Jak se přiblížit k ideálu takových zásob, které přesně uspokojí zákazníky, ale bez zbytečného plýtvání a odpisů? Moderní předpovědní modely pomáhají složitost jejich správy zvládat velmi účinně. Role člověka ovšem zůstává nezastupitelná.
Přinášíme vám článek z aktuálního vydání časopisu Systémy Logistiky 214 (listopad–prosinec 2024). Je to ochutnávka originálního obsahu, který najdete každé dva měsíce v tištěném časopise. Nechodí vám časopis? Registrujte se k odběru a nezmeškejte žádné vydání. Zasílaní je pro uživatele logistických služeb zdarma.
Nadhodnocený odhad poptávky často vede k nutnosti výprodejů, nebo dokonce likvidace zásob. Její podcenění pak k ušlým tržbám. Způsoby, jak se s tímto problémem vypořádat, se podle Petra Tulacha, CTO společnosti Logio, různí. „Mnozí maloobchodníci a distributoři se spoléhají na znalosti svých pracovníků, kteří používají různé modely, například dlouhodobé klouzavé průměry, a to v nejrozšířenějším programu MS Excel. Někdy se využívají funkcionality MRP v ERP systémech. U těchto softwarových řešení však často chybí automatizace, která by umožnila flexibilní výběr a testování vhodného modelu bez zásahu uživatele,“ popisuje Petr Tulach. Pro ty, kteří pracují se statisíci kombinacemi položek a prodejních kanálů, jsou manuální nastavování a kontroly prakticky neproveditelné.
Kontext k datům dodá člověk
Tradiční modely na základě časových řad analyzují historická data pro předpověď budoucí poptávky. Tyto metody jsou založeny na učení z historické řady konkrétního produktu, ale jejich efektivita se výrazně snižuje při nečekaných změnách. Moderní přístup podle Petra Tulacha využívá pokročilé techniky strojového učení (machine learning), neuronových sítí a velkých modelů. Tyto modely pracují s časovými řadami. „Velké neuronové sítě dokážou zvládnout větší množství dat, ale hrozí jim ‚přeučení‘, což znamená, že se mohou stát příliš citlivými na vzory v tréninkových datech, a tím ztratit schopnost zobecnění,“ upozorňuje ovšem Petr Tulach.
Slabinou jakékoliv predikce na základě historických dat je ale její neschopnost předpovídat události, které se v minulosti nevyskytly („černé labutě“). „Tyto události nemůže předpovědět ani člověk, a proto není účelné, aby modely usilovaly o jejich predikci. Důležitější je schopnost modelu rozpoznat změny a přizpůsobit se jim včas,“ říká CTO společnosti Logio. Moderní předpovědní modely, ať už tradiční nebo založené na umělé inteligenci, vynikají podle něj vytrvalostí, nemají emoce a rozhodují čistě na základě dat: „I když toto může být určité omezení, v kombinaci s lidským faktorem, který přidá kontext a případně upraví predikce nebo dodá dosud nepoužívaná, ale relevantní data lze dosáhnout velmi přesných výsledků.“
Jak plánují Malfini, Prazdroj nebo Dr. Max
Firmy na trhu využívají různé forecastingové nástroje. Manažeři společnosti Malfini využívají nástroj Business Intelligence, který je postavený na platformě Microsoftu Power BI a na vlastních interních aplikacích. Srdcem datové infrastruktury je datový sklad (DWH), kam proudí data z logistických systémů, prodejních databází, fakturačních záznamů a dalších zdrojů. „V DWH tato data procházejí očištěním, transformacemi a agregacemi, čímž vznikají datové sady připravené pro další použití,“ popisuje Bohumil Liner, IT developer database ve společnosti Malfini.
DWH je základem pro reporting a interní business aplikace – a ty zahrnují tři klíčové nástroje. Sales, v němž country manažeři pomocí historických dat a prediktivního modelu Sarima plánují prodeje a optimalizují obchodní strategie; Procurement pomáhá oddělení nákupu plánovat objednávky a minimalizovat náklady na skladování; Pricing pak marketingové oddělení využívá k analýze a tvorbě cenových strategií. Data generovaná v aplikacích proudí zpět do DWH a pak do Power BI, kde jsou analyzována a vizualizována.
Na dotaz, jakými metodami optimalizují zásoby svých produktů, reagují také manažeři Plzeňského Prazdroje: „Pro plánování a řízení zásoby využíváme nejen standardních funkcionalit SAP, ale také pokročilé plánovací nástroje. Příkladem je Nostra pro plánování poptávky, Escape, který využíváme pro taktické plánování výroby na 78 týdnů, a AS Infor, který nám slouží pro operativní plánování výroby na tři týdny,“ popisuje Pavel Svoboda, manažer plánování dodavatelského řetězce Plzeňského Prazdroje. Dodává, že součástí plánu výroby, resp. prodejů zboží, je také plánování materiálů i toku vratných obalů. Zásoby pro materiál se pracovníci snaží držet na minimální úrovni s důrazem na přesnost plánování a řízení dodavatelského toku. „Vratné obaly a jejich cirkulace jsou ovlivněny sezonností hotových produktů, pro které jsou určené. Jejich plánování je také součástí plánovacích nástrojů (Escape) a je samostatnou kategorií celého supply chain plánování,“ dodává Pavel Svoboda.
„Vďaka presnejšiemu plánovaniu sme efektívne znížili nadzásoby a minimalizovali počet ‚mŕtvych produktov‘, pričom sme zásoby udržali v optimálnom stave. Tento prístup nám umožnil zabezpečiť lepšiu dostupnosť produktov,“ říká např. Miroslav Tatljak, manažer řízení zásob společnosti Dr. Max Holding SK, která používá nástroj od firmy Logio. Jedním z největších přínosů jimi používaného nástroje je podle Miroslava Tatljaka vytváření optimálních objednávek, které výrazně zjednodušilo a urychlilo celý proces objednávání. Automatizace snížila potřebu ručního objednávání v lékárnách, čímž se ušetřil čas, který lze věnovat důležitějším úkolům. „Nástroj taktiež automaticky monitoruje stav zásob a dopĺňa produkty vo vystavení podľa aktuálnych plánogramov, čo minimalizuje riziko vypredania a zabezpečuje, že naši pacienti majú vždy prístup k potrebným produktom,“ popisuje Miroslav Tatljak.
Článek připravil: Filip Hubička
Ilustrace v úvodu článku byla generována pomocí aplikace Dall-e
