Jak wykorzystać AI do planowania zakupów magazynowych?

AI może podejść do tego inaczej. Zamiast patrzeć wyłącznie na aktualny stan, analizuje historię sprzedaży, tempo rotacji, sezonowość, promocje, czas realizacji dostaw i wcześniejsze zachowanie popytu. Na tej podstawie próbuje odpowiedzieć na bardziej użyteczne pytanie:

ile danego produktu prawdopodobnie sprzedamy do czasu następnej dostawy i kiedy powinniśmy złożyć zamówienie?

Nie oznacza to, że sztuczna inteligencja powinna samodzielnie wysyłać dostawcy zamówienie na 20 palet. Największą wartość daje zwykle wcześniej – jako narzędzie podpowiadające kupcowi, czego może zabraknąć, czego firma zamawia za dużo i gdzie prognoza zaczyna odbiegać od rzeczywistości.

Sam stan magazynowy niewiele mówi

Załóżmy, że na magazynie znajdują się po 100 sztuk dwóch produktów.

Produkt A sprzedaje się średnio po 2 sztuki dziennie.

Produkt B – po 25 sztuk.

Na pierwszy rzut oka oba mają taki sam stan. W rzeczywistości sytuacja jest zupełnie inna. Produktu A wystarczy mniej więcej na 50 dni, produktu B – na cztery.

Jeżeli dostawca realizuje zamówienie w ciągu siedmiu dni, produkt B prawdopodobnie skończy się jeszcze przed następną dostawą.

Zwykły alert „stan poniżej 20 sztuk” zadziała więc zbyt późno.

AI może brać pod uwagę nie samą liczbę sztuk, lecz przewidywane zużycie zapasu w czasie. To zasadnicza różnica pomiędzy kontrolowaniem magazynu a rzeczywistym planowaniem zakupów.

Jakich danych potrzebuje AI?

Nie trzeba od razu budować ogromnej hurtowni danych. Punktem wyjścia może być historia sprzedaży zawierająca produkt, datę i liczbę sprzedanych sztuk.

Im więcej sensownych informacji dostanie model, tym więcej zależności może uwzględnić.

Przydatne są przede wszystkim:

W bardziej rozwiniętym systemie można dołożyć również pogodę, święta, kampanie reklamowe, dane o sezonowości czy planowane zmiany cen.

Nie wszystkie firmy potrzebują każdego z tych elementów.

Hurtownia sprzedająca śruby może w dużej mierze opierać prognozę na historii zamówień. Sklep z klimatyzatorami powinien znacznie mocniej uwzględniać porę roku i pogodę. Sprzedawca zabawek przed Bożym Narodzeniem nie może traktować średniej sprzedaży z marca jako dobrej podstawy zamówień na listopad.

AI jest przydatne właśnie dlatego, że potrafi analizować kilka takich sygnałów jednocześnie.

Historia sprzedaży musi być prawdziwa

Jeżeli dane magazynowe są złe, AI nie naprawi ich samym faktem używania bardziej zaawansowanego modelu.

Przykładowo system pokazuje sprzedaż produktu na poziomie 300 sztuk miesięcznie. W rzeczywistości firma mogłaby sprzedać 500, ale przez dwa tygodnie produktu nie było na magazynie.

Model może wyciągnąć błędny wniosek:

„popyt wynosi około 300 sztuk”.

Tymczasem część popytu została utracona właśnie przez brak towaru.

Podobnie działa to w drugą stronę. Jednorazowe zamówienie hurtowe na 5 000 sztuk może mocno zawyżyć średnią, mimo że normalna sprzedaż produktu wynosi 300 sztuk miesięcznie.

Dlatego przed wdrożeniem prognoz trzeba uporządkować dane i oznaczać nietypowe zdarzenia.

AI nie powinno uczyć się, że jednorazowy klient kupujący pół magazynu jest normalnym zachowaniem wszystkich pozostałych odbiorców.

Sezonowość to coś więcej niż „latem sprzedaje się więcej”

Przy niektórych produktach sezonowość jest oczywista.

Opał sprzedaje się inaczej latem i zimą. Klimatyzatory inaczej w maju i listopadzie. Zabawki mają wyraźny wzrost sprzedaży przed świętami.

Ale sezonowość może występować również w mniej oczywisty sposób.

Restauracyjna hurtownia może mieć inne zamówienia w poniedziałek i inne przed weekendem. Sprzedaż materiałów budowlanych może zmieniać się wraz z pogodą. Sklep B2B może obserwować wzrost zamówień pod koniec miesiąca.

Prosty arkusz często posługuje się średnią:

„w ostatnich 90 dniach sprzedawaliśmy 20 sztuk dziennie”.

Model prognostyczny może zauważyć, że przez większość tygodnia sprzedaż wynosi 10–15 sztuk, ale w konkretne dni regularnie rośnie do 40.

Dzięki temu zakupy można planować pod rzeczywisty rytm sprzedaży, a nie pod uśredniony miesiąc, który w praktyce nigdy nie występuje.

AI powinno znać czas dostawy

Prognoza popytu bez informacji o dostawcach ma ograniczoną wartość.

Załóżmy, że dwa produkty sprzedają się dokładnie tak samo – po 100 sztuk tygodniowo.

Pierwszy można zamówić dziś i mieć na magazynie jutro.

Drugi przypływa z Azji i dostawa trwa 70 dni.

W obu przypadkach decyzja zakupowa musi wyglądać zupełnie inaczej.

System powinien znać przynajmniej typowy lead time, czyli czas od złożenia zamówienia do możliwości sprzedaży towaru.

Jeszcze lepiej, jeśli analizuje faktyczne dostawy.

Dostawca deklaruje siedem dni, ale historia pokazuje:

6 dni,
8 dni,
7 dni,
14 dni,
9 dni.

AI może uwzględnić nie tylko średnią, lecz również ryzyko opóźnienia. Przy mniej przewidywalnym dostawcy potrzebny będzie większy zapas bezpieczeństwa niż przy firmie dostarczającej towar praktycznie zawsze następnego dnia.

Zapas bezpieczeństwa nie powinien być taki sam dla wszystkich produktów

Częsty model wygląda tak:

„zawsze trzymamy minimum 10 sztuk”.

To wygodne ustawienie, ale niekoniecznie ma sens.

Dziesięć sztuk produktu sprzedającego się raz w miesiącu może wystarczyć prawie na rok.

Dziesięć sztuk produktu sprzedającego się po 50 dziennie nie wystarczy nawet na jedno popołudnie.

AI może pomagać w dynamicznym wyznaczaniu zapasu bezpieczeństwa na podstawie zmienności sprzedaży i czasu dostawy.

Dla stabilnego produktu będzie on niższy.

Dla produktu, którego sprzedaż gwałtownie skacze albo który pochodzi od nieprzewidywalnego dostawcy – wyższy.

Dzięki temu firma nie zamraża niepotrzebnie pieniędzy w całym asortymencie tylko dlatego, że chce zabezpieczyć kilka najbardziej ryzykownych pozycji.

Promocje bardzo łatwo psują zwykłe prognozy

Sklep przez trzy miesiące sprzedaje po 100 sztuk produktu tygodniowo.

Uruchamia promocję i sprzedaż rośnie do 400.

Po jej zakończeniu wraca do 110.

Prosty system oparty na średniej może uznać, że teraz należy stale zamawiać znacznie więcej.

Model AI może otrzymać informację, że zwiększona sprzedaż wystąpiła podczas promocji, i nauczyć się zależności między rabatem a wzrostem popytu.

Przy kolejnej akcji system może podpowiedzieć:

„przy obniżce ceny o 15% sprzedaż tego produktu historycznie rosła około trzykrotnie”.

To znacznie bardziej użyteczne niż ostrzeżenie o niskim stanie dopiero w drugim dniu kampanii, kiedy połowa zapasu została już sprzedana.

AI może znaleźć produkty, których kupujemy za dużo

Planowanie zakupów nie polega wyłącznie na zapobieganiu brakom.

Drugi problem jest często mniej widoczny: nadmierne zapasy.

Na magazynie leży 300 sztuk produktu. Wygląda to bezpiecznie. Problem pojawia się dopiero po sprawdzeniu, że w ostatnich sześciu miesiącach sprzedano 17.

To pieniądze zamrożone na półce.

System może wykrywać produkty o spadającej rotacji i ostrzegać:

„przy obecnym tempie sprzedaży zapas wystarczy na 31 miesięcy”.

Taka informacja może spowodować zupełnie inną decyzję niż zwykły komunikat „stan: 300 szt.”.

Firma może wstrzymać kolejne zakupy, obniżyć cenę, uruchomić promocję, zwrócić towar dostawcy albo przenieść go do lokalizacji, w której sprzedaje się szybciej.

W wielu firmach właśnie ograniczenie nadmiarowego magazynu może dać większy efekt finansowy niż samo zwiększenie dostępności produktów.

Nie każdy produkt powinien być prognozowany tak samo

AI szczególnie dobrze radzi sobie tam, gdzie istnieje historia i powtarzalność.

Problemem są produkty nowe.

Jeżeli firma właśnie zaczyna sprzedawać nowy model ekspresu, nie istnieje jego roczna historia sprzedaży.

Można wtedy wykorzystać podobieństwo do innych produktów: kategorię, markę, cenę, poprzedni model albo wyniki podobnych premier.

To nadal prognoza obarczona większą niepewnością.

Podobny problem występuje przy produktach sprzedawanych bardzo nieregularnie – np. drogich częściach przemysłowych, gdzie przez trzy miesiące nie ma żadnej sprzedaży, a później jeden klient zamawia 40 sztuk.

System powinien rozpoznawać taki charakter popytu zamiast traktować każdy towar jak popularny produkt FMCG.

AI może przygotowywać propozycję zamówienia

Najbardziej praktyczny efekt nie musi wyglądać jak skomplikowany wykres.

Kupiec może rano dostać prostą propozycję:

Produkt A
Stan: 120 szt.
Prognozowana sprzedaż przez 30 dni: 310 szt.
Towar już zamówiony: 100 szt.
Sugerowany zakup: 150 szt.

Produkt B
Stan: 850 szt.
Prognozowana sprzedaż przez 30 dni: 90 szt.
Sugerowany zakup: 0 szt.

Produkt C
Stan: 45 szt.
Przewidywane wyczerpanie: za 8 dni
Średni czas dostawy: 12 dni
Sugerowana decyzja: zamówienie pilne.

I to jest dużo bardziej użyteczne niż ekran prezentujący 5 000 aktualnych stanów magazynowych.

Człowiek nadal zatwierdza zakup, ale nie musi sam analizować każdego SKU.

Nie zaczynałbym od automatycznego wysyłania zamówień dostawcom

Pełna automatyzacja brzmi atrakcyjnie:

AI przewiduje popyt → wylicza ilość → tworzy zamówienie → wysyła je dostawcy.

W praktyce rozsądniej zacząć od trybu rekomendacji.

Model proponuje zakup, a pracownik zatwierdza albo zmienia ilość.

Dlaczego?

Kupiec może wiedzieć, że za miesiąc produkt zostanie zastąpiony nowym modelem. Dostawca właśnie zapowiedział promocję. Firma planuje dużą kampanię, której nie ma jeszcze w danych. Kontrahent zapowiedział jednorazowe zamówienie na 2 000 sztuk.

Model nie zna informacji, których nikt mu nie przekazał.

Dobrze zaprojektowany proces wykorzystuje więc AI do przeliczenia tysięcy danych, ale pozostawia człowiekowi możliwość uwzględnienia informacji biznesowych spoza systemu.

Trzeba sprawdzać, czy prognozy rzeczywiście są dobre

Nie wystarczy wdrożyć AI i uznać, że od tej chwili system wie, ile trzeba kupować.

Prognozę trzeba porównywać z rzeczywistą sprzedażą.

Jeżeli system przewidział 1 000 sztuk, a sprzedało się 980, wynik był bardzo dobry.

Jeżeli przewidział 1 000, a sprzedało się 350, trzeba ustalić dlaczego.

W systemach prognostycznych wykorzystuje się wskaźniki błędu takie jak MAE, MAPE czy WAPE. Właściciel firmy nie musi jednak codziennie analizować ich wzorów. Ważniejsze jest obserwowanie, dla których produktów model regularnie się myli i w którą stronę.

Szczególnie niebezpieczny jest ciągły błąd w jedną stronę.

Jeśli prognozy regularnie są za wysokie, firma będzie zwiększać zapas i zamrażać gotówkę.

Jeśli są regularnie za niskie, będzie tracić sprzedaż z powodu braków.

AI również trzeba więc kontrolować.

Jak zacząć bez dużego projektu informatycznego?

Nie trzeba od razu wdrażać specjalistycznego systemu dla całej firmy.

Na początku można wybrać 50–100 produktów o największej sprzedaży albo wartości i przygotować dla nich dane z ostatnich kilkunastu miesięcy.

Dobrze uwzględnić:

sprzedaż w poszczególnych dniach lub tygodniach, aktualny stan, dostawy, czas realizacji zamówień oraz promocje.

Na tej grupie można porównać dotychczasową metodę zakupów z prognozą.

Najważniejsze pytania brzmią:

Czy zmniejszyła się liczba braków?
Czy spadła wartość nadmiernych zapasów?
Czy mniej zamówień trzeba składać awaryjnie?
Czy kupiec poświęca mniej czasu na analizowanie stanów?

Jeżeli wynik jest dobry, dopiero wtedy warto rozszerzać rozwiązanie na kolejne grupy asortymentu.

Co może być podstawą danych w Fakturbox?

Fakturbox posiada obecnie klasyczne funkcje magazynowe: kartoteki produktów, aktualne stany, PZ, WZ, MM, wiele magazynów, historię ruchów i alerty niskiego stanu.

Nie ma natomiast obecnie deklarowanej funkcji AI, która samodzielnie prognozuje popyt i przygotowuje inteligentne zamówienia do dostawców.

Dane magazynowe mogą jednak być podstawą do dalszej analizy w bardziej rozbudowanym rozwiązaniu zewnętrznym. Przy takim wdrożeniu potrzebna jest wymiana danych poprzez odpowiedni eksport lub integrację między systemami.

To istotne rozróżnienie.

Alert:

„zostało mniej niż 20 sztuk”

jest prostą automatyzacją magazynu.

Prognoza:

„przy obecnym tempie i przewidywanym wzroście sprzedaży zapas skończy się za 11 dni, a dostawa trwa średnio 14 dni, dlatego zamów 180 sztuk”

to już planowanie oparte na danych i modelu prognostycznym.

Oba rozwiązania są przydatne, ale rozwiązują inny problem.

AI nie zastępuje dobrego magazynu

Żeby sztuczna inteligencja mogła sensownie planować zakupy, najpierw trzeba mieć wiarygodną odpowiedź na prostsze pytania:

ile faktycznie znajduje się na magazynie, co zostało sprzedane, co jest zarezerwowane, kiedy przyszła dostawa i ile naprawdę trwała.

Jeżeli stany są poprawiane ręcznie raz w tygodniu, przyjęcia nie zawsze mają PZ, a sprzedaż z jednego kanału nie trafia do wspólnej bazy, model będzie analizował niepełny obraz firmy.

AI może bardzo dobrze znaleźć wzorce w danych.

Nie potrafi jednak wiedzieć, że 300 sztuk leżących według systemu na magazynie zostało trzy dni temu wydanych klientowi bez zarejestrowania WZ.

Dlatego najlepsza kolejność jest odwrotna od tej, którą często proponuje marketing narzędzi AI: najpierw porządek w kartotekach, stanach i historii sprzedaży, później prognozowanie.

Dopiero wtedy sztuczna inteligencja może realnie pomóc odpowiedzieć na pytanie, które w handlu kosztuje najwięcej pieniędzy: co, kiedy i w jakiej ilości zamówić, żeby nie zabrakło towaru, ale jednocześnie nie finansować magazynu na kilka lat do przodu.