jeg har udtænkt denne idé til den danske fastfood branche:

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

1. Dynamisk produktionsstyring pr. time

Spildproblem
Overproduktion i stille timer for at sikre servicegrad.

Overordnet idé
Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse
Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: anbefalet produktionsmængde næste 2–4 timer.

Hypotetisk scenarie
En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept
Test i 20 restauranter i 6 mdr. Sammenlign kg spild pr. time før/efter.
Mål: ≥10 % reduktion uden øget tabt salg.

Jeg skal lave en præcis prompt, som jeg skal bruge til at tydeliggøre og kvalificere min idé - gerne med angivelse af relevante eksempler under hvert afsnit. Målgruppen, som skal præsenteres for min endelige idébeskrivelse er mine kunder, som arbejder i den danske fastfood sektor. Personer som skal læse det arbejder på C-niveau hos kunden. De har meget travlt og idébeskrivelse og kvalificeringen af min idé skal derfor være kort og præcis.

ChatGPT vil nu stille dig en række korte præciseringsspørgsmål, som du kan svare på. Fordi du har åbnet Canvas kan du nemt følge med i spørgsmål, besvarelser og løbende forbedringer. Bliv ved med at svare på spørgsmålene, så længe du har lyst og mener at det er relevant for forbedring af prompten.

Når du synes, at den er klar skriver du som aftalt med promptgeneratoren: ''Prompten er færdig'' og du får nu den endelige prompt, som du kan bruge til endelig idékvalificering

Download min præcisering

Mine endelige prompt med kritisk sokratisk kvalificering

Jeg vil gerne have, at du indtager rollen som en erfaren sokratisk censor.

Din opgave er ikke at forbedre, udvikle eller løse min idé, men udelukkende at undersøge min idé og min ræsonnering kritisk ved hjælp af sokratiske spørgsmål.

Du skal:

Stille undersøgende spørgsmål, der afdækker uklare begreber, skjulte antagelser, logiske spring og potentielle modeksempler.
Udfordre validiteten af mine antagelser.
Teste robustheden i mit proof-of-concept.
Undersøge strategiske og operationelle implikationer med særlig relevans for COO og CEO.
Vurdere forretningskritiske risici, skalerbarhed og organisatoriske konsekvenser.
Først efter dine spørgsmål give en kort, neutral opsamling af de vigtigste svagheder og uafklarede punkter – rangordnet efter kritikalitet for topledelsen.

Du må ikke:

Foreslå konkrete løsninger.
Omskrive min idé.
Komme med anbefalinger.
Antage information, jeg ikke har angivet.

Kontekst: Jeg har udviklet følgende idé til den danske fastfoodbranche:

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

Dynamisk produktionsstyring pr. time

Spildproblem: Overproduktion i stille timer for at sikre servicegrad.

Overordnet idé: Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse: Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: Anbefalet produktionsmængde de næste 2–4 timer.

Hypotetisk scenarie: En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept: Test i 20 restauranter i 6 måneder. Sammenlign kg spild pr. time før/efter. Mål: ≥10 % reduktion uden øget tabt salg.

Formål: Denne øvelse skal styrke min argumentation og teste idéens robusthed, før output anvendes i en kundevendt præsentation til COO og CEO.

Formatkrav:

Opdel dine spørgsmål i klare tematiske sektioner (fx begrebsafklaring, strategisk relevans, økonomi/ROI, drift/kompleksitet, implementeringsrisiko, måling).
Maksimalt 20 spørgsmål.
Spørgsmålene skal være korte, præcise og rettet mod beslutningsniveau (COO/CEO-perspektiv).
Undgå operationelle detailspørgsmål uden strategisk betydning.
Afslut med en kort opsamling på maks. 8 linjer.
Rangordn de 3–5 mest kritiske svagheder eller usikkerheder set fra et topledelsesperspektiv.

Download min final prompt her

Final Prompt Idekvalificering Docx

Word – 15,5 KB 4 downloads

Download

Min idékvalificering

Jeg lægger nu min final prompt ind i ChatGPT tråden og håber, at min idé kan kvalificeres yderligere

Efter iterativ tilgang (spørgsmål, svar, spørgsmål, svar...) har jeg fået kvalificeret min idé:

Den lyder nu:

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

Dynamisk produktionsstyring pr. time

Spildproblem: Overproduktion i stille timer for at sikre servicegrad.

Definitioner:

Servicegrad: Restauranter overproducerer for at være sikre på at kunne imødekomme efterspørgslen i spidsbelastninger.
Tabt salg: Risikoen for ikke at kunne levere på kundens efterspørgsel ved reduceret produktion, hvor omsætningstabet overstiger besparelsen fra mindre spild.

Overordnet idé: Indfør timebaseret produktionsjustering baseret på salgsrytme fremfor faste batchstørrelser.

AI-anvendelse: Simpel forecasting-model baseret på historisk salg pr. time, ugedag og vejr. Output: Anbefalet produktionsmængde de næste 2–4 timer.

Differentiering: Løsningen antages at være en fælles, branchebaseret model, hvor deltagende aktører anonymt bidrager med data og dermed opnår en kollektiv læringseffekt, som ikke er tilgængelig for enkeltstående aktører uden for systemet. Differentieringen skal ligge et andet sted end i selve algoritmen.

1. fra forecast til beslutningsoptimering. En traditionel forecastløsning svarer på 'hvor mange forventer vi at sælge'. Denne løsning skal svare på 'hvor mange bør vi producere - givet risikoen for tabt salg vs. spild? Forecast er input - optimering er output

2. Dynamisk læring på tværs af branchen. En enkelt restaurant har begrænset datavolumen. 20-200 restauranter har massiv læringseffekt. Sjældne møsntre opdages hurtigere (helligdage, vejrfænomener, events). Benchmarking. Individuel aktør kan lave eget forecast - men de kan ikke kopiere kollektiv datakapital uden adgang.

3. min løsning integreres direkte i produktionsplanen pr. time. Sender konkrete batch-anbefalinger. justerer løbende. måler faktisk spild og tabt salg i realtid. Fra beslutningsstøtte til operativ styring.

4. Strategisk risikoreduktion for topledelsen. Direkte forbedring af bruttomargin. Mindre kapital bundet i råvarer. Lavere affalds- og håndteringsomkostninger.

5. ESG og omdømme. Dokumenterbar reduktion i madspild. Brugbar i ESG rapportering og branding.

6. Strategisk. Datakapabilitet som konkurrenceparameter. Hurtigere tilpasning ved ændret efterspørgsel. Mindre afhængighed af mavefornemmelse hos personale.

7. Risko ved ikke at deltage. strukturelt højere spildniveau. Lavere margin i en branche med små dækningsbidrag. Manglende adgang til kollektiv læring. KOnkurrenter får bedre styringsdata og kapacitetstilpasning. ESG krav og dokumentationskrav overhaler dem. Hvis branchen bevæger sig mod datadrevet produktion, bliver det ikke et effektiviseringsprojekt - men et konkurrencevilkår.

8. Kan en kæde bare gør det selv? Derved mistes netværkseffekt, benchmarking, hurtig læringskurve, branche standardisering, indlejret optimering frem for blot forecast

Hypotetisk scenarie: En burgerrestaurant producerer fast 40 enheder pr. time mellem 17–19. Modellen viser, at tirsdage kl. 18 reelt kræver 28. Produktion reduceres dynamisk – uden at øge udsolgte varer.

Proof-of-concept: Test i 20 restauranter i 6 måneder. Sammenlign kg spild pr. time før/efter. Mål: 10–25 % reduktion uden øget tabt salg.

Forbedring af præsentation til modtager

Jeg har nu kvalificeret min idé yderligere og er parat til at formulere den, så målgruppen med størst sandsynlighed forstår indholdet og ræssonerer godt.

Til denne fase vælger jeg at arbejde med Racef Modellen. Denne model er særlig nyttig til tekstproduktion, kundekommunikation og formidling. Den hjælper med at strukturere mine prompts og giver mere detaljerede og kontekstuelle svar end en kort prompt vil gøre. I forhold til fx. Create er Racef mere undersøgende og målrettet brugertilpasning af tekster.

Racef står for:

R = Rephrase

A = Append

C = Contextualize

E = Examples

F = Follow up

Du beder nu ChatGPT om at hjælpe dig med at løse opgaven ved at arbejde systematisk efter Racef-modellen.

Skriv: jeg vil gerne bede dig hjælpe mig med at justere min tekst i min idébeskrivelse ved at arbejde systematisk efter Racef modellen

R - Rephrase : Præcisér og (om)formulér teksten, så den bliver tydelig og målrettet

A - Append: Tilføj relevante oplysninger, hvor det styrker argumentationen

C - Conceptualize: Tilpas teksten til målgruppen og konteksten

E - Examples: Brug konkrete eksempler eller foreslå hvor eksempler kan styrke min tekst

F - Follow up: Stil uddybende spørgsmål, hvis du mangler information for at forbedre beskrivelsen af min idé

Udgangspunkt: Min idebeskrivelse er

AI-baseret reduktion af madspild i enkeltstående fastfoodaktører

Dynamisk produktionsstyring pr. time

Spildproblem: Overproduktion i stille timer for at sikre servicegrad.

Definitioner:

Servicegrad: Restauranter overproducerer for at være sikre på at kunne imødekomme efterspørgslen i spidsbelastninger.
Tabt salg: Risikoen for ikke at kunne levere på kundens efterspørgsel ved reduceret produktion, hvor omsætningstabet overstiger besparelsen fra mindre spild.