Ako se bavite planiranjem potra\u017enje du\u017ee od nekoliko mjeseci, siguran sam da ste do\u017eivjeli tipi\u010dnu situaciju: kraj mjeseca, skladi\u0161te je puno robe koja se ne pomi\u010de, a istovremeno vam prodaja \u0161alje ljutit email jer nedostaju tri klju\u010dna artikla ba\u0161 kada kre\u0107e akcija. U teoriji, imali ste prognozu, imali ste sigurnosne zalihe i ciljanu servisnu razinu. U praksi, kupac \u010deka, voza\u010d stoji na rampi bez kompletne palete, a vi obja\u0161njavate za\u0161to su vam police pune pogre\u0161ne robe. Tu pri\u010da o naprednom predvi\u0111anju potra\u017enje uz pomo\u0107 umjetne inteligencije i optimizaciji sigurnosnih zaliha postaje konkretna tema, a ne samo jo\u0161 jedan popularan izraz s konferencije. Klasi\u010dni sistem: Excel tablice, malo intuicije iz prodaje, malo konzervativnosti iz nabave i na kraju lanac opskrbe koji neprestano ple\u0161e izme\u0111u vi\u0161kova i manjkova. Klasi\u010dne metode, pogotovo jednostavni pomi\u010dni prosjeci ili sezonski indeksi, mogu obaviti solidan posao za stabilne artikle. Me\u0111utim, \u010dim se suo\u010dite s kombinacijom akcija, promocija, sezonalnosti, novih artikala i kra\u0107ih \u017eivotnih ciklusa, gre\u0161ka prognoze po\u010dinje nagrizati i mar\u017eu i strpljenje. Pritom se mnoge tvrtke dr\u017ee jedne jedinstvene razine sigurnosne zalihe \u201cjer se tako uvijek radilo\u201d i onda se \u010dude za\u0161to im je servisna razina nestabilna, jedan mjesec 99 posto, a drugi 90 posto. U pozadini le\u017ei jednostavna \u010dinjenica: prognoza, \u010dak i ona temeljena na AI, sama po sebi ne dr\u017ei policu punom, a sigurnosna zaliha sama po sebi ne zna od \u010dega se to\u010dno \u0161titi. Tek kada spojimo ta dva svijeta na na\u010din koji je razumljiv planerima, voditeljima skladi\u0161ta i nabave, po\u010dinju se doga\u0111ati opipljive promjene.<\/p>\n
Problemi se naj\u010de\u0161\u0107e ponavljaju u istim oblicima.: Netko bi uzeo podatke za isti mjesec pro\u0161le godine, dodao postotak rasta, malo \u201cpodebljao\u201d koli\u010dinu iz straha od nesta\u0161ice i poslao narud\u017ebu dobavlja\u010du. Rezultat je bio vi\u0161ak zaliha u rujnu te manjak u lipnju i srpnju. Slijede\u0107e godine, ponovio bi isti princip, dodaju\u0107i rast na krive podatke iz ove godine. Drugi primjer je proizvo\u0111a\u010d rezervnih dijelova koji odr\u017eava istu ciljanu servisnu razinu od 98 posto za sve artikle, od klju\u010dnih A-artikala do B i C-artikala koji se prodaju tek nekoliko puta godi\u0161nje. Tamo sigurnosne zalihe gutaju skladi\u0161ni prostor, a svejedno su se suo\u010davali s ka\u0161njenjima narud\u017ebi (backorder) svaki put kada bi stigao ve\u0107i nalog za odre\u0111eni dio. Ve\u0107ina lanaca opskrbe nema problem s manjkom formula, ve\u0107 s time \u0161to nitko nije do kraja povezao tri klju\u010dne stvari: kolika je stvarna gre\u0161ka prognoze po artiklu, kakvi su nam dobavni rokovi i njihova varijabilnost te koju si servisnu razinu zaista mo\u017eemo priu\u0161titi za koji dio asortimana. Napredno predvi\u0111anje potra\u017enje tu poma\u017ee jer daje detaljniju i stabilniju prognozu, \u010desto na dnevnoj ili tjednoj razini. Ali ako te brojke samo ubacimo u stari model sigurnosnih zaliha, ne\u0107emo posti\u0107i puni efekt. Prvi korak je priznati gdje nas klasi\u010dne metode ostavljaju bez pokri\u0107a i koliko nas to ko\u0161ta, ne samo u eurima, ve\u0107 i u ka\u0161njenjima, OTIF pokazateljima i povjerenju kupaca.<\/p>\n
Kada smo prvi put uvodili modele naprednog predvi\u0111anja potra\u017enje u jednom regionalnom skladi\u0161tu robe \u0161iroke potro\u0161nje, tim je bio sumnji\u010dav. Postavljali su klasi\u010dna pitanja: tko je hranio model podacima, \u0161to ako model \u201cpoludi\u201d i tko \u0107e na kraju odgovarati ako ne\u0161to nedostaje. Iskustvo me nau\u010dilo da se takve sumnje ne rje\u0161avaju prezentacijama, nego usporedbom konkretnih brojeva i postavljanjem jasnih pravila. Smisao naprednih AI prognoza nije u tome da budu savr\u0161ene, ve\u0107 da budu konzistentnije i da bolje hvataju uzorke koje ljudi u mno\u0161tvu podataka te\u0161ko vide: pomake u sezonalnosti, utjecaj temperature na prodaju pi\u0107a, odjek marketin\u0161ke kampanje s jednog kanala na drugi, u\u010dinak cjenovnih promjena, pa \u010dak i to da odre\u0111eni kupac uvijek naru\u010duje ve\u0107e koli\u010dine neposredno prije blagdana. AI modeli, ako im damo dovoljno povijesti i smislenih ulaznih varijabli, rade upravo to: sla\u017eu sliku pona\u0161anja potra\u017enje po SKU-u i lokaciji te daju prognozu koja je manje podlo\u017ena naglim skokovima \u201cjer je netko tako rekao\u201d. Klju\u010dno je \u0161to sada umjesto jedne grube brojke za cijeli asortiman mo\u017eemo promatrati kako se gre\u0161ka pona\u0161a po segmentima i pojedinim artiklima. Na projektima \u010desto radimo segmentaciju ne samo po ABC analizi prometa, ve\u0107 i po stabilnosti potra\u017enje (XYZ analiza). Imate artikle s prosje\u010dnom mjese\u010dnom 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 poma\u017ee da to jasno vidimo iz podataka, jer model ne vra\u0107a samo o\u010dekivanu prodaju, nego i distribuciju gre\u0161ke kroz vrijeme. Jednako je va\u017eno da prognoza radi na razini na kojoj se donosi odluka o naru\u010divanju: tjednoj, dnevnoj, po skladi\u0161tu ili po kupcu. Ako model da odli\u010dnu mjese\u010dnu prognozu, a izdavanje i naru\u010divanje se odvijaju tjedno, opet \u0107emo imati tjedne nesta\u0161ice i vi\u0161kove unutar istog mjeseca. Da bi AI prognoza bila korisna za sigurnosne zalihe, mora se temeljiti na zdravim podacima. Tu se \u010desto spoti\u010demo na osnovnim stvarima: \u0161ifre artikala su se mijenjale, dio prodaje i\u0161ao je preko posebnih akcijskih \u0161ifri, povrati su upisivani kao negativna prodaja, a kalendari radnih dana nisu bili uskla\u0111eni. Kada se takve stvari ne o\u010diste, model u\u010di na pogre\u0161nim uzorcima. S druge strane, kada sredimo osnove, modeli mogu uzeti u obzir dodatne signale koje ljudi ina\u010de ignoriraju jer nemaju vremena ru\u010dno ih pratiti, kao \u0161to su vanjski podaci o vremenu, kalendari blagdana po regijama, planirane promocije i cjenovne promjene.<\/p>\n
Nakon \u0161to dobijete razumnu AI prognozu provjerenu u odnosu na povijesne podatke, slijedi dio koji najvi\u0161e utje\u010de na svakodnevni rad u skladi\u0161tu i nabavi: postavljanje sigurnosne zalihe i servisne razine. Tu stvari \u010desto ostanu nedovr\u0161ene. Netko definira globalni cilj, na primjer 97 posto servisne razine za cijeli lanac, bez jasne razrade \u0161to to zna\u010di po pojedinom artiklu, skladi\u0161tu ili kupcu. U praksi, servisna razina nije samo jedna brojka. Zanimaju nas barem dvije: servisna razina po liniji narud\u017ebe i stopa ispunjenja (fill rate), odnosno postotak naru\u010denih komada koje isporu\u010dimo bez odgode. AI prognoza nam daje o\u010dekivanu potra\u017enju i distribuciju gre\u0161ke, a sigurnosna zaliha je amortizer koji nas \u0161titi od te gre\u0161ke i od varijabilnosti dobavnog roka. Ako znamo da je standardna devijacija gre\u0161ke prognoze za jedan A-artikl 20 komada tjedno, a dobavni rok je dva tjedna, te da \u017eelimo posti\u0107i 98 posto servisne razine za taj artikl, mo\u017eemo jasno izra\u010dunati potrebnu sigurnosnu zalihu. Za B-artikl s manjom vrijedno\u0161\u0107u i manje zahtjevnim kupcima, isti model mo\u017ee pokazati ve\u0107u varijancu, ali tvrtka mo\u017ee odlu\u010diti da je prihvatljivo ciljati 94 posto servisne razine, pa \u0107e i sigurnosna zaliha biti znatno ni\u017ea. U praksi primjenjujemo jednostavne korake. Prvo segmentiramo artikle, ne samo po prometu, ve\u0107 i po volatilnosti potra\u017enje. Zatim definiramo ciljane servisne razine po segmentima, ovisno o poslovnoj strategiji. Trgovac koji se pozicionira na dostupnosti postavit \u0107e vrlo visoke ciljeve za klju\u010dne artikle. Proizvo\u0111a\u010d industrijske opreme sa skupim rezervnim dijelovima prihvatit \u0107e ni\u017eu servisnu razinu za neke C-artikle. AI prognoza koristi se za procjenu distribucije potra\u017enje unutar dobavnog roka, \u0161to nam omogu\u0107uje izra\u010dun potrebne sigurnosne zalihe za svaku kombinaciju artikla i lokacije. Va\u017eno je da se taj prora\u010dun redovito osvje\u017eava. Dobri rezultati dolaze kada sigurnosnu zalihu prestanemo gledati kao fiksni broj i po\u010dnemo je tretirati kao funkciju koja ovisi o tri ulaza: gre\u0161ci prognoze, varijabilnosti dobave i ciljanoj servisnoj razini. AI tu poma\u017ee i kod simulacija. Recimo da \u017eelite smanjiti ukupnu vrijednost zaliha za 10 posto bez pada servisne razine ispod 95 posto. Model mo\u017ee generirati scenarije: \u0161to ako snizimo ciljanu servisnu razinu za neke B-artikle za samo jedan postotni bod? Koliko \u0107e to smanjiti sigurnosnu zalihu i kako \u0107e 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 slo\u017eili da je to prihvatljivo. Klju\u010d je u tome da se nije rezalo svima jednako, nego ciljano, na artiklima gdje je AI model pokazao da kupci lako prihva\u0107aju zamjenu ili da je potra\u017enja prerijetka da bi opravdala visoku sigurnosnu zalihu.<\/p>\n
Najkonkretniji primjer kojem sam svjedo\u010dio dolazi iz regionalnog distributera prehrane s oko 2.500 SKU-ova po skladi\u0161tu i pet skladi\u0161ta u mre\u017ei. Po\u010detno stanje: slu\u017ebeni 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 skladi\u0161te radilo je na granici kapaciteta. Tim je osje\u0107ao da stalno ne\u0161to nedostaje, ali nitko nije mogao re\u0107i gdje to\u010dno nastaje problem. Prognoza se radila mjese\u010dno, kombinacijom pro\u0161logodi\u0161njih podataka i procjena prodaje, dok je sigurnosna zaliha bila definirana kao dva tjedna prosje\u010dne prodaje za sve A-artikle. U pilot projektu odlu\u010dilo se usredoto\u010diti 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 dobavlja\u010da. Nakon tri mjeseca paralelnog rada, AI prognoza smanjila je gre\u0161ku za tih 300 artikala s 32 na 18 posto. Jo\u0161 va\u017enije, dobili smo jasnu sliku distribucije gre\u0161ke po SKU-u. Na temelju toga, dogovorili smo nove servisne razine po segmentima. Za top 50 artikala, klju\u010dnih za najve\u0107e 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 izra\u010dunate su nove sigurnosne zalihe. Rezultati u sljede\u0107ih \u0161est mjeseci bili su opipljivi. Servisna razina za tih 300 artikala porasla je na prosje\u010dno 97,8 posto, dok je vrijednost zaliha na istoj grupi pala za oko 14 posto. Broj ekstremnih nesta\u0161ica za top 50 artikala gotovo se prepolovio jer su njihove sigurnosne zalihe sada bile svjesno vi\u0161e. S druge strane, zalihe sporije obrtnih artikala su se smanjile, uz prihvatljiv pad servisne razine. Planeri su, umjesto da svakodnevno ru\u010dno korigiraju prognoze, pratili izvje\u0161taje koji su isticali samo zna\u010dajna odstupanja. Najva\u017enija promjena bila je kulturolo\u0161ka: svi odjeli, od prodaje do skladi\u0161ta, po\u010deli su govoriti istim jezikom i gledati u iste brojke. AI prognoza postala je zajedni\u010dka polazi\u0161na to\u010dka, a sigurnosne zalihe parametar koji se mijenja na temelju podataka, a ne osje\u0107aja.<\/p>\n
Napredno predvi\u0111anje potra\u017enje i optimizacija sigurnosnih zaliha nisu projekt koji zavr\u0161ava instalacijom alata. To je promjena na\u010dina na koji se donose odluke o zalihama, i zato je va\u017eno krenuti pragmati\u010dno. Preporuka je da se ne ide odmah na cijeli asortiman, ve\u0107 da se odabere pilot projekt koji je dovoljno velik da poka\u017ee efekt, ali i dovoljno kontroliran da se tim ne izgubi u kompleksnosti. Paralelno vodite AI prognozu i postoje\u0107u, mjerite razlike u gre\u0161ci, servisnoj razini i vrijednosti zaliha, te donesite odluku na temelju rezultata. Od po\u010detka uklju\u010dite planere, nabavu i prodaju u raspravu o ciljevima servisne razine. Ako ciljeve definira samo financijski odjel, rezultat \u0107e \u010desto biti preagresivno rezanje zaliha. Ako ih definira samo prodaja, sve \u0107e zavr\u0161iti na cilju od 99 posto, a skladi\u0161ta \u0107e biti pretrpana. Tehni\u010dki, pazite na tri stvari: kvalitetu podataka, integraciju AI prognoze u postoje\u0107i sustav planiranja i postavljanje jasnih pokazatelja uspje\u0161nosti (KPI). Pratite ne samo servisnu razinu, ve\u0107 i gre\u0161ke po segmentima, broj nesta\u0161ica za klju\u010dne artikle i broj ru\u010dnih intervencija u prognozu. Kada se ti pokazatelji prate redovito, tim brzo vidi \u0161to funkcionira. Na kraju, napredno predvi\u0111anje potra\u017enje i pametno postavljene sigurnosne zalihe slu\u017ee jednom cilju: da kupac dobije robu kada je \u017eeli, a da pritom ne gomilamo zalihe koje tro\u0161e novac i prostor. AI modeli mogu obaviti slo\u017eenu analitiku, ali bez jasne veze sa servisnom razinom i bez ljudi koji razumiju \u0161to brojevi zna\u010de, ostat \u0107e samo jo\u0161 jedan alat. Kada spojimo podatke, modele i operativno iskustvo, dobivamo lanac opskrbe u kojem mo\u017eemo svjesno birati gdje \u0107emo smanjiti zalihe, a gdje \u0107emo investirati u dodatnu sigurnost, znaju\u0107i to\u010dno kakav je u\u010dinak. To je razlika izme\u0111u lanca koji stalno gasi po\u017eare i onog koji se kre\u0107e unutar definiranih, razumnih okvira. Ne treba nam savr\u0161ena 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.<\/p>\n","protected":false},"excerpt":{"rendered":"
Spojite AI prognozu potra\u017enje i sigurnosne zalihe za optimiziran lanac opskrbe. Smanjite vi\u0161kove, izbjegnite nesta\u0161ice i postignite \u017eeljenu servisnu razinu uz naprednu analitiku.<\/p>\n","protected":false},"author":1,"featured_media":746,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_kadence_starter_templates_imported_post":false,"_swpsp_post_exclude":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","footnotes":""},"categories":[114,35,83,99],"tags":[624,822,604,829,827,824,826,528,306,244,828,830,103,325,823,597,825,215,22,132],"class_list":["post-745","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","category-poslovno-savjetovanje","category-skladiste","category-supply-chain","tag-abc-xyz-analiza","tag-ai-prognoza-potraznje","tag-data-driven-logistika","tag-dobavni-rokovi","tag-fill-rate","tag-forecast-accuracy","tag-izbjegavanje-nestasica","tag-napredna-analitika","tag-optimizacija-lanca-opskrbe","tag-optimizacija-zaliha","tag-otif","tag-pametne-sigurnosne-zalihe","tag-planiranje-potraznje","tag-predvidanje-potraznje","tag-servisna-razina","tag-sigurnosne-zalihe","tag-smanjenje-viskova-zaliha","tag-umjetna-inteligencija-u-logistici","tag-upravljanje-zalihama","tag-volatilnost-potraznje"],"_links":{"self":[{"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/posts\/745","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/comments?post=745"}],"version-history":[{"count":1,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/posts\/745\/revisions"}],"predecessor-version":[{"id":15168,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/posts\/745\/revisions\/15168"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/media\/746"}],"wp:attachment":[{"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/media?parent=745"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/categories?post=745"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.innovalog-consulting.hr\/index.php\/wp-json\/wp\/v2\/tags?post=745"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}