Automatizace řízení zásob pomocí AI – méně výpadků i přebytků

Automatizace řízení zásob pomocí AI – co to je

Jde o to, že část rozhodování o zásobách převezme systém, který se učí z vašich dat (prodeje, sezónnost, dodací lhůty, minimální odběry, marže, reklamace) a každý den navrhne nebo rovnou spustí konkrétní kroky: co objednat, v jakém množství, kdy, od koho a pro jaký sklad. V praxi to není „magie“, ale dobře nastavená pravidla doplněná predikcí poptávky a hlídáním odchylek. Moderní přístupy jdou dál: kombinují optimalizační pravidla s učením, aby systém lépe reagoval třeba na akce, výkyvy a výpadky dodavatelů.

Typické scénáře, kde to přináší rychlou hodnotu: (1) automatické návrhy objednávek pro top položky (A/B sortiment), (2) hlídání rizika vyprodání a včasné upozornění obchodníkovi, (3) lepší plánování doplnění mezi sklady a pobočkami, (4) přesnější inventury a rychlejší kontrola skutečného stavu. Výzkum popisuje i „agentní“ přístup, kdy systém nejen doporučí, ale umí také iniciovat objednávku a průběžně se zlepšovat podle výsledků (např. nižší výpadky a nižší náklady na držení zásob) – viz agentní AI pro doplňování zásob (arXiv).

Jak to funguje v praxi?

Ve firmě to obvykle začíná napojením na zdroje dat: ERP/sklad, e‑shop, POS, ceníky, dodací podmínky a případně i tabulky, které dnes drží know-how (např. minimální zásoba, balení, preferovaný dodavatel). Následně se nastaví „logika doplňování“: cílová dostupnost (např. 95 % u klíčových položek), bezpečnostní zásoba, práce s dodací lhůtou a jasné výjimky (novinky bez historie, akční zboží, položky na doprodej). AI agent pak každý den vyhodnotí situaci, připraví seznam návrhů a u vybraných položek může rovnou připravit objednávku ke schválení.

Před nasazením: Jednatel Petr z velkoobchodu se spojovacím materiálem trávil denně cca 1,5 hodiny kontrolou skladu a ručním doplňováním v Excelu. I tak měl v průměru 6–8 „kritických“ položek týdně vyprodaných a u dalších držel zbytečně vysoké zásoby „pro jistotu“ (cca 250 000 Kč v pomalu se točícím zboží). Po nasazení: Petr dostává každé ráno přehled: 12 položek k doplnění, 4 rizikové položky s odůvodněním (růst prodejů + delší dodací lhůta) a 5 položek k omezení objednávek. Kontrola mu zabere 10–15 minut, výpadky klesnou na 1–2 položky týdně a během 2 měsíců uvolní cca 150 000 Kč ze zásob, které se netočily.

Jaké výsledky můžete očekávat?

Nejčastější přínosy jsou tři: méně výpadků (nepřicházíte o objednávky), nižší náklady na držení zásob (peníze nejsou „zamčené“ na skladě) a méně ruční práce (nákupčí a obchod se věnují výjimkám, ne rutině). Výzkumné práce ukazují, že kombinace optimalizačních pravidel a učení může překonávat běžnou praxi a zlepšovat ukazatele jako dostupnost, obrat zásob a náklady na držení – např. přístup „nejdřív optimální pravidla, potom učení“ popisuje model pro řízení zásob s posilovaným učením (arXiv).

Co si z toho odnést do řízení firmy: výsledky se typicky neukážou jedním „kouzelným“ číslem, ale souborem měřitelných KPI. Doporučujeme nastavit minimálně: (1) míru dostupnosti u top položek, (2) počet stockoutů týdně, (3) hodnotu zásob a podíl pomalu se točících položek, (4) přesnost inventury a počet ručních zásahů do objednávek. Většina firem vidí rychlý posun hlavně u rutinních položek s dostatečnou historií prodejů – tam má automatizace největší efekt a nejmenší riziko.

Uvažujete o podobném řešení pro vaši firmu? Domluvte si nezávaznou konzultaci a probereme vaše možnosti.

Na co si dát pozor při zavádění?

Největší riziko nebývá „AI“, ale nejasná pravidla a špinavá data. Pokud v ERP chybí dodací lhůty, balení, minimální odběr nebo je historie prodejů zkreslená jednorázovou akcí, systém bude dávat horší návrhy. Druhé riziko je přehnaná automatizace hned od začátku: u citlivých položek (novinky, akce, zakázková výroba) je lepší začít doporučeními a až potom přejít na poloautomat (schválení) nebo automat.

Praktické tipy, které fungují v malých a středních firmách: (1) rozdělte sortiment na A/B/C a začněte na „A“, (2) zaveďte jednoduchý katalog pravidel (kdy AI může objednávat sama a kdy musí člověk schválit), (3) ošetřete sezónnost a akce jako samostatný režim, (4) nastavte týdenní kontrolní rituál 30 minut: co systém navrhl, co jsme schválili, co se pokazilo a proč. Pokud současně řešíte i širší řízení procesů, může se vám hodit článek AI automatizace firemních procesů, který pomůže s tím, jak změnu uchopit napříč firmou.

Jak začít?

Začněte malým pilotem, ne „velkým projektem“. Vyberte 1 sklad nebo 1 produktovou kategorii, kde jsou časté výpadky nebo přebytky. Definujte cíle (např. snížit stockouty o X, zkrátit čas plánování objednávek o Y) a nastavte KPI. Pak připravte data: export prodejů (ideálně 12–24 měsíců), aktuální stavy, objednávky na cestě, dodací lhůty a základní parametry položek.

Za firmu potřebujete typicky 3 role: člověka z nákupu/plánování (zná realitu dodavatelů), někoho z financí (hlídá kapitál v zásobách) a majitele rozhodnutí (CEO/ředitel obchodu), který určí priority a výjimky. Pokud už dnes automatizujete rutinní administrativu, inspiraci na „rychlé vítězství“ najdete i v článku automatizace zadávání dat pomocí AI – u zásob často začíná přínos právě tím, že se přestanou ručně přepisovat stavy, objednávky a reporty.

Často kladené otázky

Vyzkoušejte AI agenta na míru

Zaujal vás tento článek? Nechte si vytvořit AI agenta na míru pro vaši firmu: