Keď sa niekde v dodávkach niečo pokazí, väčšinou to vyzerá ako „náhodná smola“. Zdržal sa dopravca. Dodávateľ posunul termín. Niekto v sklade prehliadol výpadok zásob. E shop predal posledné kusy, ktoré už fyzicky nie sú. A potom už len hasíš. Telefonáty, preplánovanie, nahnevaný zákazník, interný stres.

Lenže veľa z týchto problémov nie je náhodných. Sú opakujúce sa vzorce. A presne tu dáva zmysel prediktívna analytika v ERP.

Nie je to sci fi. V praxi to znamená, že ERP (plus dáta zo skladu, predajní, e shopu a logistiky) ti vie začať šepkať dopredu, že „toto vyzerá na problém“. Nie keď už je neskoro, ale v momente, keď to ešte vieš zvrátiť.

A keď riešiš ERP pre maloobchod, veľkoobchod, prepájanie e shopov s predajňami, WMS a logistiku skladov… tak toto je presne tá oblasť, kde to prináša najrýchlejšie výsledky.

Čo je prediktívna analytika v ERP, normálne po ľudsky

Klasické reporty v ERP sú retrospektíva. Čo sa stalo minulý týždeň. Ktoré položky sa predávali. Koľko objednávok meškalo. Aká bola obrátka zásob.

Prediktívna analytika ide o krok ďalej. Zoberie historické dáta, aktuálne dáta (a ideálne aj externé signály) a vytvorí odhad, čo sa pravdepodobne stane. Nie s istotou. S pravdepodobnosťou. A to je úplne v poriadku, lebo v dodávkach nepotrebuješ veštiť budúcnosť. Potrebuješ včasné varovanie.

Typické príklady:

• Tento dodávateľ má zvýšené riziko meškania pri najbližších dodávkach.
• Táto položka sa vypredá skôr, než príde ďalší nákup, aj keď „na papieri“ to vyzerá OK.
• V konkrétnom sklade sa začne tvoriť úzke miesto pri vychystávaní (napríklad kvôli nedostatočnej automatizovanej expedícii), ak sa nezmení plán.
• Zákaznícke objednávky z určitého kanála (napr. marketplace) majú nadpriemernú mieru storna kvôli dostupnosti.

Dôležité. Predikcia nie je jedna tabuľka navyše. Musí byť napojená na rozhodovanie. Ideálne tak, aby z toho vznikol konkrétny task alebo automatické pravidlo (ako napríklad EDI komunikácia).

Prečo sú dodávky v retaili a veľkoobchode tak náchylné na problémy

Retail, veľkoobchod, e shop + predajne, skladové hospodárstvo… to je taký živý organizmus. Stále sa niečo hýbe. A čím viac kanálov a skladov, tým viac miest, kde sa to vie rozpadnúť.

Najčastejšie bolestivé miesta, ktoré vídame:

• Nesúlad zásob medzi systémami: ERP ukazuje 10 ks, WMS 7 ks, e shop predá 9 ks. Potom sa to dorovná inventúrou, ale škoda už je.
• Zlé lead times: v nákupných dátach máš 5 dní, realita je 9. Lenže ten rozdiel sa zistí až keď to začne horieť.
• Sezónnosť a promo šoky: akcia na pár dní, prudký nárast objednávok, sklad nestíha, dopravca nestíha.
• Zmeny v správaní zákazníkov: napríklad presun dopytu do inej veľkosti balenia alebo do inej alternatívy. A staré plánovanie to nevidí.
• Úzke miesto v sklade: niekedy nie je problém v tovare, ale v kapacite vychystávania, balenia, expedície. A to sa často rieši až v momente, keď už sa tvoria fronty.

Prediktívna analytika má zmysel práve preto, že tieto problémy zvyknú mať predzvesť. Len je roztrúsená v dátach.

Aké dáta musíš mať, aby to celé fungovalo

Tu ľudia často čakajú, že potrebujú „big data“. Nie. Potrebuješ hlavne poriadok v základných dátach a dobré prepojenia.

Minimum, ktoré sa oplatí mať:

• Predaje: po dňoch (ideálne po hodinách), po kanáloch (predajňa, e shop, B2B), s promo flagmi.
• Stavy zásob: ERP aj WMS vrátane rezervácií, blokácií a rozpracovaných príjemiek a výdajiek. Tu WMS riadené sklady môžu výrazne pomôcť.
• Objednávky a dodávky: dátum objednania, potvrdený termín, reálny termín, množstvo, dodávateľ, sklad.
• Logistika a expedícia: cut off časy, časy spracovania, SLA dopravcov, reklamácie nedoručenia.
• Kmeňové dáta: produktová hierarchia, substitúcie balenia minimá multipacky dodacie kalendáre.
• E shop signály: návštevnosť konverzie pridané do košíka

Čo konkrétne vie ERP predikovať v dodávkach (a dáva to zmysel)

Nižšie je pár oblastí, ktoré sú reálne nasaditeľné. Žiadne teórie. A hlavne také, ktoré majú jasný dopad na dostupnosť a zákaznícky servis.

1) Riziko stockoutu skôr, než sa objaví „0 na sklade“

Klasika: ERP má nastavené minimá a keď zásoba klesne, navrhne objednávku. Lenže:

• minima sú často nastavené od oka,
• dopyt skáče,
• lead time sa mení,
• časť zásoby je rezervovaná na iný kanál.

Predikcia stockoutu pracuje s trendom predaja, sezónnosťou, promo plánom, otvorenými objednávkami a reálnymi lead times. Výstup nie je „objednaj“, ale napríklad:

• pravdepodobnosť, že položka dôjde do X dní,
• odhad dňa, kedy dôjde,
• odporúčané množstvo pre doplnenie s ohľadom na servisnú úroveň.

A najlepšie je, keď to vieš rozlíšiť podľa kanála. Lebo e shop môže vyžrať zásobu predajniam, alebo naopak, predajne si to stiahnu cez interné presuny.

2) Predikcia meškania dodávateľov podľa ich správania

Dodávateľ ti síce dá termín, ale realita je iná. A tá „iná“ sa dá modelovať.

• Ktorí dodávatelia meškajú opakovane.
• Pri ktorých produktoch (alebo kategóriách) je meškanie častejšie.
• Či sa meškanie zhoršuje v určitých mesiacoch.
• Ako sa správa dopravca alebo konkrétna trasa.

Tu vie ERP generovať rizikové skóre: táto objednávka má vysokú šancu, že príde neskoro. A potom vieš spraviť jednoduché veci. Objednať skôr. Presunúť zásobu. Aktivovať substitúciu. Upraviť sľúbený termín zákazníkovi, ale včas, nie po termíne.

3) Preťaženie skladu a zhoršenie výkonnosti vychystávania

WMS dáva krásne dáta, len ich treba použiť. Časy pickovania, počet riadkov na objednávku, typy položiek, zónovanie skladu, fronty na baliacich stoloch.

Prediktívny model tu môže povedať niečo ako:

• zajtra medzi 10:00 a 14:00 budeš mať úzke miesto v zóne A,
• ak sa spustí promo, priemerný čas spracovania objednávky sa zdvojnásobí,
• pri tomto mixe objednávok nebude stačiť kapacita expedície.

A z toho už vieš spraviť plán. Zmeny v prioritách vlny. Presun ľudí. Cut off čas pre e shop. Dočasné obmedzenie sortimentu s nízkou maržou, ale vysokou náročnosťou na picking. Áno, znie to drsne, ale niekedy je to presne tá správna obchodná voľba.

4) Zlyhanie prepojenia e shopu a predajne, skôr než to uvidí zákazník

Keď prepájaš e shop s predajňami, často riešiš klikni a vyzdvihni, alebo ship from store, alebo aspoň spoločnú dostupnosť. A problém je, že integrácie vedia občas padnúť. Alebo posielať oneskorené stavy. Alebo sa zmení mapovanie skladov.

Prediktívne varovanie tu môže byť aj úplne jednoduché. Detekcia anomálií:

• neštandardný pokles aktualizácií zásob z predajne,
• náhle skoky v dostupnosti (z 0 na 200 kusov pri položke, kde to nedáva zmysel),
• rozdiel medzi WMS a ERP nad určitý limit,
• zvýšený počet stornovaných objednávok z dôvodu nedostupnosti.

Čiže nie predikcia ako taká, ale včasné odhalenie toho, že „dáta klamú“. A to je v omnichannel svete často väčší problém než samotný tovar.

5) Predikcia reklamácií a vrátení, ktoré rozhodia zásoby

Vrátenky v e shope sú realita. A pri niektorých kategóriách úplne bežná vec. Lenže ak s tým nepočítaš, môže ti to rozhodiť replenishment. Raz ti príde veľa vráteniek, raz skoro nič. A do toho sa mieša kvalita tovaru, šarže, balenie, dopravca.

Keď vieš predikovať mieru vrátenia po produktoch a kanáloch, vieš:

• lepšie plánovať zásobu,
• lepšie nastavovať presuny a triedenie,
• rýchlejšie vracať tovar do predaja, keď to dáva zmysel,
• a niekedy aj odhaliť, že problém je v popise produktu alebo vo fotkách, nie v sklade.

Ako to celé nasadiť bez toho, aby sa z toho stal nekonečný IT projekt

Tu je postup, ktorý je v praxi najznesiteľnejší. A áno, zámerne je jednoduchý.

Krok 1: Vyber si jeden problém, ktorý bolí a má peniaze

Napríklad:

• top 50 položiek, ktoré najčastejšie vypadávajú z dostupnosti,
• meškania konkrétnej skupiny dodávateľov,
• preťaženie expedície v konkrétne dni.

Jedna téma. Jedna metrika úspechu. Inak sa to rozlezie.

Krok 2: Zjednoť zdroj pravdy (ERP vs WMS vs e shop)

Prediktívna analytika na zlých dátach je rýchly spôsob, ako si vybudovať nedôveru. Takže si otvorene povedz:

• kde je master pre zásoby,
• kde je master pre objednávky,
• ako sa riešia rezervácie,
• aké sú časové oneskorenia.

Niekedy stačí len jasná definícia a jedna integračná úprava. Niekedy je to väčšia robota. Ale musí to byť.

Krok 3: Začni s pravidlami, až potom pridaj model

Nie všetko musí byť hneď machine learning. Často stačí kombinácia:

• rolling average predaja,
• safety stock podľa variability,
• lead time podľa reálnej histórie,
• prahové hodnoty a anomálie.

A až keď to funguje a ľudia to používajú, pridáš sofistikovanejší model. Lebo ten problém býva skôr adopcia než matematika.

Krok 4: Výstup musí skončiť v práci ľudí, nie v reporte

Najlepšie formy výstupu:

• task pre nákupcu: „riziko stockoutu do 6 dní, odporúčané množstvo X“
• alert pre sklad: „zajtra riziko preťaženia zóny B“
• upozornenie pre customer care: „objednávky z kanála Y majú riziko meškania“
• automatická úprava dostupnosti na e shope pri vysokom riziku

Ak to skončí v BI dashboarde, ktorý otvorí jeden človek raz za týždeň, tak si to rovno ušetri.

Krok 5: Meraj, či sa zlepšilo to, čo chceš zlepšiť

Konkrétne metriky, ktoré dávajú zmysel:

• fill rate a dostupnosť (overall aj po kanáloch),
• počet stornovaných objednávok z dôvodu nedostupnosti,
• priemerné meškanie dodávok,
• počet urgentných presunov medzi skladmi,
• produktivita skladu (riadky za hodinu, čas do expedície),
• počet expedičných chýb.

A potom jednoduchá otázka: je to lepšie než predtým?

Časté chyby, ktoré to celé dokážu zabiť

• Predikcie bez akcie: systém niečo predpovie, ale nikto nevie, čo s tým. Alebo to nemá proces.
• Slepá viera v model: predikcia je pomocník. Nie autorita. Vždy treba možnosť pre človeka to prebiť, a zároveň to logovať.
• Neriešené kmeňové dáta: zlé jednotky balenia, chýbajúce substitúcie, zlá hierarchia. Potom sú odporúčania mimo.
• Ignorovanie kapacity: plánovanie nákupu bez pohľadu na sklad a logistiku. Tovar síce príde, ale systém nezvládne príjem a expedíciu.
• Rozbitý omnichannel: e shop a predajne si konkurujú o zásobu a nikto nemá pravidlá prioritizácie.

Kde to celé najviac sedí v našom svete (ERP, retail, veľkoobchod, WMS, logistika)

Ak riešiš ERP pre maloobchod a veľkoobchod a k tomu prepájanie e shopov s predajňami, prediktívna analytika je najlepší „lepidlový“ layer. Lebo:

• vidí predaj naprieč kanálmi,
• vidí realitu skladu cez WMS,
• vie pridať logistické SLA,
• a vie to preložiť do rozhodnutí v ERP procesoch.

Nie ako ďalší systém, ktorý si žije sám. Skôr ako rozšírenie toho, čo už robíš. Len múdrejšie, rýchlejšie a trochu proaktívne.

Záver, taký ten praktický

Predvídať problémy v dodávkach ešte predtým, než nastanú, nie je o tom mať najdrahší AI modul. Je to o tom, že prestaneš riadiť dodávky cez „až keď sa to pokazí“. A začneš pracovať so signálmi.

Začni jedným use casom. Najbolestivejším. Daj tomu dobré dáta. A hlavne to zaveď tak, aby sa z predikcie stal krok v procese.

Lebo v realite dodávok vyhráva ten, kto má o dva dni náskok. Nie ten, kto má najkrajší dashboard.

Často kladené otázky

Čo je prediktívna analytika v ERP a ako pomáha v dodávkach?

Prediktívna analytika v ERP využíva historické, aktuálne a externé dáta na odhad pravdepodobných budúcich problémov v dodávkach, čím umožňuje včasné varovanie a prevenciu nežiaducich situácií ešte pred ich vznikom.

Prečo sú dodávky v retaili a veľkoobchode často náchylné na problémy?

Dodávky sú náchylné na problémy kvôli komplexnosti viacerých kanálov, skladov a systémov, ktoré môžu mať nesúlad zásob, nepresné lead times, sezónne výkyvy, zmeny správania zákazníkov alebo úzke miesta v sklade.

Ako sa líši prediktívna analytika od klasických reportov v ERP?

Klasické reporty sú retrospektívne a ukazujú minulé udalosti, zatiaľ čo prediktívna analytika ide o krok ďalej a na základe dát predpovedá pravdepodobné budúce udalosti s cieľom umožniť včasné zásahy.

Aké typické problémy dokáže prediktívna analytika identifikovať v dodávateľskom reťazci?

Dokáže identifikovať riziko meškania dodávateľov, vypredanie položiek skôr než príde nový nákup, tvorbu úzkych miest v sklade alebo zvýšenú mieru storna objednávok z určitých kanálov.

Prečo je dôležité napojiť predikciu na konkrétne rozhodnutia a automatizované pravidlá?

Bez prepojenia na rozhodovanie zostáva predikcia len tabuľkou navyše. Napojenie umožňuje automatické generovanie úloh alebo pravidiel (napr. EDI komunikácia), ktoré efektívne riešia identifikované problémy.

Ako môže ERP systém pomôcť pri riadení zásob medzi rôznymi systémami ako WMS a e-shop?

ERP systém integruje dáta zo skladu, e-shopu a ďalších miest, čím minimalizuje nesúlad zásob medzi systémami a zabraňuje predaju tovaru, ktorý fyzicky nie je dostupný.