Blogi in webinarji

Ko AI prevzame naročila: zgodba o optimizaciji nabave v Carglass

Zmanjšanje časa za pripravo naročil za 87,5 %

Sprostitev več kot pol milijona evrov vezanega kapitala

130 manj urgentnih dobav letno

75 % padec zastarelih zalog

Carglass, Avtosteklo d.o.o. je z 19 poslovalnicami in mobilnimi enotami že vrsto let prisoten po celotni Sloveniji. Kot specializirano podjetje za popravilo, menjavo in kalibracijo avtostekel sodeluje z vsemi zavarovalnicami in strankam zagotavlja celovito storitev – od tehnične izvedbe do administracije zavarovalnih postopkov. Kot član globalne skupine Belron gradi uspeh na strokovnosti zaposlenih, inovacijah in trajnostnem razvoju.

A hitro rastoča mreža poslovalnic in široka paleta izdelkov – od vetrobranskih stekel za najnovejše modele do stranskih stekel za klasične avtomobile – prinašata kompleksne izzive. Predvsem na področju nabave, kjer mora podjetje nenehno balansirati med zadostno razpoložljivostjo izdelkov za stranke in ekonomsko upravičeno ravnjo zalog.

Izziv kompleksne nabave

Centralno skladišče v Carglass je dobro oskrbovano, stranke so zadovoljne, dobave tečejo. A ravno v tej obsežnosti poslovanja se skriva priložnost za optimizacijo – priložnost, ki jo je težko izkoristiti z ročnimi procesi.

"Pri več tisoč različnih artiklih je priprava naročil zahtevala temeljit pregled zgodovine prodaje, oceno prihodnjih potreb in upoštevanje minimalnih količin naročil ter paketov dobave," pojasnjuje Dejan Grabnar, vodja nabave v podjetju. Priprava naročil je vzela 32 ur mesečno. Podatki so bili na voljo v njihovem sistemu, izziv pa je bil v tem, kako iz te množice informacij izluščiti optimalne napovedi.

11 % vseh naročil je prihajalo iz alternativnih virov. Zaloge z več kot 30-dnevnim obratom so obsegale 3.185 različnih artiklov. Natančnost napovedi prodaje je bila okrog 66 %. Vodstvo je prepoznalo, da obstaja prostor za izboljšave, ki bi prinesle merljive koristi.

Od intuicije k sistematičnemu pristopu

Vodstvo je razumelo, da tradicionalni pristop – več izkušenj, daljša analiza – ne bo prinesel preboja. Potrebovali so sistemsko spremembo. Odločili so se za sodelovanje s Skupino stroka.si, ki že več kot 30 let razvija napredne IT rešitve in ima lasten AI center.

"Videli smo priložnost za prehod iz ročnega ocenjevanja na podatkovne napovedi. Hkrati smo potrebovali rešitev, ki jo bodo zaposleni zares uporabljali," pravi direktor Dejan Šeruga.

Projekt OrderGlass se je začel junija 2024 z jasnim ciljem: razviti prediktivni model, ki bo napovedoval povpraševanje po posameznih artiklih in avtomatsko pripravljal optimalna naročila. Cilj ni bil samo natančnejše napovedovanje – sistem je moral delovati v realnih poslovnih pogojih, kjer dobavitelji delajo s paketi, kjer obstajajo minimalne količine naročil in kjer se prodaja spreminja glede na sezono.

Razvoj rešitve: tehnologija in uporabnost

Ekipa podatkovnih znanstvenikov pri Skupina stroka.si je pristopila k projektu iterativno. Mitja Suvajac, vodja projekta, pojasnjuje pristop: "Lahko bi razvili algoritem, ki napoveduje prodajo z visoko natančnostjo. A če ta algoritem ne upošteva realnosti – paketne dobave, minimalnih količin, varnostnih zalog – ni uporaben v praksi."

Razvili so hibridni model, ki kombinira več pristopov strojnega učenja:

• gradientno ojačevanje za osnovno napoved,
• regresijske metode za dolgotrajne trende in
• prilagojene algoritme za sezonske vzorce.

Model se uči iz 14-dnevnih ciklov naročil, kar ustreza dejanskemu ritmu poslovanja.

Tehnologija je bila samo ena plat zgodbe. Druga plat je bil uporabniški vmesnik – pregledna aplikacija, kjer lahko zaposleni vidijo pripravljeno naročilo, preverijo rizične artikle, ročno prilagodijo količine, če je potrebno in z enim klikom izvozijo naročilo v obliki, primerni za pošiljanje dobaviteljem.

"Sistem ne odloča namesto ljudi. Pripravlja predloge, opozarja na tveganja in prihrani ogromno rutinskega dela," pojasnjuje Tin Markon, COO pri Skupini stroka.si.

Postopna uvedba in učenje sistema

Testiranje je potekalo vzporedno s standardnim načinom dela. Prve tri mesece so primerjali napovedi sistema z dejansko prodajo in ročnimi naročili. Rezultati so bili opazni že po nekaj tednih – sistem je dosegel boljšo natančnost kot ročno ocenjevanje.

Ko so prepričani v delovanje prešli na produkcijsko uporabo, se je pokazala še ena prednost: adaptivno učenje. Model se ne uči samo iz splošnih trendov, ampak tudi iz lastnih napak. Če za določen artikel napove prenizko povpraševanje, ta informacija postane del učnih podatkov za naslednji cikel.

Zaposleni so dobili usposabljanje, kjer so se naučili, kako sistem deluje, kako interpretirati opozorila in kdaj je smiselno ročno prilagoditi predlagane količine. "Sistem nam je omogočil, da se lahko osredotočimo na strateške vidike nabave," pravi Grabnar.

Konkretni rezultati po enem letu

Po enem letu delovanja so rezultati jasni in merljivi.

• Čas priprave naročil se je skrčil z 32 na 4 ure mesečno. To ni le prihranek 28 ur – gre za spremembo vloge zaposlenih v nabavi. Namesto ročnega vnosa podatkov se zdaj ukvarjajo z analizo trendov, pogajanji z dobavitelji in strateškim načrtovanjem.
• Natančnost napovedi se je izboljšala za približno 30 % (relativen % izboljšave), z wMAPE 65,98 % na 50,55 %. 
• Zaloge z več kot 30-dnevnim obratom so padle s 3.185 na 664 artiklov – upad za 75 %. Sprostilo se je 507.502,51 € kapitala, ki je bil prej vezan v počasi se obračajoče zaloge.
• Delež naročil iz alternativnih virov je padel na 9 %. Sistem pravočasno opozori, ko se zaloge kritičnega artikla bližajo varnostni meji, kar omogoča načrtovano naročanje pri rednih dobaviteljih namesto urgentnih nakupov.
• "Stock out" dogodki – situacije, ko izdelka ni na zalogi za stranko – so se zmanjšali. Sistem ne optimizira samo stroškov, ampak aktivno nadzoruje tveganja za pomanjkanje zalog.

Priskrbite si optimizacijo nabave >

Prispevek k trajnosti

Zmanjšanje urgentnih dobav ima tudi okoljski odtis. Vsak "stock out" dogodek je pomenil naročilo s prevozom iz Dunaja – 700 kilometrov v obe smeri. Pet takih dogodkov vsakih 14 dni je pomenilo 130 urgentnih dostav letno.

Z boljšim napovedovanjem je število teh dogodkov dramatično padlo. 91.000 kilometrov manj prevoženih poti letno z dostavnimi vozili pomeni približno 18,9 ton manj emisij CO₂. Projekt tako prispeva k trajnostnemu poslovanju kot neposredna posledica boljšega načrtovanja.

Od pilotnega projekta do širše uporabe

Uspeh projekta v Carglass je odprl vrata za širšo uporabo rešitve.

"To ni rešitev samo za avtomobilsko industrijo," pojasnjuje Markon. "Vsako podjetje s kompleksnim nabavnim procesom, široko paleto artiklov in spremenljivim povpraševanjem se lahko sooči s podobnimi izzivi. Farmacija, distribucija, trgovina – potencial je velik."

Modularna zasnova omogoča prilagoditev različnim panogam. Osnova je enaka – prediktivno modeliranje povpraševanja – a parametri se lahko prilagodijo specifičnim zahtevam posamezne dejavnosti.

Ključni dejavniki uspeha

Izkušnja Carglass ponuja nekaj ključnih spoznanj za podjetja, ki razmišljajo o podobnih rešitvah.

1. Tehnologija mora služiti procesu, ne obratno. Najbolje razvit algoritem je neuporaben, če ga zaposleni ne razumejo ali mu ne zaupajo. Zato je vključevanje končnih uporabnikov že v fazi razvoja ključno.

2. Sistem se uči in izboljšuje s časom. Pomembno je, da je dovolj dober za uporabo – natančnejši od ročnega pristopa – in da se nato kontinuirano izboljšuje.

3. Podatki so temelj. Brez kakovostnih zgodovinskih podatkov o prodaji, zalogah in dobavah ne more biti dobre napovedi. Pred uvedbo AI rešitve je pogosto potrebno urediti podatke.

4. Rezultati morajo biti merljivi. Potrebujete konkretne kazalnike – prihranjen čas, zmanjšane zaloge, večja natančnost napovedi – s katerimi lahko ocenite učinek investicije.

Pogled v prihodnost

Projekt se nadaljuje. Naslednji korak je integracija z zunanjimi viri podatkov – sezonskimi trendi, ekonomskimi kazalniki, celo vremenskimi napovedmi, ki lahko vplivajo na pogostost poškodb vetrobranskih stekel.

Razmišljajo tudi o razširitvi na druge segmente poslovanja – napovedi potrebnega časa za storitve, optimizacijo razporeditve zalog med poslovalnicami, napovedovanje potrebnih kapacitet.

"Ko enkrat vzpostaviš infrastrukturo za podatkovno gnano odločanje, se odpre veliko možnosti," pravi Šeruga. "Nabava je bila prvi korak. Zdaj vidimo priložnosti na številnih drugih področjih."

Za podjetja, ki se soočajo s podobnimi izzivi pri upravljanju zalog in nabave, projekt OrderGlass ponuja konkreten primer, kako lahko umetna inteligenca prinese merljive rezultate. Ne gre za futuristično vizijo, ampak za delujočo rešitev, ki vsak dan dokazuje svojo vrednost.

Zaupajte nam svoj izziv >