Z punktu widzenia klienta handel wydaje się prosty. Wchodzi do sklepu, zdejmuje produkt z półki, płaci i wychodzi. Zanim jednak książka, kosmetyk czy paczka kawy znajdą się w jego koszyku, ktoś musi przewidzieć popyt, zamówić towar, przyjąć dostawę, rozdzielić ją między sklepy i w odpowiednim momencie uzupełnić półkę.
Firmy od dziesięcioleci zbierały dane o sprzedaży i zapasach, prognozowały popyt i informatyzowały kolejne części tego łańcucha. System ERP pomagał zarządzać zasobami i zamówieniami, WMS magazynem, a TMS transportem. Prognozy powstawały na podstawie historii sprzedaży, sezonowości i modeli statystycznych, a planiści korygowali je własną wiedzą i doświadczeniem.
– Dane były zbierane, ale przede wszystkim na potrzeby konkretnych procesów i konkretnych działów. Nie patrzono na nie kompleksowo z punktu widzenia całego łańcucha – mówi Anna Randak, dyrektorka ds. planowania popytu w Empiku.
Sprzedaż miała więc swoje dane, magazyn swoje, marketing planował kampanie, a transport wiedział, co i dokąd przewieźć. Problem pojawiał się, gdy informacja potrzebna w jednym miejscu pozostawała w innym.
Towar jest. Tylko nie tam, gdzie trzeba
Jak kosztowne mogą być problemy z przepływem informacji, pokazał przypadek polskiej sieci TXM. W 2017 r. jej właściciel, grupa Redan, wiązał słabe wyniki m.in. z problemami podczas wdrażania nowego systemu informatycznego i niewłaściwym zatowarowaniem sklepów. Choć powierzchnia sieci wzrosła o 29 proc., nie przełożyło się to na oczekiwany wzrost sprzedaży.
Ówczesny prezes Redanu oceniał, że TXM powinien osiągnąć w kwartale co najmniej 90 mln zł sprzedaży. Skończyło się na 72 mln zł. Firma odpowiedzialna za wdrożenie kwestionowała jednak przypisywanie jej odpowiedzialności za słabe wyniki TXM.
Rozbieżności między zapasem zapisanym w systemie, a rzeczywistym stanem nie dotyczą jednak tylko nieudanych wdrożeń. W badaniu opublikowanym w 2008 r. Nicole DeHoratius z University of Chicago i Ananth Raman z Harvard Business School przeanalizowali niemal 370 tys. zapisów dotyczących zapasów w 37 sklepach jednej dużej sieci handlowej.
Aż 65 proc. zapisów nie zgadzało się ze stanem rzeczywistym. Przyczyną może być choćby błąd przy rejestracji dostawy lub sprzedaży, kradzież czy odłożenie produktu w niewłaściwym miejscu. System może więc pokazywać towar, którego klient nie znajdzie na półce, albo nie wiedzieć o towarze, który fizycznie znajduje się w magazynie.
AI nie widzi towaru. Widzi dane
Dla klasycznych systemów informatycznych błędne dane były problemem. Są nim również dla sztucznej inteligencji. Algorytm nie zagląda na półkę i nie sprawdza, czy leży na niej pięć opakowań kawy. Widzi dane, które otrzymał. Jeśli opisują rzeczywistość błędnie, może wyciągnąć błędny wniosek.
AI pozwala jednak uwzględnić przy prognozowaniu popytu znacznie więcej informacji: historię sprzedaży, cenę, promocje, porę roku, dzień tygodnia, konkretny sklep, kanał sprzedaży, pogodę, święta czy inne wydarzenia.
– Jeśli wiemy, że odbędzie się duży festiwal muzyczny i wystąpią na nim konkretni artyści, możemy założyć, że wzrośnie zainteresowanie ich płytami. Takie informacje również możemy dostarczyć modelowi. AI może nie tylko przewidzieć sprzedaż, ale też pomóc policzyć różne warianty działań marketingowych i ich opłacalność – wyjaśnia Anna Randak.
Podobny mechanizm można wykorzystać w transporcie, np. gdy łańcuch dostaw zostaje nagle zakłócony. – AI analizuje alternatywne scenariusze w kilka sekund. Szybko przelicza dostępną przepustowość i sugeruje alternatywnych przewoźników lub punkty przeładunkowe, zapewniając planistom transportu przejrzyste, ustrukturyzowane ramy decyzyjne w sytuacjach, gdy czas ma kluczowe znaczenie – mówi Wolfgang Brunner, szef ds. digitalizacji korporacyjnej w Gebrüder Weiss.
Kiedy AI rzeczywiście działa
Podobny problem skali pojawia się przy prognozowaniu popytu. Obliczenia trzeba wykonywać dla tysięcy produktów i setek sklepów, często osobno dla każdego dnia. To tworzy przestrzeń dla uczenia maszynowego.
– Przy takiej skali człowiek nie jest już w stanie wszystkiego sam policzyć. Możemy natomiast dostarczyć modelowi historię sprzedaży, informacje o ofercie, działaniach marketingowych czy zapasach i analizować różne scenariusze – mówi Anna Randak.
Przykładem wykorzystania takich danych jest indyjska sieć More Retail. W 2021 r. Amazon Web Services opisał wdrożone w niej rozwiązanie wykorzystujące uczenie maszynowe do prognozowania popytu na poziomie produktu i sklepu. Prognozy połączono z systemem ERP, automatyzując składanie zamówień. Dokładność prognoz wzrosła z 24 do 76 proc., dostępność produktów z 80 do 90 proc., a straty świeżej żywności spadły nawet o 30 proc.
Zanim jednak powstał model, zespół musiał ustalić, co właściwie oznaczają zgromadzone dane. Zero sprzedaży mogło oznaczać brak zainteresowania klientów, ale również brak towaru na półce albo zamknięty sklep. Dla prognozy to trzy różne sytuacje.
„Back to school” nic maszynie nie mówi
Załóżmy, że sieć handlowa przygotowuje dużą kampanię „back to school”. Człowiek rozumie, że sprzedaż promowanych produktów prawdopodobnie wzrośnie. Dla modelu informacja „będzie duża kampania” niewiele jednak mówi.
– Musimy wiedzieć, co znaczy „duża”. Jaki jest rodzaj promocji, jaka będzie cena, jak długo potrwa, ilu sklepów będzie dotyczyła, jaki będzie jej zasięg. Potrzebujemy takich informacji zapisanych w powtarzalny sposób i potrzebujemy ich historii, żeby model mógł się na niej uczyć – tłumaczy Anna Randak.
Marketing może znać wszystkie szczegóły kampanii, ale wcześniej nie musiał zapisywać ich w sposób potrzebny do prognozowania popytu.
– Nagle okazuje się, że mamy brakujący puzzel. Informacja w firmie istnieje, tylko wcześniej nikt nie miał powodu, żeby ją zbierać i porządkować w taki sposób, w jaki potrzebujemy jej teraz – mówi ekspertka.
Aby model mógł nauczyć się wpływu określonego rodzaju promocji na sprzedaż, kolejne akcje trzeba opisywać według tych samych zasad i zestawiać z ich rzeczywistymi efektami. Bez takich danych firma może przyciągnąć klientów promocją, ale nie przygotować odpowiedniego zapasu produktu.
Systemy mogą się połączyć. Dane nie zawsze
Technologie oparte na danych mogą pełnić w logistyce różne funkcje. W magazynach automatyzacja, robotyzacja i zaawansowane algorytmy usprawniają konkretne procesy. Anna Wiśniewska, dyrektor zarządzająca Element Logic w Polsce, podaje przykład magazynu DSV działającego w modelu multiklienckim, w którym jej firma integrowała system AutoStore. Według operatora robotyzacja oraz zaawansowane algorytmy WMS zwiększyły wydajność kompletacji o 63 proc.
Jednocześnie – jak wskazuje Wiśniewska – rośnie zainteresowanie łączeniem automatyki, oprogramowania i danych z narzędziami AI. Im szerzej jednak chcemy wykorzystywać AI w łańcuchu dostaw, tym więcej danych z różnych jego części trzeba ze sobą połączyć.
I tu zaczynają się schody. Obok ERP, WMS i TMS działają systemy sprzedażowe, e-commerce czy narzędzia marketingowe. Każdy może dobrze wykonywać swoje zadanie, a mimo to cały łańcuch nie musi tworzyć jednego spójnego źródła informacji. Problemem może być brak połączenia między systemami, opóźnienie w przekazywaniu danych albo różny sposób opisywania tego samego produktu czy zdarzenia.
Skalę problemu pokazuje badanie PwC z 2025 r. przeprowadzone wśród 610 osób odpowiedzialnych za operacje i łańcuchy dostaw w amerykańskich firmach. Aż 92 proc. respondentów wskazało co najmniej jeden powód, dla którego inwestycje w technologie nie przyniosły w pełni oczekiwanych rezultatów. Najczęściej wymieniano złożoność integracji systemów (47 proc. wskazań) oraz problemy z danymi (44 proc.).
Problem techniczny łączy się ze sposobem pracy firmy. Można połączyć ERP z WMS, WMS z TMS-em i wszystkie trzy z kolejnymi systemami. Trudniej sprawić, żeby ludzie pracujący w różnych częściach firmy zaczęli patrzeć na dane jak na wspólny zasób.
– To wymaga zmiany sposobu myślenia. Poszczególne działy muszą zrozumieć, że informacja, która z ich punktu widzenia jest mało istotna, dla kogoś innego może mieć ogromną wartość. Bez takiej gotowości firmy trudno mówić o wykorzystaniu pełnego potencjału AI – podkreśla Anna Randak.
Planista przestaje liczyć
Jeżeli model potrafi analizować miliony rekordów i przygotowywać prognozy dla poszczególnych produktów i lokalizacji, człowiek nie musi już wykonywać dużej części obliczeń ręcznie. Zmienia się jednak jego rola.
Osoba odpowiedzialna za planowanie może więcej czasu poświęcać przypadkom, które odbiegają od normy. Jeśli sprzedaż nagle rośnie albo spada, trzeba ocenić, czy model zauważył rzeczywistą zmianę popytu, czy dostał błędne dane. Człowiek musi wiedzieć, kiedy prognozie można zaufać, kiedy ją zakwestionować i jakie dodatkowe informacje powinny trafić do modelu.
– Maszyna może przejąć coraz większą część liczenia i wyszukiwania zależności w ogromnych zbiorach danych. Rolą człowieka będzie pilnowanie, czy dostała właściwe dane i czy wynik ma sens. Im więcej decyzji powierzamy algorytmom, tym ważniejsza staje się więc kontrola zarówno tego, co do nich trafia, jak i tego, co nam podpowiadają – podsumowuje Anna Randak.
XXIII Forum Polskich Menedżerów Logistyki - POLSKA LOGISTYKA
