Sztuczna inteligencja działa najlepiej, kiedy jest dopasowana do konkretnego przypadku biznesowego. Planiści popytu i zatowarowania w FMCG potrzebują więc specjalistycznej AI, która wesprze ich w decyzjach dotyczących kluczowych procesów – mówi dr inż. Kamil Folkert, CEO Occubee S.A., współtwórca platformy SaaS do dynamicznego zarządzania zapasami w oparciu o AI.
PORTAL SPOŻYWCZY: O WYKORZYSTANIU SZTUCZNEJ INTELIGENCJI W ŁAŃCUCHU DOSTAW DZIŚ MÓWIĄ WSZYSCY, ALE CZY KAŻDA FIRMA FMCG MOŻE I POTRAFI Z NIEJ KORZYSTAĆ?
Kamil Folkert: Na polskim rynku FMCG, zarówno wśród retailerów, jak i producentów, można bez problemu wskazać firmy, które są czempionami zmian w tym obszarze. Najczęściej to duże podmioty, które już lata temu dostrzegły, że dane to pieniądze, a zaawansowana analiza danych w oparciu o AI to katalizator optymalizowania procesów i zwiększania rentowności biznesu. Inni przedsiębiorcy nie tylko chcą iść ścieżką utartą przez liderów i adaptować te rozwiązania u siebie, ale wręcz wiedzą, że to jedyna droga, żeby nie wypaść z rynku. Jestem przekonany, że każdy z nich może korzystać z potencjału AI, choć w innej skali i w ramach różnych obszarów operacyjnych.
OD CZEGO POWINNI ZACZĄĆ? W KTÓREJ CZĘŚCI BIZNESU SZTUCZNA INTELIGENCJA MOŻE PRZYNIEŚĆ NAJWIĘCEJ KORZYŚCI?
W mojej ocenie, priorytetowym procesem w branży FMCG, który warto optymalizować z AI, jest prognozowanie popytu. Przede wszystkim dlatego, że wysokiej jakości prognozy stanowią warunek konieczny do optymalnego zarządzania zapasami w sklepach i magazynach. Zabezpieczenie poziomu stocków, który jest adekwatny do popytu konsumenckiego w danym okresie czasu, to święty Graal dla retailerów i producentów. Ma ogromne znaczenie dla płynności finansowej, wyników sprzedaży, service level i wielu innych parametrów biznesowych. Błędy popełniane na etapie prognozowania tworzą efekt kuli śnieżnej, nawarstwiają się i negatywnie wpływają na m.in. planowanie produkcji czy zatowarowanie sklepów. Sztuczna inteligencja pozwala ich uniknąć.
W JAKI SPOSÓB?
W prognozowaniu z AI wykorzystuje się zaawansowane algorytmy, które analizują dane historyczne i uwzględniają dodatkowe zmienne, np. sezonowość sprzedaży, trendy konsumenckie, prognozę pogody, święta i wydarzenia specjalne. Modele uczenia maszynowego mogą przetwarzać ogromne ilości danych i informacje dotyczące całego asortymentu, czasem liczonego w tysiącach SKU, co jest po prostu niemożliwe dla człowieka. Ponadto, jak sama nazwa wskazuje, są zdolne do uczenia się, dzięki czemu – zasilane ciągle nowymi danymi – mogą uwzględniać nowe trendy i generować wyniki w postaci prognoz dobrze dopasowanych do zmieniających się warunków biznesowych.
I TAKIE MODELE DZIAŁAJĄ W OCCUBEE?
Tak. Sercem Occubee, czyli naszej platformy do dynamicznego zarządzania zapasami w oparciu o AI, są autorskie modele prognostyczne, ściśle dostosowane do specyfiki FMCG i konkretnych przypadków biznesowych. Parametryzujemy je i trenujemy w oparciu o dane naszych klientów, w ujęciu bardzo szczegółowym, tj. indywidualnie dla każdej kombinacji produkt-punkt sprzedaży. Daje to najlepsze wyniki generowanych przez nas prognoz, a następnie zapotrzebowań sklepowych lub magazynowych oraz poleceń komisjonowania i zamówień do dostawców. Każdy z tych kroków system może wykonywać automatycznie, co w praktyce oznacza, że dajemy możliwość automatyzacji procesu wymagającego podjęcia milionów decyzji każdego dnia.
TO BRZMI ZUPEŁNIE INACZEJ NIŻ SZTUCZNA INTELIGENCJA, KTÓRĄ ZNAMY JAKO CHAT GPT.
Zdecydowanie. Sztuczna inteligencja jest pojęciem bardzo pojemnym, natomiast nasze podejście wpisuje się w koncepcję tzw. wąskiej AI (narrow AI), czyli specjalistycznej, ukierunkowanej na bardzo konkretne, specyficzne zadania. To nie jest tzw. generatywna AI, zasilana treściami skopiowanymi z Internetu. To rozróżnienie uwypuklają też eksperci Gartnera, którzy wprost wskazują, że GenAI nie jest cudownym środkiem na wszystko i że w takich obszarach jak prognozowanie czy planowanie, niewielki z niej użytek. Jestem przekonany, że to właśnie wąska AI może przynieść największe korzyści biznesowe retailerom i producentom FMCG, zwłaszcza że mówimy tu o optymalizacji ich core’owych procesów.
SKORO MOWA O KORZYŚCIACH, TO JAKI WPŁYW NA BIZNES MA PROGNOZOWANIE W OPARCIU O AI?
Zacznę od przykładu producenta. Średnio- i długoterminowe prognozy popytu, w agregacji np. tygodniowej i miesięcznej, umożliwiają lepsze planowanie i zarządzanie produkcją. Pozwalają proaktywnie zarządzać zapasami w magazynie i dostosowywać cykl produkcji do popytu rynkowego z odpowiednim wyprzedzeniem. Dzięki temu firmy wytwarzające dobra szybkozbywalne mogą redukować overstocki, a tym samym uwalniać zamrożony kapitał. Z drugiej strony, ograniczają ryzyko out-of-stocków, które prowadzą do obniżenia wskaźnika service level. Wysokiej jakości prognozy ułatwiają ekspertom podejmowanie decyzji biznesowych, których konsekwencjami są efektywniejsze wykorzystanie zasobów i zmniejszenie kosztów.
A JAK TO WYGLĄDA U RETAILERÓW FMCG?
Korzyści są podobne, choć w tym przypadku opieramy się przede wszystkim na krótkoterminowych prognozach sprzedaży, generowanych codziennie, dla każdej kombinacji SKU-sklep. Dzięki wyliczonym na ich podstawie zapotrzebowaniom sklepowym, a następnie poleceniom komisjonowania, retailerzy mogą zapewnić odpowiednią dostępność produktów w sklepach. A tym samym ograniczyć ryzyko utraconej sprzedaży w wyniku out-of-stocków i jednocześnie maksymalizować szanse na zwiększenie rotacji towarów i wzrost sprzedaży. Warto też wspomnieć, że prognozowanie popytu pozwala ograniczać straty, które w retailu są problemem o dużej skali.
MNIEJSZE STRATY TO NIE TYLKO KORZYŚĆ DLA BIZNESU, ALE I DLA ŚRODOWISKA.
Dokładnie. Dla planistów popytu w branży FMCG wyzwaniem są świeże produkty. Z jednej strony mają krótki termin przydatności, a z drugiej – często wymagają specjalnych warunków przechowywania. Są narażone na szybkie psucie się, a to oznacza duże ryzyko strat. Z raportu Food Waste Index Report 2024, przygotowanego przez ONZ wynika, że tylko w 2022 roku globalne straty żywności w sektorze retail wyniosły aż 131 milionów ton. To masa porównywalna z masą ponad 21 Piramid Cheopsa albo 359 budynków Empire State Building. Optymalizacja zapasów w oparciu o prognozy popytu to jeden ze sposobów, dzięki którym retailerzy mogą ograniczyć te straty i tym samym realizować cele środowiskowe.
Wywiad został opublikowany na Portalspozywczy.pl
