AI v logistike a riadení skladu: predikcia zásob

Distribútori a výrobcovia často držia zásoby, ktoré sa mesiace nepredali, a zároveň nedokážu vybaviť časť objednávok pre stockout. Oba problémy majú rovnaký základ: plánovanie zásob podľa intuície, nie podľa dát. AI to mení.

1. Stav riadenia zásob

Typická stredne veľká firma plánuje nákup v Exceli podľa histórie a skúsenosti nákupcu. Pri tisícoch SKU je to prakticky nemožné robiť spoľahlivo. Výsledkom je slow-moving stock, dead stock, výpadky dostupnosti a zbytočne viazaný kapitál.

2. Čo AI predikcia zásob dokáže

• Multi-faktor demand forecasting: pracuje s históriou predaja, sezónnosťou, počasím, sviatkami, marketingom aj správaním zákazníkov.
• SKU-level granularita: nepredikuje kategóriu, ale konkrétny produkt.
• Pravdepodobnostná predikcia: nehovorí iba jedno číslo, ale rozsah s mierou pravdepodobnosti.
• Anomaly detection: hlási náhle poklesy, špičky alebo nesúlad medzi objednaným a doručeným tovarom.
• Optimalizácia: odporúča koľko objednať, kedy, od koho a do ktorého skladu.

3. Use case: distribútor IT komponentov

Klient mal 4 200 aktívnych SKU a obrat 280 mil. Kč. Pred AI držal zásoby v hodnote 38 mil. Kč, slow-moving tvoril 18 % a stockout rate 8,2 %. Po 12 mesiacoch AI predikcie klesla hodnota zásob na 28 mil. Kč, slow-moving na 9 % a stockout rate na 2,1 %.

• Uvoľnený kapitál zo zásob: 10 mil. Kč.
• Nižší dead stock: úspora 4,5 mil. Kč ročne.
• Nižší stockout: vyšší obrat a zisk.
• Plánovanie: z troch ľudí v Exceli na jedného senior nákupcu s AI podporou.

4. Integrácia s ERP

SAP S/4HANA sa integruje cez API, OData a BAPI. Microsoft Dynamics 365 má dobré REST API. Helios často potrebuje custom adapter. Pohoda sa často rieši hybridne cez exporty a XML import. Money S5, Abra a K2 sú možné, no zvyčajne vyžadujú message bus alebo medziľahlú databázu. Odoo býva najflexibilnejšie.

5. Use case podľa odvetvia

• E-commerce: optimalizácia multi-warehouse fulfillmentu a nákladov na dopravu.
• Automotive aftermarket: odlíšenie fast-moving a slow-moving dielov.
• Stavebniny: sezónnosť, počasie a regionálne špecifiká.
• Výroba: BOM výpočty a prevencia stockoutov kritických komponentov.
• FMCG: optimalizácia pri krátkej trvanlivosti a znižovanie expirovaného tovaru.

6. Ceny dodávateľov a konkurencia

AI nemusí sledovať iba dopyt, ale aj ponuku. Vie monitorovať ceny alternatívnych dodávateľov, kurzové zmeny, surovinové trhy a geopolitické riziká. Pri e-commerce a B2B distribúcii sleduje aj ceny konkurencie, skladovú dostupnosť a nové produkty.

7. Náklady a ROI

Implementácia pre stredne veľkú firmu sa typicky pohybuje v stovkách tisíc až nízkych miliónoch Kč podľa počtu SKU a integrácie. Prevádzka zahŕňa cloud, tokeny, Agent Ops a retréning. Typické zlepšenia: hodnota zásob -15 až -30 %, slow-moving stock -30 až -50 %, stockout rate -60 až -80 %, pracnosť plánovania -50 až -70 %.

8. Implementačný plán

1. Dátový audit: kvalita historických dát je väčšina úspechu.
2. Pilot na jednej kategórii: vyberte top SKU a porovnajte AI predikciu so súčasnou metódou.
3. Rozšírenie: zapojenie ďalších kategórií a ERP.
4. Optimalizácia: multi-warehouse, multi-sourcing a prepojenie so sledovaním cien.

AI predikcia zásob patrí medzi najčistejšie AI business case: má merateľné KPI, dostupné historické dáta a jasný finančný dopad.