AI Prognoza i Pametne Sigurnosne Zalihe: Manje Viškova, Veća Servisna Razina

Napredno predviđanje potražnje (AI) i sigurnosne zalihe: kako spojiti prognozu i servisnu razinu

Ako se bavite planiranjem potražnje duže od nekoliko mjeseci, siguran sam da ste doživjeli tipičnu situaciju: kraj mjeseca, skladište je puno robe koja se ne pomiče, a istovremeno vam prodaja šalje ljutit email jer nedostaju tri ključna artikla baš kada kreće akcija. U teoriji, imali ste prognozu, imali ste sigurnosne zalihe i ciljanu servisnu razinu. U praksi, kupac čeka, vozač stoji na rampi bez kompletne palete, a vi objašnjavate zašto su vam police pune pogrešne robe. Tu priča o naprednom predviđanju potražnje uz pomoć umjetne inteligencije i optimizaciji sigurnosnih zaliha postaje konkretna tema, a ne samo još jedan popularan izraz s konferencije. Klasični sistem: Excel tablice, malo intuicije iz prodaje, malo konzervativnosti iz nabave i na kraju lanac opskrbe koji neprestano pleše između viškova i manjkova. Klasične metode, pogotovo jednostavni pomični prosjeci ili sezonski indeksi, mogu obaviti solidan posao za stabilne artikle. Međutim, čim se suočite s kombinacijom akcija, promocija, sezonalnosti, novih artikala i kraćih životnih ciklusa, greška prognoze počinje nagrizati i maržu i strpljenje. Pritom se mnoge tvrtke drže jedne jedinstvene razine sigurnosne zalihe “jer se tako uvijek radilo” i onda se čude zašto im je servisna razina nestabilna, jedan mjesec 99 posto, a drugi 90 posto. U pozadini leži jednostavna činjenica: prognoza, čak i ona temeljena na AI, sama po sebi ne drži policu punom, a sigurnosna zaliha sama po sebi ne zna od čega se točno štiti. Tek kada spojimo ta dva svijeta na način koji je razumljiv planerima, voditeljima skladišta i nabave, počinju se događati opipljive promjene.

Problemi se najčešće ponavljaju u istim oblicima.: Netko bi uzeo podatke za isti mjesec prošle godine, dodao postotak rasta, malo “podebljao” količinu iz straha od nestašice i poslao narudžbu dobavljaču. Rezultat je bio višak zaliha u rujnu te manjak u lipnju i srpnju. Slijedeće godine, ponovio bi isti princip, dodajući rast na krive podatke iz ove godine. Drugi primjer je proizvođač rezervnih dijelova koji održava istu ciljanu servisnu razinu od 98 posto za sve artikle, od ključnih A-artikala do B i C-artikala koji se prodaju tek nekoliko puta godišnje. Tamo sigurnosne zalihe gutaju skladišni prostor, a svejedno su se suočavali s kašnjenjima narudžbi (backorder) svaki put kada bi stigao veći nalog za određeni dio. Većina lanaca opskrbe nema problem s manjkom formula, već s time što nitko nije do kraja povezao tri ključne stvari: kolika je stvarna greška prognoze po artiklu, kakvi su nam dobavni rokovi i njihova varijabilnost te koju si servisnu razinu zaista možemo priuštiti za koji dio asortimana. Napredno predviđanje potražnje tu pomaže jer daje detaljniju i stabilniju prognozu, često na dnevnoj ili tjednoj razini. Ali ako te brojke samo ubacimo u stari model sigurnosnih zaliha, nećemo postići puni efekt. Prvi korak je priznati gdje nas klasične metode ostavljaju bez pokrića i koliko nas to košta, ne samo u eurima, već i u kašnjenjima, OTIF pokazateljima i povjerenju kupaca.

• Višak zaliha na pogrešnim artiklima, a nestašica na onima koji nose promet
• Jedinstvena servisna razina za sve artikle bez obzira na važnost i volatilnost
• Sigurnosna zaliha postavljena “od oka” umjesto da se temelji na stvarnoj grešci prognoze
• Strah od nedostatka zaliha koji vodi u prečesto “pumpanje” narudžbi
• Excel prognoze koje ne prate akcije, sezonalnost i životni ciklus artikala

Što napredno predviđanje potražnje uz AI donosi u praksi

Kada smo prvi put uvodili modele naprednog predviđanja potražnje u jednom regionalnom skladištu robe široke potrošnje, tim je bio sumnjičav. Postavljali su klasična pitanja: tko je hranio model podacima, što ako model “poludi” i tko će na kraju odgovarati ako nešto nedostaje. Iskustvo me naučilo da se takve sumnje ne rješavaju prezentacijama, nego usporedbom konkretnih brojeva i postavljanjem jasnih pravila. Smisao naprednih AI prognoza nije u tome da budu savršene, već da budu konzistentnije i da bolje hvataju uzorke koje ljudi u mnoštvu podataka teško vide: pomake u sezonalnosti, utjecaj temperature na prodaju pića, odjek marketinške kampanje s jednog kanala na drugi, učinak cjenovnih promjena, pa čak i to da određeni kupac uvijek naručuje veće količine neposredno prije blagdana. AI modeli, ako im damo dovoljno povijesti i smislenih ulaznih varijabli, rade upravo to: slažu sliku ponašanja potražnje po SKU-u i lokaciji te daju prognozu koja je manje podložna naglim skokovima “jer je netko tako rekao”. Ključno je što sada umjesto jedne grube brojke za cijeli asortiman možemo promatrati kako se greška ponaša po segmentima i pojedinim artiklima. Na projektima često radimo segmentaciju ne samo po ABC analizi prometa, već i po stabilnosti potražnje (XYZ analiza). Imate artikle s prosječnom mjesečnom prodajom od 100 komada i standardnom devijacijom od 10, te druge s prosjekom od 20 i devijacijom od 30. Oba mogu biti A-artikli po prometu, ali logika sigurnosne zalihe i servisne razine za njih ne smije biti ista. AI prognoza nam pomaže da to jasno vidimo iz podataka, jer model ne vraća samo očekivanu prodaju, nego i distribuciju greške kroz vrijeme. Jednako je važno da prognoza radi na razini na kojoj se donosi odluka o naručivanju: tjednoj, dnevnoj, po skladištu ili po kupcu. Ako model da odličnu mjesečnu prognozu, a izdavanje i naručivanje se odvijaju tjedno, opet ćemo imati tjedne nestašice i viškove unutar istog mjeseca. Da bi AI prognoza bila korisna za sigurnosne zalihe, mora se temeljiti na zdravim podacima. Tu se često spotičemo na osnovnim stvarima: šifre artikala su se mijenjale, dio prodaje išao je preko posebnih akcijskih šifri, povrati su upisivani kao negativna prodaja, a kalendari radnih dana nisu bili usklađeni. Kada se takve stvari ne očiste, model uči na pogrešnim uzorcima. S druge strane, kada sredimo osnove, modeli mogu uzeti u obzir dodatne signale koje ljudi inače ignoriraju jer nemaju vremena ručno ih pratiti, kao što su vanjski podaci o vremenu, kalendari blagdana po regijama, planirane promocije i cjenovne promjene.

Kako spojiti AI prognozu, sigurnosne zalihe i ciljanu servisnu razinu

Nakon što dobijete razumnu AI prognozu provjerenu u odnosu na povijesne podatke, slijedi dio koji najviše utječe na svakodnevni rad u skladištu i nabavi: postavljanje sigurnosne zalihe i servisne razine. Tu stvari često ostanu nedovršene. Netko definira globalni cilj, na primjer 97 posto servisne razine za cijeli lanac, bez jasne razrade što to znači po pojedinom artiklu, skladištu ili kupcu. U praksi, servisna razina nije samo jedna brojka. Zanimaju nas barem dvije: servisna razina po liniji narudžbe i stopa ispunjenja (fill rate), odnosno postotak naručenih komada koje isporučimo bez odgode. AI prognoza nam daje očekivanu potražnju i distribuciju greške, a sigurnosna zaliha je amortizer koji nas štiti od te greške i od varijabilnosti dobavnog roka. Ako znamo da je standardna devijacija greške prognoze za jedan A-artikl 20 komada tjedno, a dobavni rok je dva tjedna, te da želimo postići 98 posto servisne razine za taj artikl, možemo jasno izračunati potrebnu sigurnosnu zalihu. Za B-artikl s manjom vrijednošću i manje zahtjevnim kupcima, isti model može pokazati veću varijancu, ali tvrtka može odlučiti da je prihvatljivo ciljati 94 posto servisne razine, pa će i sigurnosna zaliha biti znatno niža. U praksi primjenjujemo jednostavne korake. Prvo segmentiramo artikle, ne samo po prometu, već i po volatilnosti potražnje. Zatim definiramo ciljane servisne razine po segmentima, ovisno o poslovnoj strategiji. Trgovac koji se pozicionira na dostupnosti postavit će vrlo visoke ciljeve za ključne artikle. Proizvođač industrijske opreme sa skupim rezervnim dijelovima prihvatit će nižu servisnu razinu za neke C-artikle. AI prognoza koristi se za procjenu distribucije potražnje unutar dobavnog roka, što nam omogućuje izračun potrebne sigurnosne zalihe za svaku kombinaciju artikla i lokacije. Važno je da se taj proračun redovito osvježava. Dobri rezultati dolaze kada sigurnosnu zalihu prestanemo gledati kao fiksni broj i počnemo je tretirati kao funkciju koja ovisi o tri ulaza: grešci prognoze, varijabilnosti dobave i ciljanoj servisnoj razini. AI tu pomaže i kod simulacija. Recimo da želite smanjiti ukupnu vrijednost zaliha za 10 posto bez pada servisne razine ispod 95 posto. Model može generirati scenarije: što ako snizimo ciljanu servisnu razinu za neke B-artikle za samo jedan postotni bod? Koliko će to smanjiti sigurnosnu zalihu i kako će utjecati na stopu ispunjenja? Ako npr. kroz takve simulacije uspijemo smanjiti vrijednost zaliha za oko 10 posto, uz pad ukupne servisne razine s 97,2 na 96,6 posto, mnogi bi se složili da je to prihvatljivo. Ključ je u tome da se nije rezalo svima jednako, nego ciljano, na artiklima gdje je AI model pokazao da kupci lako prihvaćaju zamjenu ili da je potražnja prerijetka da bi opravdala visoku sigurnosnu zalihu.

• Segmentirajte artikle po prometu i stabilnosti potražnje prije definiranja sigurnosnih zaliha
• Postavite različite ciljane servisne razine za A, B i C artikle, te za različite kanale ili ključne kupce
• Koristite distribuciju greške AI prognoze po artiklu, a ne prosječnu grešku za cijeli asortiman
• Redovito osvježavajte sigurnosne zalihe prema novim podacima i promjenama dobavnih rokova
• Radite scenarije smanjenja zaliha i mjerite utjecaj na stopu ispunjenja i OTIF prije nego što mijenjate parametre

Primjer iz prakse: od “vječne nestašice” do kontrolirane servisne razine

Najkonkretniji primjer kojem sam svjedočio dolazi iz regionalnog distributera prehrane s oko 2.500 SKU-ova po skladištu i pet skladišta u mreži. Početno stanje: službeni cilj bio je 97 posto servisne razine, ali stvarna razina bila je oko 93 posto, uz velike oscilacije. Istovremeno, vrijednost zaliha bila je 18 posto iznad plana, a glavno skladište radilo je na granici kapaciteta. Tim je osjećao da stalno nešto nedostaje, ali nitko nije mogao reći gdje točno nastaje problem. Prognoza se radila mjesečno, kombinacijom prošlogodišnjih podataka i procjena prodaje, dok je sigurnosna zaliha bila definirana kao dva tjedna prosječne prodaje za sve A-artikle. U pilot projektu odlučilo se usredotočiti na 300 SKU-ova koji su nosili oko 70 posto prometa. Za njih su se izgradili AI modeli koji su uzimali u obzir tjednu povijest prodaje, akcije, blagdane i rokove isporuke dobavljača. Nakon tri mjeseca paralelnog rada, AI prognoza smanjila je grešku za tih 300 artikala s 32 na 18 posto. Još važnije, dobili smo jasnu sliku distribucije greške po SKU-u. Na temelju toga, dogovorili smo nove servisne razine po segmentima. Za top 50 artikala, ključnih za najveće kupce, cilj je podignut na 98,5 posto. Za ostale A-artikle cilj je ostao 97 posto, za B-artikle je smanjen na 95 posto, a za C-artikle na 92 posto. S tim ciljevima i poznatom varijancom prognoze izračunate su nove sigurnosne zalihe. Rezultati u sljedećih šest mjeseci bili su opipljivi. Servisna razina za tih 300 artikala porasla je na prosječno 97,8 posto, dok je vrijednost zaliha na istoj grupi pala za oko 14 posto. Broj ekstremnih nestašica za top 50 artikala gotovo se prepolovio jer su njihove sigurnosne zalihe sada bile svjesno više. S druge strane, zalihe sporije obrtnih artikala su se smanjile, uz prihvatljiv pad servisne razine. Planeri su, umjesto da svakodnevno ručno korigiraju prognoze, pratili izvještaje koji su isticali samo značajna odstupanja. Najvažnija promjena bila je kulturološka: svi odjeli, od prodaje do skladišta, počeli su govoriti istim jezikom i gledati u iste brojke. AI prognoza postala je zajednička polazišna točka, a sigurnosne zalihe parametar koji se mijenja na temelju podataka, a ne osjećaja.

Kako krenuti i zadržati kontrolu nad prognozom, zalihama i servisom

Napredno predviđanje potražnje i optimizacija sigurnosnih zaliha nisu projekt koji završava instalacijom alata. To je promjena načina na koji se donose odluke o zalihama, i zato je važno krenuti pragmatično. Preporuka je da se ne ide odmah na cijeli asortiman, već da se odabere pilot projekt koji je dovoljno velik da pokaže efekt, ali i dovoljno kontroliran da se tim ne izgubi u kompleksnosti. Paralelno vodite AI prognozu i postojeću, mjerite razlike u grešci, servisnoj razini i vrijednosti zaliha, te donesite odluku na temelju rezultata. Od početka uključite planere, nabavu i prodaju u raspravu o ciljevima servisne razine. Ako ciljeve definira samo financijski odjel, rezultat će često biti preagresivno rezanje zaliha. Ako ih definira samo prodaja, sve će završiti na cilju od 99 posto, a skladišta će biti pretrpana. Tehnički, pazite na tri stvari: kvalitetu podataka, integraciju AI prognoze u postojeći sustav planiranja i postavljanje jasnih pokazatelja uspješnosti (KPI). Pratite ne samo servisnu razinu, već i greške po segmentima, broj nestašica za ključne artikle i broj ručnih intervencija u prognozu. Kada se ti pokazatelji prate redovito, tim brzo vidi što funkcionira. Na kraju, napredno predviđanje potražnje i pametno postavljene sigurnosne zalihe služe jednom cilju: da kupac dobije robu kada je želi, a da pritom ne gomilamo zalihe koje troše novac i prostor. AI modeli mogu obaviti složenu analitiku, ali bez jasne veze sa servisnom razinom i bez ljudi koji razumiju što brojevi znače, ostat će samo još jedan alat. Kada spojimo podatke, modele i operativno iskustvo, dobivamo lanac opskrbe u kojem možemo svjesno birati gdje ćemo smanjiti zalihe, a gdje ćemo investirati u dodatnu sigurnost, znajući točno kakav je učinak. To je razlika između lanca koji stalno gasi požare i onog koji se kreće unutar definiranih, razumnih okvira. Ne treba nam savršena prognoza; treba nam dovoljno dobra i dosljedna prognoza te okvir u kojem sigurnosne zalihe i servisna razina prate stvarnost, a ne navike stare deset godina.