7 min read •
Od optimizacije naročanja v trgovini do planiranja proizvodnje in avtomatizacije računovodstva: primeri iz prakse kažejo, kje umetna inteligenca podjetjem dejansko prinaša merljive poslovne učinke.
Umetna inteligenca (UI) je danes ena najpogosteje uporabljenih (in tudi zlorabljenih) besed v poslovnih predstavitvah. V upravah podjetij ni več vprašanje, ali bo UI spremenila poslovanje, temveč precej bolj prizemljeno: ali lahko z njo izboljšamo maržo, zmanjšamo vezavo kapitala ali pospešimo procese.
Prav tu se pokaže razlika med tehnološkim trendom in dejansko poslovno vrednostjo. Vodstva podjetij danes ne potrebujejo več opozoril, da bodo »zamudila vlak«. Potrebujejo primere iz prakse in merljive učinke: koliko se skrajša proces, koliko se zmanjša zaloga ali koliko prihodkov podjetje pridobi zaradi boljše razpoložljivosti izdelkov.
Izkušnje iz projektov v Sloveniji in širši regiji kažejo precej jasen vzorec. Največji učinki se ne pojavijo tam, kjer podjetja začnejo s tehnologijo, temveč tam, kjer si najprej postavijo konkretno poslovno vprašanje: katero odločitev ali proces želijo izboljšati.
Takšna vprašanja se najpogosteje pojavijo v operativnih procesih, kjer podjetja vsak dan sprejemajo veliko podobnih odločitev o naročanju, zalogah, proizvodnji ali komunikaciji s strankami. Prav tam lahko analitika podatkov in napovedni modeli najhitreje pokažejo merljive rezultate.
Primeri iz prakse kažejo, da se največji finančni učinki pogosto pojavijo prav pri odločitvah o naročanju in upravljanju zalog, kjer podjetja usklajujejo prodajo, logistiko in dobaviteljske pogoje. Poglejmo si nekaj primerov iz različnih panog.
V trgovini, farmaciji, distribuciji medicinske opreme, modni industriji ali oskrbi za hišne ljubljenčke je naročanje pogosto še vedno kombinacija izkušenj, preglednic in občutka. Dokler je lokacij malo in je asortiman omejen, tak pristop deluje. Ko pa podjetje upravlja več deset poslovalnic, tisoče artiklov (SKU-jev), različne dobaviteljske pogodbe, promocije, roke uporabe in krizne zaloge, ročno odločanje postane ozko grlo.
Pri enem od večjih regionalnih trgovskih podjetij so tri osebe skoraj tri delovne dni na teden pripravljale predloge naročil. Pregledovati so morale prodajo po posameznih lokacijah, stanje zalog in sezonske vplive ter pri tem upoštevati promocije, minimalne količine naročanja, dobaviteljske bonuse in skladiščne omejitve. Proces je bil zahteven in močno odvisen od posameznika.
Najprej smo povezali podatke iz ERP, prodajnih sistemov in logistike ter definirali poslovna pravila – od pogodbenih omejitev do kriznih zalog in posebnih režimov skladiščenja. Proces smo nadgradili z napovednimi modeli povpraševanja. Danes sistem samodejno pripravi predloge naročil po lokacijah, optimizira prenose med poslovalnicami in upošteva logistične ter pogodbene omejitve.
Proces, ki je prej zahteval skoraj tri dni dela treh zaposlenih, je danes končan v nekaj urah. Sistem pri več kot 85 odstotkih artiklov samodejno pripravi in odda naročilo. Izpadi zalog so se zmanjšali za do 90 odstotkov, kar se je neposredno odrazilo v višjih prihodkih. Hkrati so se zmanjšale zaloge počasnih artiklov in s tem vezava kapitala.
Podjetja običajno zelo natančno spremljajo logistične stroške, ker so neposredno vidni na računu. Manj očitne pa so posledice neoptimalnih odločitev o naročanju – vezan kapital, prenapolnjena skladišča in počasno obračanje zalog, ki se pokažejo šele pozneje v bilanci.
Pri več podjetjih smo ugotovili, da naročajo »za poln kamion«, ne glede na realno prodajno dinamiko. Posledica so zaloge, ki stojijo več mesecev, in zamrznjen kapital.Ko smo na podlagi prodajnih napovedi, dobavnih rokov in pogodbenih pogojev optimizirali tovor in frekvenco naročanja, so se učinki pokazali hitro. Transportni stroški so se znižali za pet do 15 odstotkov, vezava kapitala v zalogah pa se je ob ohranjeni ali izboljšani razpoložljivosti blaga v povprečju zmanjšala za več kot 20 odstotkov, v posameznih kategorijah celo za 25 do 65 odstotkov.
Sistem upošteva sezonskost, minimalne količine naročil, dobaviteljske bonuse in omejitve skladišč ter predlaga optimalno razporeditev naročil skozi leto. Algoritem lahko izračuna, ali je doseganje bonusa smiselno glede na strošek dodatne zaloge in obrat kapitala. To ni tehnološki eksperiment, temveč optimizacija ene ključnih finančnih odločitev.
V proizvodnih podjetjih je neučinkovitost pogosto posledica nepovezanosti oddelkov. Prodaja obljublja, proizvodnja optimizira kapacitete, nabava zmanjšuje tveganja. Ko ti pogledi niso usklajeni, nastanejo zamude ali presežne zaloge.
Pri strankah povežemo prodajno napoved z realnimi proizvodnimi zmožnostmi. V model vključimo sestavnice izdelkov, tehnološke procese, kapacitete strojev in dobavne roke surovin. Namesto ločenih planov sistem izračuna scenarij, ki je kapacitetno realen in finančno smiseln.
Pri proizvodnji na zalogo to prinaša 10 do 20 odstotkov boljšo razpoložljivost izdelkov in do 30 odstotkov manj izrednih prilagoditev plana. V proizvodnji po naročilu pa so se odzivni časi skrajšali za 15 do 25 odstotkov. Zaloge surovin in polizdelkov so se zmanjšale za 10 do 20 odstotkov brez negativnega vpliva na servisni nivo.
Največja sprememba pa je organizacijska. Prodaja, proizvodnja in nabava začnejo odločati na podlagi istih podatkov. Manj je internih eskalacij, več transparentnosti in bolj predvidljiv denarni tok.
V industriji gostoljubja (hospitality), bančništvu, zavarovalništvu in drugih panogah B2C se UI pogosto povezuje s personalizacijo. V praksi pa se največji premik zgodi že pri čiščenju podatkov.
Pri eni od strank smo najprej deduplicirali bazo gostov. Odstranitev podvojenih zapisov je povečala odprtja e-sporočil za več kot 20 odstotkov in zmanjšala število odjav. Šele nato smo uvedli vedenjsko segmentacijo in napoved optimalnega trenutka za stik. Učinkovitost kampanj se je povečala za 15 do 30 odstotkov.
Pri avtomatizaciji obdelave povpraševanj sistem danes sam klasificira sporočila in pripravi predlog odgovora. Čas obdelave se je skrajšal za približno 40 odstotkov, komunikacija pa je postala bolj konsistentna.
Generični UI-asistent, ki ni povezan z ERP in CRM, praviloma ne prinese merljivih rezultatov. Učinek se pokaže šele, ko je rešitev integrirana v jedro poslovanja.
Podoben pristop je mogoče uporabiti pri zapiranju kontov, usklajevanju odprtih postavk in drugih ponavljajočih se procesih. Vse, kar temelji na pravilih in zgodovinskih vzorcih, je mogoče optimizirati.
Projekti z rezultati se ne začnejo s tehnologijo, temveč s konkretno poslovno odločitvijo, dobro definiranim poslovnim primerom uporabe in problemom, ki ga želimo rešiti. Najpomembneje je, da so podatki povezani in kakovostni ter da sodelujejo poslovni oddelki in IT. Generične rešitve ne delujejo, zato je ključna prilagoditev specifikam podjetja.
Umetna inteligenca ni čarobna palica, je pa izjemno učinkovit vzvod tam, kjer se odločitve ponavljajo in neposredno vplivajo na stroške, prihodke ali kapital. Večina podjetij v Sloveniji in regiji ima podatke že zbrane v svojih sistemih. Glavno vprašanje zato ni več, ali umetno inteligenco uvesti, temveč kateri poslovni proces z njeno pomočjo izboljšati najprej.
Ko UI postane del jedra poslovanja, se rezultati konkretno pokažejo v marži, zalogah, denarnem toku in zadovoljstvu strank. Takrat pa ne govorimo več o tehnološkem trendu, temveč o konkurenčni prednosti.
Naročite se na naše e-novice in najnovejše vsebine boste prejeli na vaš e-naslov.
