Jak AI w handlu detalicznym pomaga optymalizować zapasy i zapobiegać stratom: nie czas na straty – czas na zysk

Branża retail zmaga się globalnie z dwiema głównymi problemami, które ograniczają rentowność i spowalniają rozwój. Oba wynikają z błędów w zarządzaniu zapasami: nadmierne zapasy (overstock) i braki towarów (out-of-stock).

Według danych IHL Group w 2023 roku niedopasowanie stanów magazynowych do realnego popytu kosztowało detalistów w USA aż 1,77 biliona dolarów – więcej niż łączny PKB sektora detalicznego całej Ameryki Łacińskiej lub Południowej.

562 miliardy dolarów z tej kwoty przypada na nadmierne zapasy, które detaliści próbują sprzedać przynajmniej po cenie zakupu lub nawet taniej. Jednak część z nich trzeba zlikwidować, co oznacza wyrzucić.

Europejscy detaliści mają podobne problemy. Według danych renomowanego wydawnictwa Internet Retailing w 2023 roku brytyjscy sprzedawcy z powodu nadwyżek magazynowych byli zmuszeni sprzedawać prawie połowę swoich produktów (48%) po obniżonych cenach. Tymczasem wpływowe wydawnictwo Customer Think szacuje roczne straty związane z brakiem towaru na około 4% zysków przeciętnego detalisty.

Jak firmy tracą pieniądze z powodu niewłaściwego zarzadzania zapasami

Zarówno nadmiar, jak i braki zapasów mają jedno źródło – nieprawidłowe prognozowanie popytu. Dlaczego? Bo to właśnie prognoza popytu stanowi punkt wyjścia dla całego łańcucha dostaw. Od niej zaczyna się planowanie zakupów, produkcji i logistyki. Nawet niewielki błąd na tym etapie generuje kaskadę dodatkowych kosztów operacyjnych na każdym kolejnym ogniwie.

Zobaczmy, jak to działa.

Zamów prezentację

Nie wyrzucaj pieniędzy – dlaczego overstock jest zagrożeniem dla zyskowności

Gdy firma przeszacuje popyt i zamawia zbyt dużo towaru, przede wszystkim marnuje swoje zasoby. Kapitał, który mógłby zostać zainwestowany w rozwój, zostaje „zamrożony” na półkach magazynu.

Ale to dopiero początek strat. Należy się także liczyć z nieprzewidzianym wzrostem kosztów operacyjnych – szczególnie magazynowych i logistycznych.

Pod koniec 2022 roku Bloomberg opublikowało dane, które robią wrażenie: pomimo wszystkich wysiłków związanych ze sprzedażą nadwyżek towarów, niemal 8% z nich ostatecznie trafia na śmietnik. To oznacza ponad 160 miliardów dolarów strat rocznie w skali świata.

Out-of-stock – niewidoczny wróg Twojego biznesu

Z kolei deficyt towaru to nic innego jak utracona sprzedaż. Ale – podobnie jak w przypadku nadmiaru – to nie jedyny problem. Regularne braki w asortymencie prowadzą do utraty udziału w rynku.

Jednak największym zagrożeniem w erze customer experience jest spadek lojalności klientów.

Z badań Customer Think wynika, że 37% konsumentów, którzy nie znajdują poszukiwanego produktu w swoim ulubionym sklepie, kupuje go gdzie indziej – w drodze do domu lub online. W większości przypadków ten klient już nie wraca.

Jak nauczyć się optymalizować poziom zapasów i przestać tracić pieniądze

Jak zorganizować procesy biznesowe w taki sposób, aby sieci detaliczne mogły szybko reagować na dynamiczne oczekiwania konsumentów w każdym konkretnym sklepie? Jak ustabilizować łańcuchy dostaw, aby uniknąć strat i podejmować uzasadnione decyzje biznesowe dotyczące planowania dostaw?

Odpowiedź — nauczyć się jakościowo prognozować popyt.

W dzisiejszych warunkach jest to możliwe tylko poprzez transformację procesów biznesowych w łańcuchach dostaw w oparciu o innowacyjne technologie.

Warto tu przywołać japoński projekt pilotażowy przeprowadzony w prefekturach Oita i Fukuoka. Celem było zmniejszenie strat żywności i jednoczesne zwiększenie sprzedaży poprzez optymalizację łańcucha dostaw z wykorzystaniem prognozowania popytu opartego na AI.

Efekt? Detaliści biorący udział w projekcie – dzięki precyzyjnej analizie danych i uwzględnieniu ukrytego popytu – zwiększyli sprzedaż objętych programem produktów średnio o 20%.

Dlaczego bez AI nie da się osiągnąć takich wyników? I które funkcjonalności sztucznej inteligencji są kluczowe? Przyjrzyjmy się temu razem.

Wykorzystanie AI do analizy sprzedaży historycznej, sezonowości i trendów

Główna wartość AI w prognozowaniu popytu polega na tym, że nowoczesne algorytmy potrafią błyskawicznie przetwarzać ogromne ilości danych. Uwzględniają przy tym wiele zmiennych, obliczają korelacje, rozpoznają sezonowość oraz identyfikują trendy.

Co najważniejsze – robią to z minimalnym ryzykiem błędu, które przy analizie ręcznej jest praktycznie nieuniknione. A to oznacza – mniejsze straty i większe zyski.

Jak sztuczna inteligencja w handlu detalicznym pomaga firmom ograniczyć straty magazynowe

Główną przyczyną strat w retailu są niesprzedane w odpowiednim czasie towary – czyli overstock wynikający ze słabego prognozowania popytu. To właśnie technologie oparte na AI są dziś najskuteczniejsze w wynoszeniu prognozowania na nowy poziom.

Co więcej, rozwiązania do prognozowania popytu oparte na AI świetnie sprawdzają się zarówno w przypadku towarów o długim, jak i krótkim terminie ważności – w tym drugim przypadku po prostu wymagają częstszej aktualizacji prognoz.

Przykładem takiego systemu prognozowania popytu opartego na AI jest SMART Demand Forecast. Rozwiązanie to jest skuteczne w tworzeniu prognoz dla różnych poziomów agregacji i okresów.

Co istotne, jeśli klient ma specyficzne potrzeby, które należy uwzględnić w prognozach, SMART Demand Forecast umożliwia także ręczne korygowanie prognoz. Dzięki temu możliwe jest szybkie reagowanie na zmiany w warunkach dynamicznego i szybko zmieniającego się rynku.

Zamów prezentację

Jak rozwiązanie SMART Demand Forecast pomogło zespołowi McDonald’s Georgia zwiększyć dokładność prognozowania popytu

Przykładem udanego wdrożenia jest projekt dla sieci 23 restauracji McDonald’s w Gruzji, które codziennie odwiedzane są przez 35 tys. klientów.

Przed współpracą ze SMART business firma prognozowała popyt dla całej sieci w skali miesięcznej. Taki poziom dokładności skutkował dodatkowymi kosztami logistycznymi związanymi z koniecznością przerzucania składników między lokalizacjami.

Celem projektu było wyeliminowanie tego problemu i minimalizacja kosztów operacyjnych.

Dzięki wysokim kompetencjom zespołu wdrożeniowego udało się określić optymalny zestaw czynników wpływających na precyzję prognoz i uruchomić prognozowanie tygodniowe na poziomie pojedynczych lokali.

W rezultacie udało się osiągnąć wyniki, które przekroczyły oczekiwania:

• 83% – poziom dokładności prognozowania sprzedaży dla każdego lokalu na podstawie tygodniowej agregacji danych za okres 4 tygodni.
• 80% – poziom dokładności prognozowania sprzedaży dla każdego lokalu na podstawie tygodniowej agregacji danych za okres 12 tygodni.
• Średnie odchylenie nieprzekraczające 5% – uznawane za normę w globalnym środowisku biznesowym.

Jak sprawić, by dane pracowały na korzyść Twojej firmy

Jeśli więc Twoja firma nie tylko generuje dane, ale także aktywnie je agreguje dzięki możliwościom własnego ekosystemu IT, nie zwlekaj z kolejnym krokiem — wdrożeniem rozwiązań opartych na sztucznej inteligencji.

To właśnie dzięki AI produkty IT firmy stają się lepszą wersją samych siebie, a dane zaczynają aktywnie przyczyniać się do zwiększenia rentowności. Przede wszystkim dzięki znacznemu wzrostowi szybkości gromadzenia i przetwarzania informacji.

Podejście data-driven w retailu

Podejście data-driven polega na tym, by wykorzystać dane na korzyść firmy. A to, jaką część zadań powierzyć AI, jest zawsze indywidualną decyzją.

W ostatnim czasie największą popularność zyskały chatboty i wirtualni asystenci oparci na AI, co pozwoliło znacznie wzmocnić obszar obsługi klienta.

W szczególności eksperci Promodo zauważają, że 80% firm detalicznych i eCommerce już korzysta lub planuje wdrożenie chatbotów AI w najbliższej przyszłości. Według ich prognoz do 2030 roku sztuczna inteligencja będzie zarządzać 80 procentami wszystkich interakcji z klientami.

Również w handlu detalicznym asystenci AI mogą być skuteczni w zadaniach operacyjnych — w szczególności podczas księgowania i przyjmowania towarów. Nie wspominając już o ich potencjale w sprzedaży i marketingu.

AI w służbie retailu: za i przeciw

W warunkach niezwykle dynamicznego rynku odniesienie sukcesu w handlu detalicznym oznacza umiejętność uwzględnienia wielu czynników. Wykonanie tego zadania w sposób jakościowy i poprawny bez nowoczesnych rozwiązań i podejść jest już praktycznie niemożliwe. Nie warto więc „trzymać się” ostatnich popularnych szablonów.

Mit pierwszy: dobrzy analitycy i tak zrobią lepszą prognozę

Przykład: większość ukraińskich detalistów nadal nie uwzględnia w prognozowaniu alarmów lotniczych, w czasie których centra handlowe są zamykane. I nie dlatego, że nie chcą – lecz dlatego, że nie wiedzą jak to zrobić.

Powodem jest to, że tradycyjne modele statystyczne są ograniczone tylko do danych historycznych i nie pozwalają uwzględnić przyszłych wydarzeń. Aby więc nie stać się zakładnikiem „nieprzewidywalnych” okoliczności, niezwykle ważne jest przekształcenie własnych procesów biznesowych — w szczególności poprzez wdrożenie systemów prognostycznych opartych na AI.

Natomiast analitykom pozwól skupić się na zadaniach o znaczeniu strategicznym.

Mit drugi: wdrożenie AI w handlu detalicznym może prowadzić do masowych zwolnień pracowników

Od dawna obalony przez odnoszące sukcesy firmy na całym świecie. Obawy, że sztuczna inteligencja odbierze pracę, są powszechną reakcją w okresach wdrażania wszelkich innowacji technologicznych.

W przeszłości księgowi podchodzili ostrożnie do masowego wdrażania systemów ERP. Wśród przyczyn dwóch głośnych porażek, które stały się klasyką historii transformacji cyfrowej — w firmach Nestlé i Hershey — oprócz niezgodności między obowiązującymi procesami biznesowymi a ustandaryzowanymi wymaganiami ERP, wymienia się również opór personelu.

Jednak obecnie trudno znaleźć kogoś, kto wątpi w rolę ERP w optymalizacji procesów biznesowych i zwiększaniu ich efektywności. ERP to podstawa sukcesu biznesowego. Jednocześnie popyt na profesjonalnych księgowych nie zmniejszył się, ale pojawiły się nowe wymagania dotyczące ich umiejętności. Podobna perspektywa dotyczy rozwiązań opartych na sztucznej inteligencji. Nie należy się martwić, że AI odbierze nam pracę: warto skupić się na opanowaniu umiejętności pracy z jej wykorzystaniem.

Mit trzeci: Sztuczna inteligencja w handlu detalicznym jest kosztowna, a jej korzyści trudno zmierzyć

BrandWagon opublikowała wyniki badania zatytułowanego „Intelligent Retail”, przeprowadzonego przez firmę KPMG International. 

Według tych danych 55% firm z branży handlu detalicznego, które stosują podejście data-driven, odnotowuje ROI z wdrożonych technologii transformacji AI na poziomie 10–30%. Co więcej, ankietowani wskazali na wzrost efektywności biznesowej o 33% i osiągnięcie oszczędności do 67% środków w procesach, w których wdrożono AI.

Dlatego dziś AI dla handlu detalicznego jest jak nowoczesny gadżet: można bez niego żyć, ale niezwykle trudno jest osiągnąć sukces w warunkach współczesnego rynku.