Prognozowanie sprzedaży z AI na danych z ERP

Twój ERP od lat zbiera historię sprzedaży, zamówień i stanów magazynowych. To gotowy materiał do prognoz, który w większości firm leży nieużywany. Modele uczenia maszynowego potrafią przewidzieć popyt dokładniej niż arkusz ze średnią z ostatnich miesięcy, pod warunkiem że dostaną porządne dane i ktoś sensownie zaplanuje ich użycie.

Ten tekst jest dla osób, które odpowiadają za zakupy, planowanie produkcji albo płynność finansową i zastanawiają się, czy prognoza z AI ma sens w ich firmie. Opisujemy, jak to działa, kiedy się nie opłaca i jak sprawdzić to na małej próbie, zanim wydasz większe pieniądze.

Dlaczego średnia z trzech miesięcy zawodzi

Średnia sprzedaż nie uwzględnia sezonowości, promocji, nowych klientów ani zmian cen. W efekcie firma raz ma nadmiar towaru, który zamraża gotówkę, a raz braki, przez które traci zamówienia.

Weźmy hurtownię, która zamawia towar na podstawie średniej z kwartału. W marcu średnia obejmuje jeszcze spokojny styczeń, więc przed sezonem zamówienie jest za małe. W czerwcu ta sama metoda podbija zamówienie, bo liczy szczyt z maja, chociaż sezon już się kończy. Kupiec to wie i poprawia liczby „na oko”, ale ta wiedza siedzi w jego głowie, a nie w systemie.

Co robi model, czego nie zrobi arkusz

Model uczy się na danych z ERP i łączy kilka czynników naraz: sezon, dzień tygodnia, historię klienta, ceny i promocje. Wynik to prognoza dla każdego towaru wraz z przedziałem niepewności, a nie jedna liczba.

Ten przedział jest często ważniejszy od samej prognozy. Jeśli model mówi „w przyszłym miesiącu 400 sztuk, raczej między 350 a 450”, możesz zamówić spokojnie. Jeśli mówi „400, ale równie dobrze 150 albo 700”, wiesz, że ten towar wymaga decyzji człowieka, zapasu bezpieczeństwa albo krótszego cyklu zamówień.

Prognozę można zapisać z powrotem w ERP i użyć do planowania zakupów lub produkcji. Wtedy zespół widzi ją w znanym systemie, a nie w osobnym narzędziu, do którego po dwóch tygodniach nikt się nie loguje.

Skąd biorą się dane i co je psuje

Większość potrzebnych informacji już jest w ERP: dokumenty sprzedaży z datami i ilościami, cenniki i rabaty, kartoteka klientów, stany magazynowe, zamówienia od dostawców. Problemy zaczynają się w szczegółach:

• braki magazynowe wyglądają w historii jak niski popyt (klient chciał kupić, ale nie było czego sprzedać),
• ten sam towar występuje pod kilkoma indeksami po zmianie dostawcy lub opakowania,
• promocje nie są nigdzie oznaczone, więc model widzi tylko nagły skok sprzedaży,
• jednorazowe zamówienia przetargowe zawyżają średnią dla całego roku,
• historia jest krótsza niż dwa pełne sezony, więc nie da się wiarygodnie odczytać sezonowości.

Część z tego da się naprawić przy przygotowaniu danych, część trzeba zaakceptować jako ograniczenie. Szerzej opisujemy to w artykule o przygotowaniu danych w ERP pod AI.

Kiedy prognoza z AI ma sens, a kiedy nie

Najwięcej daje w firmach, które mają setki lub tysiące indeksów, powtarzalną sprzedaż i odczuwalny koszt błędu: zamrożoną gotówkę w magazynie, przeterminowany towar albo utracone zamówienia. Hurtownie, dystrybutorzy, producenci na magazyn i sieci sklepów to typowi kandydaci.

Słabiej sprawdza się tam, gdzie sprzedaż to kilka dużych kontraktów rocznie, produkcja jest wyłącznie na zamówienie albo asortyment zmienia się prawie w całości co sezon. Tam lepszym narzędziem jest dobry lejek sprzedażowy w CRM i rozmowa z handlowcami. Prognoza nie przewidzi też zdarzeń, których nie było w danych: wejścia nowego konkurenta, zmiany przepisów czy utraty największego klienta.

Pilotaż na 50–100 towarach

Wybierz grupę 50–100 towarów o największym znaczeniu dla obrotu lub marży i porównaj prognozę AI z obecną metodą przez dwa, trzy miesiące. Taki pilotaż szybko pokaże, czy wdrożenie na szerszą skalę się opłaci.

Żeby wynik był uczciwy, ustal kilka rzeczy przed startem:

1. Jakim miernikiem porównujesz metody, np. średnim błędem prognozy w sztukach i w procentach dla każdego towaru.
2. Na jaki okres prognozujesz: tydzień, miesiąc czy cykl dostawy od konkretnego dostawcy.
3. Kto podejmuje decyzję zakupową w czasie pilotażu, żeby nie mieszać dwóch metod w jednym zamówieniu.
4. Co uznajesz za sukces, zanim zobaczysz wyniki, a nie po fakcie.

Po pilotażu sprawdź nie tylko trafność, ale też skutki dla magazynu. Lepsza prognoza powinna przełożyć się na mniej sytuacji, w których towaru zabrakło, albo na niższy zapas przy tym samym poziomie obsługi klientów. Jeśli błąd prognozy spadł, a stany i braki się nie zmieniły, problem leży zwykle w tym, jak zamówienia są później składane, a nie w samym modelu.

Do grupy pilotażowej dołóż kilka towarów sezonowych i kilka z nieregularną sprzedażą. Na samych „pewniakach” każda metoda wypada dobrze.

Typowe błędy przy pierwszym wdrożeniu

Najczęstszy to oczekiwanie, że model zastąpi kupca. Model daje liczbę i przedział, a człowiek dodaje wiedzę, której w danych nie ma: zapowiedzianą promocję u klienta, problem z dostawcą, nowy przetarg. Drugi błąd to prognoza bez dalszego użycia. Jeśli wynik nie trafia do propozycji zamówienia w ERP, zostaje ciekawym raportem. Trzeci to brak ponownego uczenia. Model trenowany raz traci trafność, kiedy zmienia się asortyment lub rynek, dlatego trzeba go regularnie aktualizować na świeżych danych.

Kolejnym krokiem po dobrej prognozie bywa automatyczne generowanie propozycji zamówień. Jak to wygląda w handlu, pokazujemy w tekście o zamawianiu towarów bez udziału człowieka.

Masz w ERP kilka lat historii sprzedaży i chcesz sprawdzić, ile da się z niej wyciągnąć? Prognozowanie i inne rozwiązania oparte na AI budujemy w ramach aplikacji i automatyzacji na zamówienie. Zacznijmy od przeglądu danych i wyboru towarów do pilotażu.