Dla wyrobu zamawianego dwa razy rocznie model godzinowy nie ma sensu; dla powtarzalnego asortymentu dzienne prognozy mogą pomóc przygotować zmianę. Ten scenariusz pokazuje, dlaczego wdrożenie funkcji „Prognozowanie popytu” powinno być testowane na konkretnych zdarzeniach, a nie tylko na poprawnie wyglądającym pulpicie.
Problem operacyjny i oczekiwany rezultat
Celem nie jest samo zastosowanie modelu sztucznej inteligencji. Oczekiwany rezultat jest mierzalny: wylicza prognozy na tydzień lub miesiąc wraz z przedziałem niepewności i porównuje je z rzeczywistymi zamówieniami. Punkt wyjścia to dane obejmujące historia zamówień i sprzedaży według SKU, anulacje, promocje, terminy dostaw i informacje o sezonowości. Bez tego system może tworzyć pozornie precyzyjne zestawienia.
Trzy kontrole przed automatyzacją
- Czy mamy dane o anulacjach i brakach magazynowych?
- Czy sezonowość jest potwierdzona wieloma okresami?
- Czy prognozy zawierają przedział niepewności?
Każdą kontrolę warto przetworzyć w warunek odbioru oprogramowania. Pracownik powinien móc sprawdzić nie tylko wynik, ale też dane wejściowe, zastosowaną regułę i identyfikator operacji.
Co robi algorytm, a co zatwierdza człowiek?
W trakcie pracy system wylicza prognozy na tydzień lub miesiąc wraz z przedziałem niepewności i porównuje je z rzeczywistymi zamówieniami. W sprawach niejednoznacznych pokazuje przyczynę i wymaga korekty lub akceptacji. Log zmian powinien zawierać czas zdarzenia, użytkownika, źródło danych i poprzednią wartość.
Połączenie z ERP, CRM i danych sprzedażowych; opcjonalnie z systemem planowania zapasów należy przetestować również podczas przerwania komunikacji. Ponowione żądanie nie może bez kontroli tworzyć drugiego zamówienia, wpisu lub zadania.
Jak wykonać pilotaż?
- Zakres testu: 20 najważniejszych indeksów, prognoza tygodniowa i porównanie z metodą naiwną.
- Zbierz reprezentatywne przypadki zwykłe, graniczne i błędne, nie tylko kilka wygodnych przykładów.
- Równolegle wykonuj czynność dotychczasowym sposobem i porównuj rezultaty z nowym procesem.
- Udokumentuj odstępstwa oraz sposób ich poprawienia przed rozszerzeniem rozwiązania.
KPI i kryteria odbioru
Podstawowe miary: MAE lub WAPE błędu prognozy, odsetek braków towarowych i zapas produktów wolno rotujących. Trzeba również kontrolować liczbę ręcznych interwencji, czas potrzebny na obsługę wyjątku i odsetek działań poprawionych po zatwierdzeniu.
Nie należy deklarować stałego procentu oszczędności dla wszystkich zakładów. Inny wynik osiągnie firma z uporządkowanymi danymi, a inny organizacja z brakami w ewidencji.
Błąd, którego warto uniknąć
prognoza oparta wyłącznie na sprzedaży nie odróżni braku popytu od sytuacji, gdy produkt był niedostępny
Przykład decyzji do podjęcia
Producent opakowań widzi wzrost zamówień przed okresem świątecznym. Prognoza powinna uwzględniać powtarzalny wzorzec, ale nie traktować jednorazowego kontraktu jako stałego popytu.
Po wdrożeniu warto przeanalizować pierwsze zgłoszone wyjątki wspólnie z planistą, operatorem lub działem jakości. To często źródło ważniejszych poprawek niż samo dostrajanie modelu.
Podsumowanie
Dobrze zaprojektowane prognozowanie popytu wymaga spójnych danych, jasnego podziału odpowiedzialności i mierzalnej kontroli. Dopiero po udanym pilotażu warto zwiększać liczbę maszyn, produktów lub wydziałów.
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: Prognozowanie popytu z AI: jak działa system?, Sztuczna inteligencja w przemyśle: 16 praktycznych zastosowań.