Program WMS online w wersji Studio WMS.net od SoftwareStudio zyskał warstwę sztucznej inteligencji, która zmienia sposób zarządzania zapasami - z ręcznego przeglądania stanów magazynowych na automatyczne prognozowanie, podpowiadanie i synchronizację danych. Ten artykuł opisuje wyłącznie funkcje AI i automatyzacji dostępne w programie: predykcyjną optymalizację poziomu zapasów, automatyczne sugestie uzupełniania towaru, dwukierunkową synchronizację danych z systemami ERP oraz uczenie wzorców sezonowości sprzedaży.
Sztuczna inteligencja w programie WMS online Studio WMS.net
Warstwa AI w programie WMS.net nie jest osobnym modułem uruchamianym obok magazynu, lecz mechanizmem wbudowanym w codzienną obsługę dokumentów, zamówień i kartotek towarowych. Każda transakcja zarejestrowana w systemie - przyjęcie, wydanie, korekta stanu - staje się kolejnym punktem danych, na podstawie którego algorytmy uczą się rzeczywistych wzorców rotacji towaru w danym magazynie.
Cztery funkcje AI opisane w tym artykule działają wspólnie, jako spójny łańcuch automatyzacji. Predykcyjna optymalizacja zapasów wylicza, ile towaru powinno znajdować się na stanie. Automatyczne sugestie uzupełniania przekładają tę wiedzę na konkretną rekomendację zamówienia. Dwukierunkowa synchronizacja z ERP dostarcza algorytmom świeże dane z całej firmy, nie tylko z magazynu. Uczenie wzorców sezonowości koryguje prognozy w rytmie powtarzających się cykli sprzedażowych.
Predykcyjna optymalizacja poziomu zapasów
Predykcyjna optymalizacja zapasów polega na tym, że algorytm samodzielnie wylicza, ile danego towaru powinno znajdować się w magazynie w danym momencie, zamiast opierać się na stałych, ręcznie ustalonych progach. System analizuje stany magazynowe w powiązaniu z historią rotacji poszczególnych SKU i na tej podstawie wyznacza optymalny poziom minimalny oraz maksymalny dla każdej pozycji asortymentowej z osobna.
W odróżnieniu od ręcznie ustawionych progów minimalnych, poziomy wyliczane przez algorytm zmieniają się dynamicznie. Towar o rosnącej rotacji automatycznie otrzymuje wyższy poziom docelowy, a asortyment wolno rotujący - niższy, co ogranicza zamrożenie kapitału w nadmiarowych zapasach bez ręcznej interwencji osoby odpowiedzialnej za zakupy.
Jak AI przewiduje zapotrzebowanie na towar
Model predykcyjny opiera prognozę na kilku strumieniach danych jednocześnie: historii zamówień z ostatnich okresów, czasie realizacji dostaw od poszczególnych dostawców oraz tempie sprzedaży w powiązaniu z porą roku. Im dłuższa i bardziej kompletna historia transakcji w systemie, tym trafniej algorytm rozpoznaje, które wahania popytu są przypadkowe, a które powtarzają się regularnie.
Wynikiem prognozy nie jest pojedyncza liczba, lecz przedział - system wskazuje spodziewane zapotrzebowanie wraz z skonfigurowanym zapasem bezpieczeństwa, uwzględniającym zmienność popytu i ryzyko opóźnień w dostawach danego dostawcy.
Automatyczne sugestie uzupełniania towaru
Automatyczne sugestie uzupełniania towaru przekładają wynik predykcyjnej optymalizacji na konkretną, gotową do realizacji rekomendację - jaki towar, w jakiej ilości i od którego dostawcy warto zamówić. Zamiast codziennego przeglądania listy stanów magazynowych, osoba odpowiedzialna za zakupy otrzymuje w systemie listę pozycji zbliżających się do punktu zamówienia, uszeregowaną według pilności.
Po zaakceptowaniu sugestii system może od razu przygotować szkic dokumentu magazynowego zamówienia, co skraca czas między wykryciem niedoboru a jego faktycznym uzupełnieniem. Rekomendacja pozostaje propozycją - ostateczną decyzję o złożeniu zamówienia zawsze podejmuje człowiek.
Punkt zamówienia wyliczany przez algorytm
Punkt zamówienia to poziom zapasu, po którego przekroczeniu w dół system automatycznie generuje sugestię uzupełnienia. W programie WMS online punkt ten nie jest wartością stałą wpisaną ręcznie do kartoteki, lecz wynikiem bieżącego przeliczenia uwzględniającego aktualne tempo sprzedaży, czas realizacji dostawy oraz przyjęty zapas bezpieczeństwa.
Dzięki temu punkt zamówienia rośnie automatycznie w okresach zwiększonego popytu i obniża się w okresach spadku sprzedaży, bez konieczności ręcznej korekty progów dla każdej pozycji osobno. Parametry wyliczeń pozostają dostępne do przeglądu i ręcznej korekty w konfiguracji programu magazynowego dla wybranych grup towarowych.
Zanim funkcje predykcyjne zaczną trafnie podpowiadać poziomy zapasów, warto zadbać o kompletność historii zamówień w systemie - im dłuższy i czystszy zbiór danych, tym szybciej algorytm rozpozna rzeczywiste wzorce rotacji i sezonowości danego towaru.
Automatyczna dwukierunkowa synchronizacja danych z ERP
Trafność prognoz zależy od jakości i świeżości danych, jakimi dysponuje algorytm. Program WMS online utrzymuje automatyczną, dwukierunkową synchronizację danych z systemem ERP - zmiana zarejestrowana po stronie magazynu, na przykład wydanie towaru, natychmiast aktualizuje odpowiedni dokument w ERP, a informacje z ERP, takie jak nowe zamówienie sprzedaży czy zmiana cennika, w tym samym momencie trafiają z powrotem do modeli predykcyjnych WMS.
Ta wymiana danych obejmuje przede wszystkim informacje wpływające na prognozę popytu: zamówienia klientów, planowane promocje, zmiany w ofercie asortymentowej oraz dokumenty operacji magazynowych. Dzięki synchronizacji w obu kierunkach algorytm nie pracuje wyłącznie na danych historycznych z magazynu, lecz uwzględnia również bieżące sygnały z działu handlowego i księgowości.
Jak synchronizacja z ERP zasila modele AI danymi
Każda zmiana zarejestrowana po stronie ERP jest dla modelu predykcyjnego dodatkowym sygnałem. Jeśli dział handlowy wprowadzi do ERP zaplanowaną promocję na dany towar, informacja ta trafia do WMS jeszcze przed wzrostem sprzedaży, co pozwala algorytmowi z wyprzedzeniem podnieść prognozowane zapotrzebowanie zamiast reagować dopiero po fakcie, gdy zapas już zacznie się kurczyć.
Podobnie działa to w drugą stronę - zmiana stanu magazynowego zarejestrowana w WMS natychmiast aktualizuje dostępność towaru widoczną w module sprzedaży ERP, co ogranicza ryzyko przyjęcia zamówienia na towar, którego w rzeczywistości zabrakło. Więcej o specyfikacji technicznej tej integracji opisano na stronie programu WMS.net.
Przykładowo, gdy dział handlowy zarejestruje w ERP nowe zamówienie hurtowe na kilkaset sztuk danego produktu, informacja o tym zamówieniu w ciągu kilku sekund trafia do modułu predykcyjnego WMS i wpływa na prognozę zapotrzebowania na najbliższe tygodnie, zanim jeszcze towar fizycznie opuści magazyn. Dzięki temu poziom zapasu bezpieczeństwa dla powiązanych pozycji asortymentowych koryguje się z wyprzedzeniem, a nie dopiero po zaobserwowaniu spadku stanu.
Uczenie wzorców sezonowości sprzedaży
Sezonowość sprzedaży to powtarzalny w czasie wzorzec zmian popytu - wzrosty przed określonymi świętami, cykliczne szczyty sprzedaży w wybranych miesiącach roku lub regularne wahania tygodniowe. Program WMS online uczy się tych wzorców automatycznie, porównując bieżące zamówienia z analogicznymi okresami z poprzednich sezonów, zamiast wymagać ręcznego oznaczania okresów szczytowych przez administratora.
Z każdym kolejnym sezonem model dysponuje większą liczbą porównywalnych danych, dzięki czemu odróżnia zdarzenia jednorazowe, na przykład pojedynczą promocję, od trwałych, powtarzalnych trendów. W praktyce oznacza to, że prognoza na kolejny sezon uwzględnia nie tylko ostatnie tygodnie sprzedaży, lecz również to, jak dany towar zachowywał się w tej samej porze roku wcześniej.
Rozpoznawanie cykli sezonowych w historii zamówień
Rozpoznawanie cykli sezonowych polega na zestawianiu danych z tego samego okresu w kolejnych latach i nadawaniu większej wagi trendom, które powtarzają się regularnie, a mniejszej - pojedynczym odchyleniom. Algorytm bierze pod uwagę zarówno cykle roczne, jak i krótsze wahania, na przykład zwiększony ruch w określone dni tygodnia w magazynach obsługujących wiele lokalizacji jednocześnie.
Efektem tego mechanizmu jest samoczynna korekta prognoz z sezonu na sezon - im więcej pełnych cykli sprzedażowych przetworzy system, tym mniej ręcznych poprawek wymaga plan uzupełnień na kolejny okres szczytowy.
W praktyce oznacza to na przykład, że dla asortymentu ogrodowego system rozpozna cykliczny wzrost zamówień wiosną, a dla artykułów świątecznych - powtarzalny szczyt sprzedaży w listopadzie i grudniu, i uwzględni go w prognozie z odpowiednim wyprzedzeniem, zanim sprzedaż faktycznie zacznie rosnąć. Ten sam mechanizm rozpoznaje również krótsze, tygodniowe wahania popytu charakterystyczne dla danej branży.
Funkcje AI w programie WMS online i ich korzyści
Poniższa tabela zestawia cztery funkcje sztucznej inteligencji dostępne w programie WMS online, opisując, co dokładnie robi każda z nich i jaką korzyść wnosi do codziennej pracy magazynu.
| Funkcja AI | Co robi | Korzyść dla magazynu |
|---|---|---|
| Predykcyjna optymalizacja zapasów | Wylicza optymalny poziom minimalny i maksymalny dla każdego towaru na podstawie historii rotacji | Mniej zamrożonego kapitału w nadmiarowych zapasach i mniej braków towaru |
| Automatyczne sugestie uzupełniania | Wskazuje, jaki towar i w jakiej ilości zamówić, zanim spadnie poniżej punktu zamówienia | Krótszy czas między wykryciem niedoboru a złożeniem zamówienia |
| Dwukierunkowa synchronizacja z ERP | Wymienia dane o sprzedaży, zamówieniach i stanach automatycznie w obu kierunkach | Prognozy oparte na aktualnych danych z całej firmy, nie tylko z magazynu |
| Uczenie wzorców sezonowości | Porównuje bieżącą sprzedaż z analogicznymi okresami poprzednich sezonów | Trafniejsze prognozy przed szczytami sprzedażowymi bez ręcznego oznaczania okresów |
Wszystkie cztery funkcje pracują na wspólnym zbiorze danych, dlatego jakość jednej wprost przekłada się na skuteczność pozostałych - dokładniejsza synchronizacja z ERP poprawia trafność prognozy sezonowości, a trafniejsza prognoza sezonowości przekłada się na celniejsze sugestie uzupełnień i lepiej dobrany punkt zamówienia.
Wdrożenie funkcji AI w programie WMS online
Uruchomienie funkcji AI w programie WMS online przebiega etapami, tak aby algorytm miał czas na zebranie danych niezbędnych do trafnych prognoz, zanim zacznie samodzielnie podpowiadać poziomy zapasów.
- Import historii transakcji - do systemu trafiają dane o zamówieniach, przyjęciach i wydaniach z możliwie długiego okresu, co daje algorytmowi materiał do rozpoznania wzorców rotacji.
- Konfiguracja połączenia z ERP - uruchomienie dwukierunkowej synchronizacji, dzięki której model predykcyjny zaczyna otrzymywać bieżące dane spoza magazynu.
- Kalibracja na wybranej grupie towarowej - funkcje predykcyjne włącza się najpierw dla ograniczonej liczby SKU, co pozwala ocenić trafność sugestii przed rozszerzeniem na cały asortyment.
- Weryfikacja sugestii przez zespół zakupowy - przez pierwsze tygodnie rekomendacje uzupełnień są sprawdzane ręcznie, a rozbieżności trafiają z powrotem do modelu jako dodatkowy sygnał.
- Rozszerzenie na cały magazyn - po potwierdzeniu trafności prognoz automatyczne sugestie i predykcyjna optymalizacja obejmują pełny asortyment i wszystkie kategorie towarowe.
Wdrożenie stopniowe pozwala też porównać poziom zapasów i liczbę braków towaru sprzed oraz po uruchomieniu funkcji predykcyjnych na tej samej grupie asortymentowej, co ułatwia rzetelną ocenę wpływu automatyzacji na codzienną pracę magazynu, zanim obejmie ona wszystkie kategorie towarowe.
Funkcje AI opisane w tym artykule dostępne są w ramach programu WMS online - zainteresowani mogą sprawdzić ich działanie na przykładowych danych w demo magazynu udostępnionym przez SoftwareStudio.
