Sztuczna inteligencja w logistyce: praktyczne zastosowania AI w optymalizacji łańcucha dostaw

Dlaczego łańcuch dostaw potrzebuje AI bardziej niż inne obszary biznesu

Logistyka: wysoka zmienność, niskie marże i presja czasu

Sektor logistyki jest nietypowy na tle innych obszarów biznesu. Każdego dnia trzeba podejmować dziesiątki decyzji operacyjnych pod presją czasu, przy niskich marżach i dużej niepewności. Zmienność popytu, niestabilne czasy dostaw od dostawców, korki, awarie, sezonowość, brak kierowców, nagłe zmiany zamówień – to wszystko tworzy środowisko, w którym klasyczne, ręczne planowanie bardzo szybko się „rozjeżdża”.

Wysoka zmienność oznacza, że proste reguły („zawsze zamawiamy w poniedziałek” albo „utrzymujemy 3 tygodnie zapasu”) przestają działać, gdy tylko pojawi się nietypowe zdarzenie. Niskie marże z kolei ograniczają możliwość buforowania ryzyka poprzez utrzymywanie ogromnych zapasów czy nadmiarowej floty. Każdy nadprogramowy kilometr, paleta w magazynie czy niepotrzebny przeładunek to ucieczka zysku.

W tym kontekście sztuczna inteligencja w logistyce nie jest ciekawostką technologiczną, ale sposobem na systematyczne szukanie oszczędności tam, gdzie człowiek nie jest w stanie ręcznie przeanalizować wszystkich zależności. AI lepiej radzi sobie z dużą liczbą zmiennych, potrafi łączyć dane historyczne z aktualną sytuacją w czasie zbliżonym do rzeczywistego i na bieżąco dostosowywać rekomendacje.

Dodatkowo, łańcuch dostaw jest „systemem naczyń połączonych”: błąd w prognozie popytu szybko zamienia się w niewłaściwy poziom zapasów, a potem w nieoptymalne trasy i przeciążone magazyny. Im bardziej kompleksowa sieć, tym większy zysk z zastosowania narzędzi, które widzą całość, a nie tylko pojedynczy odcinek.

Tradycyjne narzędzia vs. złożoność współczesnych sieci dostaw

Przez lata podstawowymi narzędziami logistyki były Excel, proste moduły ERP i dedykowane systemy jak WMS czy TMS, działające głównie na sztywnych regułach. Dla prostych sieci – kilku magazynów, ograniczonej liczby SKU, przewidywalnego popytu – to bywa w zupełności wystarczające. Problem zaczyna się, gdy:

• rosną liczba lokalizacji, kanałów sprzedaży i wariantów produktowych,
• firma obsługuje różne typy klientów (detal, B2B, e-commerce, marketplace’y),
• cykle zamówień się skracają, a oczekiwania co do czasu dostawy rosną,
• pojawiają się częste promocje, akcje marketingowe i zwroty.

Excel i ręczne planowanie dobrze radzą sobie z retrospekcją, znacznie gorzej z predykcją i symulacjami. Klasyczne systemy ERP są świetne w rejestrowaniu zdarzeń, ale ograniczone w przewidywaniu i automatyzacji decyzji. Stąd napięcie: złożoność rośnie, a narzędzia pozostają takie same.

Sztuczna inteligencja, szczególnie uczenie maszynowe i analityka predykcyjna, pozwalają przejść z raportowania „co się stało” do przewidywania „co się prawdopodobnie stanie” i „co powinniśmy zrobić”. To przejście z reaktywnego gaszenia pożarów na planowanie oparte na danych, które wcześniej były niewykorzystane – np. ścieżki zamówień, wzorce opóźnień, zależności między pogodą a sprzedażą.

Trzy główne źródła nieefektywności w łańcuchu dostaw

Większość strat w łańcuchu dostaw pochodzi z trzech obszarów: prognozowania, planowania i reakcji na zakłócenia. W każdym z nich AI ma inne zadanie.

Prognozy: niedoszacowanie popytu prowadzi do braków i utraty sprzedaży, przeszacowanie – do przepełnionych magazynów. Ręczne prognozowanie opiera się zwykle na prostych średnich i intuicji. Tymczasem popyt zależy od wielu czynników zewnętrznych i wewnętrznych, których człowiek nie jest w stanie równocześnie modelować w skali tysięcy indeksów. Modele ML potrafią wykrywać nieliniowe zależności, łączyć dane sprzedażowe z kalendarzem, promocjami, danymi pogodowymi czy działaniami konkurencji.

Planowanie: nawet idealna prognoza na nic się nie przyda, jeśli plan zaopatrzenia, produkcji i transportu jest zły. Tu dochodzi optymalizacja: gdzie zlokalizować zapas, które zamówienie zrealizować z którego magazynu, jak przydzielić zlecenia do floty. Klasyczne podejścia stosują ustalone poziomy zapasu i stałe okna czasowe; AI pozwala dynamicznie zmieniać parametry w odpowiedzi na aktualną sytuację i przewidywane odchylenia.

Reakcja na zakłócenia: w praktyce to, co „wyliczy system”, często już po kilku godzinach jest nieaktualne. Korki, awarie, nieprzewidziane zamówienia, choroba kierowcy – to codzienność. AI może w tym miejscu automatycznie wykrywać nietypowe zdarzenia (np. opóźnienia przekraczające normę) i proponować korekty: przepięcie dostaw, zmianę trasy, priorytetyzację zleceń.

Gdzie AI przewyższa klasyczną analitykę i intuicję planisty

Doświadczony planista czy dyspozytor potrafi podjąć bardzo trafną decyzję, ale tylko dla ograniczonej liczby przypadków jednocześnie. Kluczowa różnica polega na tym, że AI nie męczy się skalą. Dla algorytmu nie ma znaczenia, czy analizuje 50 czy 50 000 SKU, 10 czy 500 tras – liczy się tylko moc obliczeniowa.

Klasyczna analityka operuje na kilku prostych wskaźnikach (średnia sprzedaż, standardowe odchylenie, wykorzystanie floty). Algorytmy uczenia maszynowego biorą pod uwagę dziesiątki cech: rodzaj klienta, typ kanału, pogodę, akcje promocyjne, lokalizację, sezonowość wielopoziomową. Dzięki temu mogą uchwycić zależności, które dla człowieka są „szumem”.

Intuicja planisty działa najlepiej w stabilnym środowisku, gdzie przeszłość dobrze opisuje przyszłość. Sztuczna inteligencja ma przewagę, gdy dane są złożone, jest dużo zakłóceń, a decyzji jest tak dużo, że nie da się ich ręcznie przeanalizować w rozsądnym czasie. Największa wartość pojawia się wtedy, gdy system nie tylko podpowiada liczby, ale także uzasadnia je w zrozumiały sposób dla człowieka, aby mógł ocenić ryzyko i zdecydować, kiedy z rekomendacji skorzystać, a kiedy ją nadpisać.

Podstawy AI w logistyce: co rzeczywiście ma znaczenie, a co jest marketingiem

Kluczowe pojęcia bez żargonu

W rozmowach o sztucznej inteligencji w logistyce przewijają się trzy kategorie narzędzi: klasyczne algorytmy optymalizacyjne, uczenie maszynowe oraz generatywne AI. Najprościej je porównać przez pryzmat problemów, które rozwiązują.

Klasyczne algorytmy optymalizacyjne (np. programowanie liniowe, heurystyki do problemu komiwojażera czy VRP) odpowiadają na pytanie: „jaki jest najlepszy możliwy plan, zakładając znane dane wejściowe?”. Przykład: optymalizacja tras przy znanej liście dostaw i czasie okien. Te algorytmy nie przewidują przyszłości – zakładają, że dane wejściowe są już znane i pewne.

Uczenie maszynowe (ML) skupia się na przewidywaniu (predykcji). Na podstawie danych historycznych próbuje odgadnąć, jak będzie wyglądać popyt, czas dostawy, prawdopodobieństwo opóźnienia. Modele ML nie szukają jednego „idealnego” rozwiązania, tylko oceniają, które scenariusze są bardziej, a które mniej prawdopodobne. Ich wyjściem nie jest harmonogram, lecz prognoza lub klasyfikacja.

Generatywne AI, kojarzone najczęściej z modelami językowymi, w logistyce ma inne zastosowanie niż „tworzenie tekstów”. Może pełnić rolę asystenta planisty: odpowiadać na pytania w języku naturalnym („pokaż mi 10 klientów z najwyższym ryzykiem opóźnień w tym tygodniu”), wyjaśniać rekomendacje modeli predykcyjnych lub generować różne scenariusze w oparciu o istniejące dane.

Dane logistyczne wykorzystywane przez modele AI

Skuteczność AI w łańcuchu dostaw zależy przede wszystkim od jakości i bogactwa danych. Najczęściej wykorzystywane kategorie to:

• dane sprzedażowe: historia zamówień, poziomy sprzedaży według SKU, klienta, kanału, lokalizacji,
• dane operacyjne: czasy realizacji, lead time dostawców, poziom usług (OTIF), czasy przeładunków,
• dane logistyczne: trasy, koszty transportu, typy pojazdów, ładowność, ograniczenia czasowe,
• dane magazynowe: poziomy zapasów, rotacja, lokalizacja produktów, czasy kompletacji,
• dane zewnętrzne: kalendarz świąt, prognoza pogody, wydarzenia lokalne, dane makroekonomiczne.

Im pełniejszy obraz procesu, tym dokładniejsze modele. Dla przykładu: prognozowanie popytu tylko na podstawie historii sprzedaży prowadzi do częstych błędów przy produktach promocyjnych, sezonowych lub podatnych na wpływ pogody. Dodanie do modelu informacji o kampaniach marketingowych, temperaturze czy wydarzeniach sportowych potrafi znacząco poprawić trafność przewidywań.

Modele predykcyjne vs. preskryptywne

W dyskusji o zastosowaniach AI w logistyce przewijają się dwa terminy: predykcyjne i preskryptywne. Dobrze je rozróżnić, bo od tego zależy, co realnie można z pomocą AI zautomatyzować.

Modele predykcyjne odpowiadają na pytanie: „co się prawdopodobnie wydarzy?”. Przykłady: prognoza popytu na produkt X na przyszły tydzień, prawdopodobieństwo opóźnienia dostawy od danego przewoźnika, ryzyko wyczerpania zapasu w magazynie A. Wynik ma formę liczby (np. prognozowana sprzedaż 120 sztuk) albo prawdopodobieństwa (np. 80% szans na opóźnienie).

Modele preskryptywne idą krok dalej: „co powinniśmy zrobić, biorąc pod uwagę przewidywania i ograniczenia?”. Tu wykorzystuje się zarówno wyniki modeli predykcyjnych, jak i klasyczne techniki optymalizacyjne. Przykładowo: system może sugerować, ile zamówić danego SKU, z jakim wyprzedzeniem oraz z którego magazynu wysłać konkretny transport, aby zminimalizować koszty i ryzyko braków.

W praktyce w łańcuchu dostaw największą wartość przynoszą rozwiązania, które łączą oba podejścia: najpierw przewidują popyt, czasy realizacji czy ryzyko awarii, a następnie automatycznie tworzą lub aktualizują plan (zamówienia, trasy, harmonogramy).

Jak odróżnić realne funkcje AI od marketingu („AI-washing”)

Rynek systemów logistycznych (TMS, WMS, APS) pełen jest haseł typu „AI inside” czy „inteligentne planowanie”. Nie zawsze kryje się za tym faktyczna sztuczna inteligencja. Kilka praktycznych pytań, które pomagają oddzielić marketing od funkcji realnych:

• Czy system uczy się na danych historycznych i poprawia swoje rekomendacje w czasie, czy tylko stosuje statyczne reguły?
• Czy potrafi przewidzieć zdarzenia (popyt, opóźnienia, poziom zapasu) z wyprzedzeniem, czy tylko reaguje na to, co już się wydarzyło?
• Czy rozwiązanie podaje jedną „sztywną” wartość, czy też zakres (widełki) i poziom pewności prognozy?
• Czy użytkownik może zobaczyć, które czynniki miały największy wpływ na daną rekomendację (tzw. explainable AI)?
• Czy dostawca pokazuje konkretne metryki jakości (np. poprawę MAPE, redukcję kosztów transportu), czy tylko ogólne hasła?

Jeżeli system jedynie automatyzuje powtarzalne reguły, to nadal może być wartościowy, ale nie należy mylić go z prawdziwą sztuczną inteligencją w logistyce. Warto mieć świadomość tej różnicy, aby nie przepłacać za „magiczne” funkcje, które w praktyce niewiele zmieniają.

Wiele firm z branży logistyki i transportu buduje dziś swoje przewagi konkurencyjne nie tyle na samych algorytmach (te są coraz bardziej dostępne), ile na jakości, spójności i dostępności danych operacyjnych. Z tego powodu tematyka Informatyka, Nowe technologie, AI przestaje być domeną tylko działów IT, a staje się kluczowa dla menedżerów logistyki.

Główne klasy zastosowań AI w łańcuchu dostaw

Zastosowania AI w logistyce można pogrupować w kilka głównych klas: predykcja, optymalizacja, automatyzacja decyzji oraz asystenci decyzyjni. Każda z nich rozwiązuje inny typ problemów operacyjnych.

Predykcja: popyt, opóźnienia, awarie

Analityka predykcyjna w łańcuchu dostaw to przede wszystkim prognozowanie popytu, ale nie tylko. Modele uczone na danych operacyjnych potrafią:

• prognozować sprzedaż na poziomie SKU / lokalizacji / kanału,
• szacować rzeczywisty lead time dla poszczególnych dostawców i tras,
• przewidywać ryzyko awarii sprzętu magazynowego czy pojazdów,
• oceniać prawdopodobieństwo rotacji pracowników w magazynie (ważne dla planowania mocy).

Tego typu rozwiązania zmieniają sposób pracy: zamiast reagować na braki i opóźnienia, firma może je wyprzedzać – zwiększając zapas tam, gdzie rośnie popyt, lub przerzucając wolumen do bardziej niezawodnych przewoźników.

Optymalizacja: planowanie tras, załadunku i harmonogramów

Modele optymalizacyjne zasilane danymi z AI zmieniają klasyczne podejście do planowania. Zamiast układać trasy „od zera” każdego dnia, system ma już lepszy obraz tego, co się wydarzy (popyt, opóźnienia, korki) i może szukać rozwiązań, które są nie tylko tańsze, ale też bardziej stabilne.

Najczęściej spotykane obszary optymalizacji to:

• planowanie tras (VRP, VRPTW) – dobór kolejnosci dostaw i przypisanie ich do pojazdów z uwzględnieniem okien czasowych, ładowności, ograniczeń drogowych,
• planowanie załadunku (3D loading) – ułożenie palet i paczek tak, aby wykorzystać kubaturę i masę pojazdu, spełniając przy tym wymagania bezpieczeństwa,
• harmonogramowanie magazynu – rozkład zadań kompletacyjnych i załadunkowych w ciągu dnia, tak aby uniknąć „szczytów” i przestojów.

Różnica między „zwykłą” optymalizacją a tą wspieraną przez AI polega na danych wejściowych. W tradycyjnych systemach planista zakłada np. stałe czasy przejazdu. W podejściu wspieranym przez uczenie maszynowe czasy te są dynamiczne: system bierze pod uwagę porę dnia, typ pojazdu, historyczne korki w danym rejonie czy nawet styl pracy konkretnego kierowcy.

W praktyce dobrze sprawdza się podział: modele ML szacują parametry (czas przejazdu, ryzyko spóźnienia, realny czas rozładunku u klienta), a silnik optymalizacyjny szuka najlepszego planu, bazując na tych szacunkach. Tam, gdzie nie ma sensu „gonić” za perfekcją (np. ostatnia mila w rejonach wiejskich), firmy często stosują prostsze heurystyki, akceptując lekko wyższy koszt w zamian za mniejszą złożoność systemu.

Automatyzacja decyzji: od rekomendacji do pełnego „autopilota”

AI w logistyce można wdrażać na kilku poziomach autonomii. W praktyce to jeden z kluczowych wyborów: czy system ma jedynie podpowiadać, czy także działać samodzielnie.

• Poziom 1 – raporty i alerty: system wykrywa odchylenia (np. ryzyko braku zapasu, nieoptymalną trasę) i informuje planistę. Decyzje pozostają w pełni ręczne.
• Poziom 2 – rekomendacje: AI proponuje decyzje (np. konkretne zamówienia u dostawców, konkretny plan tras), a człowiek je akceptuje lub modyfikuje.
• Poziom 3 – częściowa automatyzacja: system samodzielnie wykonuje decyzje w prostych przypadkach (standardowe zamówienia, typowe trasy), a do człowieka trafiają tylko wyjątki i konflikty.
• Poziom 4 – pełna automatyzacja: AI samodzielnie obsługuje cały proces w danym obszarze (np. replenishment dla określonej kategorii produktów), a rola człowieka sprowadza się do nadzoru i kalibracji parametrów.

Firmy z reguły zaczynają od poziomu 1–2, bo są najmniej inwazyjne organizacyjnie. Plusem podejścia rekomendacyjnego jest to, że buduje zaufanie do systemu: planista widzi, jak często podpowiedzi się sprawdzają. Z kolei przejście do poziomu 3–4 daje największe oszczędności, ale wymaga dobrze poukładanych procesów i wysokiej jakości danych. Tam, gdzie procedury są niejednoznaczne, lepiej zachować człowieka w roli głównego decydenta.

Asystenci decyzyjni: AI jako „drugie oczy” planisty

Generatywne AI w roli asystenta logistycznego działa inaczej niż klasyczne moduły TMS czy WMS. Nie zastępuje ekranów operacyjnych, tylko tworzy warstwę dialogu. Planista zamiast klikać w kilkanaście filtrów, zadaje pytanie w języku naturalnym, a system sam łączy dane z różnych źródeł i wyświetla wynik w czytelnej formie.

Przykładowe zastosowania asystentów decyzyjnych:

• zadawanie pytań analitycznych („którzy klienci generują najwięcej kosztów dodatkowych za czekanie?”),
• generowanie podsumowań zmian („wymień wszystkie transporty, które dziś zmieniły status na opóźnione i podaj główną przyczynę”),
• wyjaśnianie działania modeli („co najbardziej wpływa na prognozę popytu tego SKU w tym tygodniu?”),
• tworzenie scenariuszy („co się stanie z poziomem OTIF, jeśli przesuniemy te dostawy na innego przewoźnika?”).

W porównaniu z klasycznymi dashboardami BI, asystent AI lepiej sprawdza się przy ad-hocowych pytaniach i analizach przekrojowych, które normalnie wymagałyby udziału analityka danych. Z kolei do systematycznego monitorowania KPI nadal wygodniejsze są stałe raporty i kokpity – asystent nie zastąpi dobrze zaprojektowanej tablicy wyników, ale może przyspieszyć zrozumienie, co się za tymi liczbami kryje.

Prognozowanie popytu i planowanie sprzedaży: porównanie podejść z i bez AI

Klasyczne podejście: arkusze, reguły i średnie kroczące

W wielu firmach prognozowanie popytu nadal opiera się na trzech filarach: arkuszach kalkulacyjnych, prostych modelach statystycznych (np. średnia krocząca, prosta sezonowość) oraz korektach eksperckich działu sprzedaży. Rozwiązanie ma swoje plusy: jest tanie, transparentne i łatwo je modyfikować.

Ograniczenia ujawniają się przy większej skali i zmienności:

W tym miejscu przyda się jeszcze jeden praktyczny punkt odniesienia: Jak wybrać najlepszego kuriera do przesyłek krajowych i międzynarodowych.

• modele statystyczne słabo radzą sobie z produktami o nieregularnej sprzedaży (długie okresy ciszy przeplatane „strzałami”),
• ręczne korekty często są subiektywne – handlowcy mają tendencję do zawyżania prognoz, aby „zapewnić dostępność” dla swoich klientów,
• trudno uwzględnić wiele czynników naraz (promocje, zmiany cen, działania konkurencji), co prowadzi do systematycznych błędów w okresach niestandardowych.

W praktyce kończy się to kompromisem: firma utrzymuje wyższy poziom zapasu, niż byłby potrzebny przy bardziej precyzyjnych prognozach, a mimo to doświadcza braków przy produktach promocyjnych i nowościach. Dla części biznesów (stabilne portfolio, mała liczba SKU) takie podejście jest akceptowalne. Przy szerokim asortymencie i dużej zmienności popytu zaczyna jednak boleć.

Prognozowanie z użyciem AI: modele, które uczą się kontekstu

Systemy oparte na uczeniu maszynowym podchodzą do prognozowania inaczej. Zamiast jednego modelu dla całej kategorii, uczą się osobnych relacji między cechami produktu, klienta, kanału i czasu. Nie są przywiązane do jednej formuły – dobierają parametry tak, aby jak najlepiej pasowały do obserwowanych danych.

Najczęściej używane są dwa typy rozwiązań:

• modele szeregów czasowych wzbogacone o zmienne objaśniające – rozszerzają klasyczne podejście o dodatkowe sygnały (promocje, pogoda, święta),
• modele uczenia maszynowego na poziomie obserwacji – traktują każdy dzień / tydzień / SKU jako osobny przykład, ucząc się relacji między cechami (np. atrybuty produktu, kanał sprzedaży) a popytem.

Różnica praktyczna: model AI nie tylko „widzi”, że w grudniu rośnie sprzedaż, ale rozróżnia, które produkty zwiększają wolumen na skutek prezentów, a które dzięki temu, że jest zimno. Na tej podstawie potrafi lepiej przewidzieć, co stanie się, jeśli zima będzie wyjątkowo łagodna lub jeśli kampania marketingowa przesunie się o dwa tygodnie.

Dodatkową zaletą jest skalowalność. Człowiek nie jest w stanie świadomie ustawiać i aktualizować modeli dla tysięcy SKU w kilkunastu krajach. Silnik ML może to zrobić w tle, systematycznie ucząc się na nowych danych i aktualizując parametry bez angażowania zespołu w ręczne strojenie każdej prognozy.

Główne różnice: gdzie AI faktycznie wygrywa

Zestawiając podejście klasyczne z AI, wyraźnie widać kilka obszarów przewagi:

• Złożoność danych: im więcej czynników wpływa na popyt (promocje, pogoda, influencerzy, akcje konkurencji), tym trudniej ogarnąć to ręcznie. AI lepiej radzi sobie z „wysokowymiarowością”.
• Poziom szczegółowości: metody statystyczne zwykle działają na agregatach (produkt × kraj × tydzień). AI jest w stanie prognozować na niższych poziomach (np. produkt × sklep), a następnie konsolidować wynik w górę.
• Utrzymanie modeli: klasyczne prognozy wymagają okresowego „przestrajania” (dobór długości sezonu, parametrów wygładzania). Systemy ML częściej robią to automatycznie, ucząc się na bieżąco.
• Radzenie sobie z nowościami: w przypadku nowych produktów klasyczne modele nie mają historii, więc dają prognozy „z sufitu”. AI może korzystać z podobieństw do innych SKU (atrybuty, segment klienta) i lepiej zgadywać startowy popyt.

Nie oznacza to, że klasyczne podejścia są bezwartościowe. W stabilnych kategoriach, z małą liczbą SKU i brakiem silnych efektów zewnętrznych, proste modele bywają wystarczające i tańsze w utrzymaniu. AI szczególnie dobrze sprawdza się tam, gdzie jest dużo zmiennych, częste kampanie i duża presja na redukcję zapasu przy zachowaniu wysokiego poziomu obsługi.

Rola człowieka: korekty eksperckie w świecie AI

Wdrożenie prognozowania opartego na AI nie eliminuje roli planisty i działu sprzedaży. Zmienia się jedynie charakter ich pracy. Zamiast „wymyślać” liczby od zera, eksperci oceniają propozycje systemu, wprowadzając korekty tam, gdzie model nie ma jeszcze wszystkich informacji.

Przykładowe sytuacje, w których korekta ekspercka nadal jest potrzebna:

• planowane są nietypowe działania promocyjne, których system jeszcze nie zna (nowy format reklamy, wejście do nowego kanału),
• dochodzi do zdarzeń jednorazowych (strajk, nagłe zamknięcie marketów w regionie, awaria kluczowego dostawcy),
• pojawia się informacja o planowanej zmianie regulacji wpływającej na popyt (np. nowe przepisy dotyczące opakowań).

W praktyce dobrze działające rozwiązania łączą dwa elementy: model AI generuje prognozę bazową, a system pozwala na kontrolowane korekty, które są potem analizowane. Jeżeli handlowcy systematycznie podnoszą prognozy dla konkretnej grupy produktów, warto sprawdzić, czy nie ma tam czynników, których model jeszcze nie uwzględnia. Takie sprzężenie zwrotne poprawia algorytmy i zmniejsza liczbę potrzebnych interwencji w kolejnych okresach.

Zarządzanie zapasami z wykorzystaniem AI: mniej braków, mniej zamrożonej gotówki

Od statycznych poziomów bezpieczeństwa do dynamicznych parametrów

Tradycyjne podejście do zapasów opiera się na statycznych parametrach: punkt zamawiania, zapas bezpieczeństwa, maksymalny poziom stanu. Parametry te liczy się zwykle na podstawie średniej sprzedaży i odchylenia standardowego z wybranego okresu. Przy stabilnych warunkach działa to nieźle, ale gdy popyt lub lead time się zmieniają, parametry szybko się dezaktualizują.

AI wnosi dwie kluczowe różnice:

• dynamiczne prognozy popytu – zamiast jednej średniej dla wszystkich dni, system przewiduje zmienność w czasie (sezonowość, promocje),
• predykcja lead time i ryzyka opóźnień – zapas bezpieczeństwa jest wyznaczany nie tylko na podstawie popytu, ale też zmienności czasu dostaw.

Efekt: punkt zamawiania i zapas bezpieczeństwa nie są „ustawione raz na zawsze”, lecz dostosowują się do oczekiwanego popytu i ryzyka zakłóceń. Przykładowo, przed okresem świątecznym system może podnieść zapas bezpieczeństwa tylko dla wybranych SKU narażonych na opóźnienia dostawców, zamiast windować poziom zapasu dla całej kategorii.

Różne strategie zapasów: kiedy proste, kiedy zaawansowane

W praktyce spotyka się trzy główne strategie zarządzania zapasami:

• Reorder point (ROP) – zamówienie pojawia się, gdy stan zapasu spada poniżej określonego progu. Proste, intuicyjne, dobre dla produktów o stałym popycie.
• Okresowe przeglądy (P-system) – co określony czas (np. co tydzień) system decyduje, ile domówić, aby osiągnąć docelowy poziom. Przydatne przy wspólnych zamówieniach z ograniczoną częstotliwością.
• Zaawansowane polityki oparte na poziomie obsługi – parametry (zapas bezpieczeństwa, partie zamówieniowe) są wyznaczane tak, aby osiągnąć zadany poziom serwisu (np. 98% OTIF) przy minimalnym koszcie zapasu.

AI szczególnie dobrze „czuje się” w trzeciej kategorii. Modele prognozują rozkład popytu i lead time, a algorytmy optymalizacyjne dobierają parametry tak, by minimalizować całkowity koszt (koszt braków, utrzymania zapasu, zamówień). Dla części asortymentu (np. tanie, wolno rotujące produkty) nadal opłaca się stosować prosty ROP, bo potencjalne oszczędności z zaawansowanego modelu nie zrekompensują złożoności.

Segmentacja asortymentu: nie każdy SKU zasługuje na AI

Jednym z praktycznych sposobów wprowadzenia AI do zarządzania zapasami jest segmentacja produktów. Nie wszystkie SKU wymagają takiego samego poziomu uwagi i zaawansowania.

Kryteria podziału: od klasycznego ABC/XYZ do segmentacji opartej na danych

Klasyczna segmentacja zapasów opiera się na macierzach typu ABC/XYZ lub ABC/FSN. Dzieli produkty według udziału w obrocie oraz przewidywalności popytu. To nadal przydatne, ale ograniczone: progi są arbitralne, a segmenty nie uwzględniają pełnego kontekstu (marża, koszty logistyczne, wymagania klienta).

Modele AI mogą tworzyć segmenty w sposób bardziej granularny, biorąc pod uwagę jednocześnie kilkanaście czynników. Typowo uwzględnia się m.in.:

• marżę jednostkową i udział w wyniku finansowym kategorii,
• zmienność i przewidywalność popytu (nie tylko odchylenie, ale też korelację z promocjami, pogodą itd.),
• koszt i czas uzupełnienia (lead time, minimalne partie dostawców),
• ryzyko wizerunkowe lub kontraktowe braków (key account, SLA, kary umowne),
• wymagania magazynowe (towary niebezpieczne, wrażliwe temperaturowo, produkty o dużej kubaturze).

Zamiast trzech segmentów (A/B/C), w praktyce wychodzi kilkanaście grup o odmiennych politykach zapasu. Przykład: drogi komponent o długim lead time i niestabilnym popycie trafi do segmentu „wysoki priorytet, wysoka niepewność” – dostanie agresywniejszy zapas bezpieczeństwa i częstszy przegląd. Tani, wolno rotujący produkt ze stabilnym popytem pozostanie w prostym ROP z rzadkimi aktualizacjami parametrów.

Różnica względem klasycznego ABC polega na tym, że segmentacja nie jest operacją jednorazową: modele regularnie ją odświeżają, reagując na zmiany w popycie, marżach i łańcuchu dostaw. Produkt, który przeszedł rebranding i nagle zyskał na popularności, „awansuje” automatycznie do segmentu o wyższym priorytecie, zamiast czekać na roczny przegląd portfela.

Parametry polityk zapasów dostosowane do segmentu

Segmentacja ma sens tylko wtedy, gdy za różnymi grupami stoją realnie różne polityki. W praktyce oznacza to odmienne podejście do:

• docelowego poziomu obsługi (np. 99% dla topowych SKU vs. 95% dla ogona),
• częstotliwości przeglądu i aktualizacji parametrów,
• akceptowalnego ryzyka braków i nadwyżek,
• sposobu zatwierdzania zamówień (automaty vs. ręczna akceptacja).

AI pomaga dobrać te parametry na podstawie faktycznych danych o kosztach i zachowaniu popytu, a nie jedynie polityki „z góry”. Firma może świadomie zdecydować, że przy określonej strukturze kosztów bardziej opłaca się zaakceptować kilka braków w roku dla części asortymentu, niż zwiększać poziom zamrożonego kapitału o kilkanaście procent.

Różnica względem „excela” polega na skali: zamiast próbować ręcznie zdefiniować politykę dla setek SKU, planista pracuje z kilkunastoma segmentami. Silnik AI przypisuje produkty do segmentów, proponuje parametry i monitoruje, czy rzeczywiste zachowanie (poziom obsługi, rotacja, wiek zapasu) jest zgodne z założeniami. Odejście od celu w wybranym segmencie triggeruje rekomendacje korekt, zamiast czekać, aż problem wypłynie w postaci przeterminowanego zapasu.

AI w sterowaniu zapasem bezpieczeństwa: równowaga między ryzykiem a kosztem

Zapas bezpieczeństwa to obszar, w którym różnice między prostym a zaawansowanym podejściem są szczególnie widoczne. Klasyczne formuły opierają się zwykle na założeniu określonego rozkładu popytu i lead time (najczęściej normalnego), co w rzeczywistości często jest fałszywym uproszczeniem.

Modele AI potrafią wykorzystać bardziej realistyczne rozkłady i lepiej uchwycić „grube ogony” – rzadkie, ale bolesne skoki popytu albo nagłe opóźnienia. W efekcie zapas bezpieczeństwa:

• rośnie tam, gdzie ryzyko ekstremalnych zdarzeń jest wysokie i kosztowne (np. części krytyczne dla utrzymania ruchu),
• maleje tam, gdzie popyt jest stabilny, a łańcuch dostaw przewidywalny.

Praktycznie oznacza to bardziej precyzyjne zarządzanie marginesami bezpieczeństwa, zamiast uniwersalnego „dodajmy 20%”. W firmie dystrybucyjnej, która przeszła na takie podejście, zapas bezpieczeństwa spadł dla większości SKU, a jednocześnie wzrósł w wąskiej grupie produktów strategicznych. Łączny stan magazynu się obniżył, ale liczba braków w krytycznych kategoriach zmniejszyła się, bo margines został przeniesiony tam, gdzie faktycznie był potrzebny.

Integracja AI z MRP/DRP: od prognozy do zamówienia

Optymalizacja zapasów nie kończy się na prognozie. Różnica między firmami, które „mają AI”, a tymi, które faktycznie z niego korzystają, często leży w integracji z istniejącymi procesami MRP (Material Requirements Planning) i DRP (Distribution Requirements Planning).

W wariancie minimalistycznym system AI generuje jedynie prognozy popytu, a dalej proces biegnie jak dawniej: MRP w ERP przelicza zapotrzebowanie, a planista ręcznie koryguje propozycje zamówień. W wariancie zaawansowanym algorytmy wchodzą głębiej:

• przewidują zapotrzebowanie na surowce i komponenty z wyprzedzeniem, uwzględniając popyt na poziomie gotowych wyrobów,
• symulują różne warianty planu produkcji i dystrybucji, oceniając wpływ na zapas i obciążenie zasobów,
• podpowiadają zmiany w terminach i wielkościach zamówień tak, aby uniknąć pików obciążenia i wąskich gardeł.

Różnica z perspektywy planisty jest wyraźna: zamiast „wpychać” prognozy do istniejącego planu i ręcznie szukać kompromisów, ma do dyspozycji kilka scenariuszy wygenerowanych przez AI. System potrafi pokazać: wariant z mniejszym zapasem, ale większą liczbą zmian przezbrojeń linii oraz wariant z większym zapasem, ale stabilniejszą produkcją. Decyzja nadal jest po stronie człowieka, ale podparta liczbową oceną skutków.

Optymalizacja transportu i tras: algorytmy, które realnie działają w terenie

Klasyczne podejście: stałe trasy i „ręczne” układanie planu

W wielu firmach planowanie transportu nadal opiera się na stałych trasach, prostych regułach i doświadczeniu dyspozytorów. Schemat bywa podobny:

• istnieje zestaw „historycznie ułożonych” tras liniowych lub milk-run,
• plan dnia powstaje jako modyfikacja wczorajszego układu, z ręcznym dokładaniem nowych zleceń,
• priorytet ma dotrzymanie okien czasowych i obciążenie floty, koszty są analizowane dopiero po fakcie.

Przy stabilnych wolumenach i niewielkiej liczbie punktów taki model jest do obrony. Problem pojawia się przy rosnącej liczbie dostaw, zmiennych oknach czasowych i presji na redukcję kosztów kilometra. Planistom brakuje czasu, by przeliczyć wszystkie warianty, więc korzystają z prostych heurystyk: „tego klienta zawsze łączymy z tamtym”, „ten region zawsze obsługuje ta ciężarówka”. W efekcie trasy są poprawne logistycznie, ale rzadko optymalne kosztowo.

Routing z AI vs. klasyczne TMS: co się zmienia

Klasyczne systemy TMS oferują podstawowe funkcje optymalizacji tras – zwykle w oparciu o proste algorytmy heurystyczne. AI dokłada do tego kilka elementów:

Na koniec warto zerknąć również na: VPN w firmach transportowych i logistycznych – case study — to dobre domknięcie tematu.

• lepsze szacowanie czasów przejazdu z wykorzystaniem danych historycznych i informacji o ruchu,
• prognozowanie opóźnień (korki, utrudnienia na stałych odcinkach, typowe godzinowe zatory),
• dynamiczne przewartościowanie priorytetów zleceń (np. wyżej karane opóźnienia, wrażliwy towar, klient strategiczny),
• uczenie się z decyzji dyspozytorów – system zapamiętuje, które trasy są systematycznie modyfikowane, i aktualizuje własne reguły.

Różnica w codziennej pracy jest subtelna, ale kluczowa. Zamiast statycznej optymalizacji „na sucho”, plan jest korygowany w czasie zbliżonym do rzeczywistego: AI podpowiada, że za godzinę korek w danym węźle osiągnie taki poziom, że lepiej wysłać pojazd inną drogą, nawet kosztem większej liczby kilometrów, bo zyskamy na pewności dotrzymania okien czasowych.

Algorytmy w tle: heurystyki vs. metaheurystyki i RL

Problem wyznaczania tras (VRP – Vehicle Routing Problem) jest klasycznym zagadnieniem kombinatorycznym. Dokładne rozwiązanie dla większej liczby punktów jest praktycznie nieosiągalne w rozsądnym czasie, dlatego zarówno tradycyjne TMS, jak i systemy AI korzystają z przybliżeń.

Różnica tkwi w użytych metodach i sposobie ich „karmienia” danymi:

• Heurystyki konstrukcyjne (np. najbliższego sąsiada, savings) – szybkie, ale ograniczone. Dają rozwiązanie przyzwoite, lecz często dalekie od optimum. W klasycznych TMS są wciąż podstawą.
• Metaheurystyki (tabu search, algorytmy genetyczne, simulated annealing) – efektywniej przeszukują przestrzeń możliwych tras. AI może je wzmacniać, podając lepsze „startowe” rozwiązania oraz ucząc parametry na podstawie historii.
• Uczenie ze wzmocnieniem (RL) – w bardziej zaawansowanych wdrożeniach agent RL „uczy się” strategii budowania tras, optymalizując wielokryterialną funkcję celu (koszt, czas, punktualność, poziom obsługi).

Z perspektywy użytkownika nie trzeba znać tych technikaliów. Widać natomiast efekty: przy podobnej flocie i strukturze zleceń liczba kilometrów spada, lepiej wykorzystane są ładowności, a odchylenia od okien czasowych maleją. Kluczowa różnica wobec prostych heurystyk polega na tym, że system potrafi radzić sobie z bardziej złożonymi ograniczeniami – wagą, kubaturą, kolejnością załadunku, wymaganiami dotyczącymi temperatury, restrykcjami miejskimi.

Dynamiczne trasowanie: kiedy algorytm zmienia plan w trakcie dnia

Stały plan trasowy wymaga przewidywalności. W realnych warunkach pojawiają się jednak zlecenia ad hoc, zwroty, nieobecności kierowców, awarie pojazdów. Klasyczne podejście radzi sobie z tym ręcznie: dyspozytor „w locie” przekłada dostawy, dzwoni do kierowców, próbuje zszyć nową wersję planu.

AI umożliwia podejście dynamiczne:

• system na bieżąco monitoruje realizację tras (telemetria, GPS),
• przebudowuje plan w reakcji na opóźnienia lub nowe zlecenia,
• proponuje dyspozytorowi kilka wariantów zmian z oceną skutków (kosztów, opóźnień, czasu pracy kierowcy),
• uwzględnia ograniczenia prawne (czas jazdy i odpoczynku) oraz wewnętrzne SLA.

Różnica w porównaniu z klasycznym TMS polega na stopniu automatyzacji i poziomie szczegółowości predykcji. System nie tylko „wie”, gdzie jest pojazd, ale przewiduje, gdzie będzie za godzinę, i jak wpłynie to na kolejne przystanki. Dyspozytor zamiast reagować dopiero, gdy klient zadzwoni z pretensjami, widzi zagrożone dostawy z wyprzedzeniem i może przestawić priorytety.

AI a wybór floty: własna, kontraktowa czy spot

Optymalizacja tras to jedno, a decyzja, którym typem floty obsłużyć dany wolumen – drugie. Klasycznie decyzje o tym, ile pracy dać własnym pojazdom, a ile oddelegować do przewoźników zewnętrznych, zapadają na wysokim poziomie (np. roczne umowy, cele kosztowe na poziomie działu). To podejście jest proste, ale mało elastyczne wobec bieżących wahań popytu.

Modele AI mogą wspierać decyzje na poziomie operacyjnym, analizując m.in.:

• koszt marginalny wykorzystania własnego pojazdu (uwzględniający puste przebiegi, amortyzację, czas pracy kierowcy),
• aktualne stawki przewoźników kontraktowych i spotowych,
• ryzyko braku dostępności pojazdów zewnętrznych przy nagłych pikach,
• krytyczność zleceń (np. dostawy do kluczowych klientów obsługiwane preferencyjnie własną flotą).

Różnica w stosunku do prostego „zapełnij najpierw własne samochody” jest taka, że decyzja opiera się na liczbach, a nie ogólnych założeniach. AI może wskazać, że w danym dniu bardziej opłaca się część trasy obsłużyć przewoźnikiem spotowym, bo pozwoli to uniknąć kosztownych przejazdów pustych lub nadgodzin kierowców własnej floty. W innym okresie, przy niższym obłożeniu, wnioski będą odwrotne.

Prognozowanie przepływów transportowych: planowanie z wyprzedzeniem

Optymalizacja dzienna to jedno, ale logistyka korzysta szczególnie wtedy, gdy ma wgląd w przyszłe obciążenie transportu. AI na bazie prognoz popytu i planów sprzedaży potrafi przewidywać:

• wolumeny przesyłek między magazynami (transfery, cross-dock),
• obciążenie poszczególnych regionów dostaw,
• liczbę wymaganych pojazdów określonego typu w poszczególnych dniach tygodnia.

Kluczowe Wnioski

• Logistyka potrzebuje AI bardziej niż wiele innych obszarów biznesu, bo łączy wysoką zmienność (popyt, czasy dostaw, korki, braki kierowców) z niskimi marżami i presją czasu – każdy błąd to bezpośredni „uciekający” zysk.
• Tradycyjne narzędzia (Excel, klasyczne ERP, WMS/TMS oparte na sztywnych regułach) działają w prostych, stabilnych sieciach, ale nie nadążają za rosnącą liczbą lokalizacji, kanałów sprzedaży, SKU, promocji i zwrotów.
• AI zmienia perspektywę z reaktywnego raportowania „co się stało” na predykcję i rekomendacje „co się wydarzy” i „co zrobić”, wykorzystując dane, które wcześniej były praktycznie martwe (np. pogodę, kalendarz, wzorce opóźnień).
• Trzy główne źródła strat w łańcuchu dostaw to: błędne prognozy popytu, nieoptymalne planowanie (zapasy, alokacja zamówień, trasy) oraz wolna lub chaotyczna reakcja na zakłócenia – w każdym z tych obszarów AI pełni inną, uzupełniającą rolę.
• Modele uczenia maszynowego przewyższają ręczne prognozy i prostą analitykę, bo jednocześnie biorą pod uwagę dziesiątki czynników (typ klienta, kanał, promocje, sezonowość, lokalizację), wykrywając zależności niewidoczne dla ludzkiej intuicji.
• AI skaluje się tam, gdzie człowiek się „zacina”: algorytm z taką samą łatwością analizuje 50 i 50 000 SKU czy 10 i 500 tras, podczas gdy nawet doświadczony planista dobrze ogarnia tylko ograniczoną liczbę przypadków naraz.