Masoprofit čelí problémům s přesným plánováním zásob a poptávky po zařízeních a pomůckách pro zpracování masa. Poptávka se výrazně mění podle sezónnosti, typu odběratelů. Nedostatečná predikce vede buď k přebytkům drahého zboží, nebo k nedostatku klíčových komponent při zakázkách.
Predikce a optimalizace skladových zásob
Jméno klientaMasoprofit s.r.o.
Země klientaCZ
- Typ klientaMalý nebo střední podnik
- OdvětvíSpotřební zboží a FMCG
- Oblast nasazeníDodavatelský řetězec a logistika, Finance a účetnictví, Strategie, plánování a rozhodování
- AI technologieOptimalizace a plánování, Predikce a analýza časových řad, Simulace / digitální dvojčata, Strojové učení, Zpětnovazební učení
- Přínos pro byznysEfektivita provozu a úspory nákladů, Produktivita a podpora zaměstnanců
- Typ datČasové řady, Obrazová data, Strukturovaná tabulková data
- Model dodání Služba / Předplatné, Poradenství, Produkt / Licencovaný software
- NasazeníCloudové řešení
- Klíčové schopnostiPlánování, rozvrhování a optimalizace, Podpora rozhodování a rozšířená analytika
- Fáze projektuPrvní produkční nasazení
- Formy řešeníAnalýza, doporučení nebo report, Plugin / rozšíření pro existující systém, Webový portál / dashboard
Popis řešení
Obchodní problém
Řešení
Řešení spočívá v nasazení platformy MyIO integrované s interním systémem K2, která bude analyzovat historická data o prodejích, objednávkách a skladových pohybech. Pomocí AI predikcí určí očekávanou poptávku po jednotlivých produktech a automaticky navrhne optimální objemy zásob i objednávek u dodavatelů. Systém bude sledovat sezónní výkyvy, trendy a anomálie a upozorňovat na situace, které mohou ovlivnit dostupnost zboží.
Hlavní uživatelé řešení
Nákupčí, management
Časový rámec projektu (měsíce)
15
Použité technologie
Python, Java, React, Azure Cloud
Dodatečné služby
- AI strategie a roadmapa
- Audit / studie proveditelnosti
- Identifikace a prioritizace vhodných use‑casů
- Sběr a předzpracování dat
- Anotace / syntetická data / rozšíření datasetu
- Datová governance a kvalita dat
- Výběr a přizpůsobení AI modelu
- Podpora změny a školení uživatelů
- Systematické AI vzdělávací programy
- Zajištění MLOps infrastruktury
- Průběžná údržba a retraining modelu
Implementace
Vlastník projektu na straně klienta
Vedoucí IT / dat / technologií
Participace na straně klienta
- Business / Product Owner
- Doménoví / procesní odborníci
- Projektové a change řízení
- Koncoví uživatelé
Forma zapojení dodavatele
Kompletní realizace
Provoz a údržba
Provozní model
společné řízení
Potřebné kompetence na straně klienta
Vedoucí obchodu, Nákupčí, ERP specialista, CTO
Další zdroje nebo infrastruktura
V tomto případě je řešení nasazeno jako SaaS. Náklady zahrnují licenční poplatek, náklady na infrastrukturu a spotřebu výpočetních prostředků v rámci dynamické cloudové infrastruktury (výpočetní joby pro predikce a optimalizace). Není nutná žádná dodatečná investice do hardware ani správa serverů na straně zákazníka. Podpora a údržba systému jsou zajištěny dodavatelem v rámci služby.
Dopad a výsledky
Kvalitativní přínosy
Zlepšení nákupního processu
Kvantitativní výsledky
Očekávané výsledky: zlepšení přesnosti predikcí o 35 % oproti původnímu řešení a zlepšení úrovně zásob o 15 % při současném snížení výskytu stockoutů. Tyto výsledky jsou předběžné a budou ověřeny v produkčním provozu po plném nasazení řešení, aby bylo možné potvrdit dosažení očekávaných přínosů.
Zpětná vazba klienta
Zpřehlednění processů nákupu a objednávání.
Poučení a doporučení
Klíčové faktory úspěchu
Aktivní zapojení klienta během vývoje
Největší výzvy
Napojení a propojení systémů
Doporučení pro ostatní
Doporučujeme ověřit kvalitu dostupných dat a nebát se pustit do podobného řešení. Implementace systému založeného na datech nejen zefektivní plánování a rozhodování, ale zároveň vede ke zlepšení samotné kvality dat, protože se stanou transparentní, kontrolovaná a aktivně využívaná v každodenním provozu.
Propagace
Demo / veřejné výstupy
- SpolečnostDNAI
- KontaktJakub Szasz
- Emailjakub.szasz@dnai.ai
- Webhttps://www.dnai.ai
- AdresaU Nikolajky 3, 150 00 Praha