Prognozowanie popytu to proces, który można uporządkować w jednym systemie JOFRA AI. Kluczowy jest dostęp do rzeczywistych danych: historia zamówień i sprzedaży według SKU, anulacje, promocje, terminy dostaw i informacje o sezonowości. Zamiast ręcznego przepisywania i przeliczania informacji aplikacja ma przygotować konkretny wynik do wykorzystania przez pracowników.
Co dokładnie zrobi system?
System wylicza prognozy na tydzień lub miesiąc wraz z przedziałem niepewności i porównuje je z rzeczywistymi zamówieniami. Dane powinny być powiązane z rzeczywistymi identyfikatorami partii, zamówienia albo urządzenia. Takie powiązanie umożliwia odtworzenie źródła obliczeń i poprawienie niejednoznaczności bez zgadywania.
Jakie dane i integracje są potrzebne?
Podstawowy zestaw danych obejmuje: historia zamówień i sprzedaży według SKU, anulacje, promocje, terminy dostaw i informacje o sezonowości. W zależności od rozwiązania potrzebne będą integracje z ERP, CRM i danych sprzedażowych; opcjonalnie z systemem planowania zapasów. Możliwy jest też pilotaż oparty na bezpiecznym imporcie CSV lub XLSX, jeżeli firmowy system nie oferuje API.
Przed budową integracji trzeba sprawdzić właściciela danych, zakres dostępu i moment aktualizacji. Inaczej system może wyświetlać poprawne obliczenia na nieaktualnych stanach magazynowych albo zamkniętych zleceniach.
Etapy wdrożenia w zakładzie
- Zbierz co najmniej kilka cykli sprzedażowych i oznacz braki towaru, które zaniżały sprzedaż.
- Oddziel produkty stabilne, sezonowe i sprzedawane na zamówienie.
- Porównaj model z prostą średnią ruchomą na danych odłożonych do testów.
- Przekazuj prognozę do planowania produkcji jako scenariusz, nie jako pewne zamówienie.
Przykład zastosowania
Producent opakowań widzi wzrost zamówień przed okresem świątecznym. Prognoza powinna uwzględniać powtarzalny wzorzec, ale nie traktować jednorazowego kontraktu jako stałego popytu.
To przykład procesu do przeprowadzenia w pilotażu, a nie opis zrealizowanego wdrożenia lub deklaracja uzyskanej oszczędności. Wyniki zależą od danych i rzeczywistych ograniczeń produkcji.
Co mierzyć po uruchomieniu?
Warto kontrolować: MAE lub WAPE błędu prognozy, odsetek braków towarowych i zapas produktów wolno rotujących. Odczyty powinny pochodzić z jednakowo zdefiniowanych okresów i mieć widoczną datę aktualizacji. Wynik modelu nie jest sam w sobie dowodem poprawy procesu: potrzebny jest porównywalny punkt odniesienia.
Najważniejsze ryzyko
prognoza oparta wyłącznie na sprzedaży nie odróżni braku popytu od sytuacji, gdy produkt był niedostępny
Jaki zakres wybrać na początek?
Praktyczny pilotaż to: 20 najważniejszych indeksów, prognoza tygodniowa i porównanie z metodą naiwną. W pierwszej wersji należy pozostawić możliwość ręcznej korekty, historię zmian i czytelne oznaczenie danych niepewnych.
Najczęściej zadawane pytania
Czy trzeba wymienić dotychczasowy program ERP lub MES?
Nie zawsze. Jeśli aktualne oprogramowanie pozwala na bezpieczną wymianę danych, moduł automatyzacji można uruchomić obok niego. Gdy brakuje API, sprawdzamy dopuszczone eksporty plików i częstotliwość ich aktualizacji.
Czy AI musi samodzielnie zatwierdzać decyzje?
Nie. Dla działań o wysokiej wartości, skutkach finansowych lub wpływie na bezpieczeństwo pracowników należy wyznaczyć ścieżkę autoryzacji. AI może przygotowywać obliczenie lub rekomendację, a wykonanie pozostawić uprawnionej osobie.
Chcesz przeanalizować ten proces w swoim zakładzie? JOFRA AI projektuje systemy dopasowane do sposobu pracy firmy, danych i dostępnych integracji. Opisz proces i skalę operacji: contact@jofraai.eu.
Opis pokazuje możliwy zakres wdrożenia. Ostateczne działanie, skuteczność i koszt zależą od danych, integracji oraz testów w konkretnym zakładzie.
Przeczytaj również: Czy prognozować pojedynczy indeks czy całą rodzinę produktów?, Sztuczna inteligencja w przemyśle: 16 praktycznych zastosowań.