Řešení · Plánování zásob
Zásoby podle skutečné poptávky, ne podle odhadu.
Predikční model využije historii prodejů, sezónnost a dostupné kapacity a navrhne doporučené množství pro každou položku a místo. Predikce pokrývá horizonty 4, 12, 26 a 52 týdnů a upozorní na hrozící nedostatek nebo přebytek. V řešeném projektu podklady uvádějí nárůst obratu o 5–6 %.
Typický stupeň složitosti Stupeň 3 · Komplexní · od 164 900 Kč bez DPH

Kdy dává smysl
- Část položek není včas skladem, jiné zbytečně vážou peníze
- Objednávky se plánují ručně podle zkušenosti
- Máte více skladů, poboček nebo prodejních míst
- Sezónnost a akce ruční odhad rozhodí
Jak funguje
- 01
Vyjdeme z historie prodejů a zásob.
Pohyby položek, zásoby a minimální množství.
- 02
Zohledníme sezónnost a další vlivy.
Časové řady se sezónností a dalšími vlivy.
- 03
Model předpoví poptávku na týdny dopředu.
Modely pro horizonty 4, 12, 26 a 52 týdnů.
- 04
Dostanete doporučené množství k objednání.
Množství a upozornění, export do objednávkového systému.
Na čem stavíme
Python, modely časových řad, scikit-learn a LightGBM, datový sklad a PostgreSQL. Pracujeme s agregovanými daty bez osobních údajů zákazníků.
Z praxe · Plánování zásob
Zásoby podle skutečné poptávky
Predikce využije historická data, sezónnost a dostupnou kapacitu. Tým dostane doporučené množství pro každou položku a místo.
Ověření proveditelnosti dokončeno

Výchozí situace
Část objednaných položek nebyla včas dostupná, jiné zbytečně vázaly peníze. Ruční odhad nedokázal zohlednit všechny rozdíly mezi položkami a místy.
Cíl: Zlepšit dostupnost položek a současně omezit zbytečné zásoby.
Řešení
Model předpovídá poptávku pro jednotlivé položky a místa. Doporučení propojuje se stavem zásob, dostupnou kapacitou a minimálním množstvím.
Výsledky
- Tým získal doporučené množství pro každou položku a místo.
- Predikce pokrývá čtyři časové horizonty.
- Projekt prošel ověřením proveditelnosti nad historickými daty.
V řešeném projektu podklady uvádějí nárůst obratu o 5–6 %.
Technologie
- Python a modely časových řad
- scikit-learn / LightGBM
- Datový sklad a PostgreSQL
- Dashboard a export do objednávkového systému
Bezpečnost a data
- Agregovaná data bez osobních údajů zákazníků
- Provoz v infrastruktuře zákazníka
- Ověření přesnosti na historických datech
Provoz
- Návrh pravidelného přetrénování a dávkových výpočtů
- Vyhodnocení přesnosti po časových horizontech
- Možnost rozšíření na další skupiny položek
Případová studie je anonymizovaná. Firmu ani její obor neuvádíme.
Časté otázky
Kolik historie potřebujeme?
Ideálně alespoň dva roky, aby model zachytil sezónnost. S kratší historií lze začít jednoduššími modely.
Jak často se predikce přepočítává?
Obvykle jednou týdně dávkově. Model pravidelně přetrénujeme a hlídáme jeho přesnost.
Mohlo by vás zajímat
Řešení · Vyhodnocování datAnalýza dat a kontrola kvality
Modely strojového učení porovnají naměřená data a pomohou odlišit chybu měření od skutečné odchylky. Dashboard pro odborné posouzení, provoz u zákazníka.
Stupeň 3 · od 164 900 KčVíce
Řešení · Porovnávání scénářůSimulace procesů a kapacit
Simulace rozmístění pracovišť, kapacit a vytížení v prohlížeči. Porovnejte scénáře dřív, než změníte skutečný provoz. Diskrétní simulace událostí a 3D přehled.
Stupeň 4 · od 329 000 KčVíceNevíte, kde začít? To je v pořádku.
Ozvěte se nám. Na krátkém hovoru zjistíme, co vám dnes bere nejvíc času, a navrhneme první krok. Konzultace je zdarma a nezávazná.