Když se někde v dodávkách něco pokazí, většinou to vypadá jako „náhodná smůla“. Zdržel se dopravce. Dodavatel posunul termín. Někdo ve skladu přehlédl výpadek zásob. E-shop prodal poslední kusy, které už fyzicky nejsou. A pak už jen hasíte.

Jenže hodně těchto problémů není náhodných. Jsou to opakující se vzorce. A přesně tady dává smysl prediktivní analýza v ERP. V praxi to znamená, že ERP vám spolu s daty ze skladu, prodejen, e-shopu a logistiky umí začít napovídat dopředu, že „tohle vypadá na problém“. Ne až je pozdě, ale v momentu, kdy to ještě umíte zvrátit.

Co je prediktivní analýza v ERP, po lidsku

Klasické reporty v ERP jsou retrospektiva. Co se stalo minulý týden. Které položky se prodávaly. Prediktivní analýza jde o krok dál. Vezme historická data, aktuální data a ideálně i externí signály a vytvoří odhad, co se pravděpodobně stane. Ne s jistotou, s pravděpodobností. A to je v pořádku, protože v dodávkách nepotřebujete věštit budoucnost. Potřebujete včasné varování.

Typické příklady:

  • Tento dodavatel má zvýšené riziko zdržení při nejbližších dodávkách.
  • Tato položka se vyprodá dřív, než přijde další nákup, i když „na papíře“ to vypadá v pořádku.
  • V konkrétním skladu se začne tvořit úzké místo při vychystávání, pokud se nezmění plán.
  • Objednávky z určitého kanálu mají nadprůměrnou míru storn z důvodu dostupnosti.

Důležité je, že predikce není jedna tabulka navíc. Musí být napojená na rozhodování – ideálně tak, aby z ní vznikl konkrétní úkol nebo automatické pravidlo.

Proč jsou dodávky v retailu a velkoobchodu náchylné k problémům

Retail, velkoobchod, e-shop s prodejnami a skladové hospodářství jsou živý organismus. Neustále se něco hýbe. A čím více kanálů a skladů, tím více míst, kde se to může rozpadnout. Nejčastější bolestivá místa:

  • Nesoulad zásob mezi systémy: ERP ukazuje 10 kusů, WMS 7, e-shop prodá 9. Pak se to dorovná inventurou, ale škoda už je.
  • Špatné lead times: v nákupních datech máte 5 dní, realita je 9. Rozdíl se zjistí, až když to začne hořet.
  • Sezónnost a promo šoky: akce na pár dní, prudký nárůst objednávek, sklad nestíhá, dopravce nestíhá.
  • Změny v chování zákazníků: přesun poptávky do jiné velikosti balení nebo do jiné alternativy, které staré plánování nevidí.
  • Úzké místo ve skladu: někdy není problém ve zboží, ale v kapacitě vychystávání, balení a expedice.

Prediktivní analýza má smysl právě proto, že tyto problémy mívají předzvěst. Jen je roztroušená v datech.

Jaká data musíte mít, aby to fungovalo

Tady lidé často čekají, že potřebují „big data“. Nepotřebují. Potřebují hlavně pořádek v základních datech a dobré propojení. Minimum, které se vyplatí mít:

  • Prodeje: po dnech, po kanálech (prodejna, e-shop, B2B), s příznaky promo akcí.
  • Stavy zásob: ERP i WMS včetně rezervací, blokací a rozpracovaných příjmů a výdejů.
  • Objednávky a dodávky: datum objednání, potvrzený termín, reálný termín, množství, dodavatel, sklad.
  • Logistika a expedice: cut-off časy, časy zpracování, SLA dopravců, reklamace nedoručení.
  • Kmenová data: produktová hierarchie, substituce balení, minimální multipacky, dodací kalendáře.
  • Signály z e-shopu: návštěvnost, konverze, přidání do košíku.

Co konkrétně umí ERP v dodávkách předvídat

Níže je pár oblastí, které jsou reálně nasaditelné a mají jasný dopad na dostupnost a zákaznický servis.

1. Riziko vyprodání dřív, než se objeví nula ve skladu

Klasika: ERP má nastavená minima a když zásoba klesne, navrhne objednávku. Jenže minima bývají nastavená od oka, poptávka skáče, lead time se mění a část zásoby je rezervovaná na jiný kanál.

Predikce vyprodání pracuje s trendem prodeje, sezónností, promo plánem, otevřenými objednávkami a reálnými lead times. Výstupem není „objednej“, ale:

  • pravděpodobnost, že položka dojde do X dnů,
  • odhad dne, kdy dojde,
  • doporučené množství pro doplnění s ohledem na servisní úroveň.

Nejlepší je, když to umíte rozlišit podle kanálu. E-shop totiž může vyjíst zásobu prodejnám a naopak.

2. Předpověď zdržení dodavatelů podle jejich chování

Dodavatel vám sice dá termín, ale realita bývá jiná. A ta jiná se dá modelovat:

  • kteří dodavatelé zdržují opakovaně,
  • u kterých produktů nebo kategorií je zdržení častější,
  • zda se zdržení zhoršuje v určitých měsících,
  • jak se chová dopravce nebo konkrétní trasa.

ERP pak umí generovat rizikové skóre: tato objednávka má vysokou šanci, že přijde pozdě. A vy uděláte jednoduché věci – objednáte dřív, přesunete zásobu, aktivujete substituci nebo upravíte slíbený termín zákazníkovi. Ale včas, ne po termínu.

3. Přetížení skladu a zhoršení výkonu vychystávání

WMS dává skvělá data, jen je potřeba je použít: časy pickování, počet řádků na objednávku, typy položek, zónování skladu, fronty u balicích stolů. Prediktivní model pak řekne:

  • zítra mezi 10:00 a 14:00 budete mít úzké místo v zóně A,
  • pokud se spustí promo akce, průměrný čas zpracování objednávky se zdvojnásobí,
  • při tomto mixu objednávek nestačí kapacita expedice.

A z toho už umíte udělat plán: změnit priority vln, přesunout lidi, posunout cut-off čas pro e-shop.

Porovnání skladu před nasazením prediktivní analýzy a po něm: vlevo přeplněný sklad s výstrahami a poradou nad papíry, vpravo přehled v ERP s doplňováním zásob.
Rozdíl není v tom, kolik dat firma má, ale kdy se o problému dozví.

4. Selhání propojení e-shopu a prodejny dřív, než ho uvidí zákazník

Když propojujete e-shop s prodejnami, řešíte výdejní místa, výdej ze skladu prodejny nebo aspoň společnou dostupnost. Problém je, že integrace občas padají, posílají zpožděné stavy nebo se změní mapování skladů. Varování tady může být úplně jednoduché – detekce anomálií:

  • nestandardní pokles aktualizací zásob z prodejny,
  • náhlé skoky v dostupnosti u položky, kde to nedává smysl,
  • rozdíl mezi WMS a ERP nad určitý limit,
  • zvýšený počet stornovaných objednávek z důvodu nedostupnosti.

Není to predikce jako taková, ale včasné odhalení toho, že data lžou. A to je v omnichannel provozu často větší problém než samotné zboží.

5. Předpověď vratek, které rozhodnou o zásobách

Vratky v e-shopu jsou realita a u některých kategorií úplně běžná věc. Pokud s nimi ale nepočítáte, rozhodí vám doplňování zásob. Když umíte predikovat míru vrácení podle produktů a kanálů, umíte:

  • lépe plánovat zásobu,
  • lépe nastavovat přesuny a třídění,
  • rychleji vracet zboží do prodeje, když to dává smysl,
  • a někdy i odhalit, že problém je v popisu produktu nebo ve fotkách, ne ve skladu.

Jak to nasadit, aby z toho nebyl nekonečný IT projekt

Postup, který je v praxi nejsnesitelnější. A ano, záměrně je jednoduchý.

Krok 1: Vyberte si jeden problém, který bolí a má peníze

  • top 50 položek, které nejčastěji vypadávají z dostupnosti,
  • zdržení konkrétní skupiny dodavatelů,
  • přetížení expedice v konkrétní dny.

Jedno téma. Jedna metrika úspěchu. Jinak se to rozleje.

Krok 2: Sjednoťte zdroj pravdy

Prediktivní analýza nad špatnými daty je rychlý způsob, jak si vybudovat nedůvěru. Otevřeně si tedy řekněte, kde je master pro zásoby, kde pro objednávky, jak se řeší rezervace a jaká jsou časová zpoždění. Někdy stačí jasná definice a jedna integrační úprava, jindy je to větší práce. Ale musí to být.

Krok 3: Začněte s pravidly, model přidejte potom

Ne všechno musí být hned strojové učení. Často stačí kombinace klouzavého průměru prodeje, pojistné zásoby podle variability, lead timu podle reálné historie a prahových hodnot pro anomálie. Sofistikovanější model přidáte, až to funguje a lidé to používají. Problém bývá spíš adopce než matematika.

Krok 4: Výstup musí skončit v práci lidí, ne v reportu

  • úkol pro nákupčího: riziko vyprodání do 6 dnů, doporučené množství X,
  • upozornění pro sklad: zítra riziko přetížení zóny B,
  • upozornění pro zákaznickou podporu: objednávky z kanálu Y mají riziko zdržení,
  • automatická úprava dostupnosti na e-shopu při vysokém riziku.

Pokud to skončí v dashboardu, který otevře jeden člověk jednou za týden, rovnou si to ušetřete.

Krok 5: Měřte, jestli se zlepšilo to, co jste chtěli

  • dostupnost celkově i po kanálech,
  • počet stornovaných objednávek z důvodu nedostupnosti,
  • průměrné zdržení dodávek,
  • počet urgentních přesunů mezi sklady,
  • produktivita skladu (řádky za hodinu, čas do expedice),
  • počet expedičních chyb.

Časté chyby, které to dokážou zabít

  • Predikce bez akce: systém něco predikuje, ale nikdo neví, co s tím, nebo na to není proces.
  • Slepá víra v model: predikce je pomocník, ne autorita. Člověk ji musí umět přebít – a musí to být vidět v logu.
  • Neřešená kmenová data: špatné jednotky balení, chybějící substituce, špatná hierarchie. Pak jsou doporučení mimo.
  • Ignorování kapacity: plánování nákupu bez pohledu na sklad a logistiku. Zboží sice přijde, ale systém nezvládne příjem a expedici.
  • Rozbitý omnichannel: e-shop a prodejny si konkurují o zásobu a nikdo nemá pravidla prioritizace.

Závěr

Předvídat problémy v dodávkách ještě předtím, než nastanou, není o tom mít nejdražší modul s umělou inteligencí. Je to o tom, že přestanete řídit dodávky stylem „až když se to pokazí“, a začnete pracovat se signály.

Začněte jedním použitím. Tím nejbolestivějším. Dejte mu dobrá data. A hlavně to zaveďte tak, aby z predikce vznikl krok v procesu. Protože v realitě dodávek vyhraje ten, kdo má o dva dny náskok. Ne ten, kdo má nejhezčí dashboard.

Často kladené otázky

Co je prediktivní analýza v ERP a jak pomáhá v dodávkách?

Využívá historická, aktuální a externí data k odhadu pravděpodobných budoucích problémů v dodávkách. Umožňuje tak včasné varování a prevenci ještě před tím, než situace nastane.

Jak se liší prediktivní analýza od klasických reportů v ERP?

Klasické reporty jsou retrospektivní a ukazují minulé události. Prediktivní analýza jde o krok dál a na základě dat odhaduje pravděpodobný vývoj, aby bylo možné zasáhnout včas.

Proč jsou dodávky v retailu a velkoobchodu náchylné k problémům?

Kvůli množství kanálů, skladů a systémů. Vzniká nesoulad zásob, nepřesné lead times, sezónní výkyvy, změny v chování zákazníků nebo úzká místa ve skladu.

Proč je důležité napojit predikci na rozhodování?

Bez napojení zůstane predikce jen tabulkou navíc. Teprve propojení s procesem z ní udělá konkrétní úkol nebo automatické pravidlo, které problém skutečně řeší.

Jak ERP pomůže s řízením zásob mezi WMS a e-shopem?

Integruje data ze skladu, e-shopu i prodejen, čímž minimalizuje nesoulad zásob mezi systémy a brání prodeji zboží, které fyzicky není k dispozici.