Predikce zásob pomocí AI: #1

Predikce zásob pomocí AI

1. Zadání & úvod do projektu

„Správné plánování zásob je problém, který řeší nejen velké firmy, ale i menší a střední podniky napříč obory. A právě jim dnes AI otevírá úplně nové možnosti.“

Po třech letech intenzivního studia AI jsem se rozhodl pustit do vlastního projektu: aplikace Deep Learningu pro predikci skladových zásob.

Proč právě toto téma? Oslovil mě známý s otázkou, zda by umělá inteligence mohla vyřešit problém s plánováním skladových zásob ve velkoobchodu.
Ukázalo se, že správa zásob je nikdy nekončící úkol – je těžké najít rovnováhu mezi přezásobením a rizikem, že zboží dojde v ten nejméně vhodný okamžik. Navíc vstupuje do hry řada proměnných, které se v čase mění.

Jak číst tuto sérii

Cílem této série je přiblížit svět predikce skladových zásob lidem z businessu – tedy těm, kteří skutečně řeší každodenní provoz a plánování zásob, a zároveň chtějí vědět, jak jim může AI a moderní data pomoci v praxi. Nebudu se zde pouštět do technických detailů, budu se soustředit na konkrétní situace a problémy, které tato problematika obnáší.

Vždy představím reálný problém, ukážu jsem ho řešil, a vše doložím na konkrétním příkladu nebo grafu – aby si každý mohl udělat jasnou představu, co AI v logistice (ne)umí a proč.

Mým cílem je, aby si v sérii našli své jak manažeři, kteří chtějí vědět, jak AI může pomoci v byznysu, tak i analytici, kteří se chtějí dozvědět, jak konkrétní rozhodnutí a zpracování dat ovlivňuje výsledky predikcí v praxi.

Veškerá data vycházejí z reálných projektů, jsou ale anonymizovaná. Série bude vycházet postupně, jak budu mít nové poznatky a zajímavé příklady z praxe.

Popis problému

Nízké desítky tisíc různých SKU
Rozdělení podle sezónnosti, kategorie, druhu i segmentu
Každý měsíc vznikají i zanikají desítky položek
Slevové akce
Skladové zásoby se predikují ručně, v kompetenci nákupčích

Definice cíle

Najít mechanismus, který bude:

Sledovat aktuální skladové zásoby
Predikovat budoucí prodeje
Zohledňovat další parametry: dodací lhůty (lead time), spolehlivost dodávek, promo akce, apod.
Doporučovat kolik zboží objednat a nastavovat min/max zásoby automatizovaně

Prodejní obraty pro různé produkty (SKU): Každá linie představuje vývoj prodejů konkrétního produktu v období 24 měsíců. Je dobře vidět, že jednotlivé položky se liší jak objemem prodejů, tak sezonními výkyvy a obdobími bez prodeje. Tyto rozdíly v chování produktů ilustrují, proč je predikce skladových zásob tak náročná – a proč vyžaduje mnohem sofistikovanější přístup než jednoduchý průměr či extrapolace minulých výsledků.

Zadání projektu

Abychom tento cíl mohli naplnit, bylo nutné jasně stanovit, jaké konkrétní požadavky, omezení a rizika bude projekt zahrnovat.

Automaticky nastaví každý měsíc doporučené min/max zásoby pro každou položku
Bude zohledňovat parametry:
- Produktové rozdělení
- Akční prodeje
- Sezónnost
- Historie prodejů
- Podobnosti mezi zbožím
- Nové položky
Finančně dostupné řešení
Možnost si model otestovat model na vlastních datech

Rizika projektu

Od začátku bylo jasné, že model bude čelit celé řadě výzev:

Jednorázové extrémy v prodejích
(např. nečekané hromadné objednávky)

Proměnlivost sortimentu
(každý rok zanikají i vznikají desítky položek, sortiment se vyvíjí

Různá délka historie položek
(novinky a zboží s dlouhou historií)

Nulové obraty
(dlouhá období bez prodejů, nárazové obnovení poptávky)

- Velké rozdíly v objemech prodejů
  (od kusových položek po tisícové objemy)

Závislost mezi produkty
(prodej jednoho produktu ovlivňuje poptávku po jiném

Vliv sezónnosti a plánovaných akcí

Cílem projektu tedy nebylo pouze vytvořit model, který dokáže předpovědět běžnou poptávku, ale především takový, který si poradí i s těmito specifickými a často velmi obtížně předvídatelnými situacemi.

Tabulka historie zboží
ukazuje, jak různorodá byla délka dostupné historie u jednotlivých produktů. Zatímco většina produktů měla kompletní tříletou historii, významná část sortimentu měla jen omezená nebo žádná historická data – což představovalo zásadní problém pro tradiční predikční modely.

Délka historie produktu	Počet položek	Podíl na sortimentu
36 měsíců (plná historie)	10 105	70.00%
12–35 měsíců	2 668	18.00%
méně než 12 měsíců	1 211	8.00%
bez historie	519	4.00%

Řešení – ve zkratce

Mnoho firem si myslí, že stačí nakrmit AI daty a výsledek přijde sám. Jak ukázal tento projekt, realita je daleko složitější. První testy ukázaly, že ani moderní deep learning modely (bez úprav) nestačí – narážely na velkou variabilitu sortimentu, množství nulových prodejů a časté změny v sortimentu.
Projekt se proto postupně rozšiřoval – bylo třeba:

Vylepšit přípravu dat (feature engineering)
Naučit modely pracovat s extrémy
Řešit různé délky historie
Dynamicky škálovat vstupy

Dnes model zvládá většinu komplikací automaticky a bez nutnosti ručních zásahů.

Výsledek

Metrika	Hodnota	Význam pro byznys
Přesnost predikce	80%	Jak dobře model odhadl budoucí prodeje
Prům. odchylka	48	Průměrná rozdílnost mezi predikcí a realitou
Prům velikost chyby	31	Průměrná „velikost chyby“ v počtech prodaných kusů

Hlavní přednosti řešení

Predikce s přesností přes 80 % napříč sortimentem
Model vychází z individuální historie i skupinového chování podobných produktů
Zvláštní důraz jna akční/promo položky
Predikce i pro nově zavedené položky s minimální historií
Schopnost reagovat na sezónnost i krátkodobé trendy
Automatizované výstupy pro celý sortiment

Možnost škálování a opakovaného využití

Řešení lze přizpůsobit dalším zákazníkům, většina algoritmů a klíčových funkcí je předdefinovaná a znovupoužitelná. Stále je sice potřeba odborná znalost při úvodní konfiguraci a interpretaci výsledků, ale samotné nasazení a validace modelu jsou výrazně rychlejší než při vývoji na míru.

Predikce vs. realita – vizuální výsledky:

Je dobře vidět, že model dokáže zachytit hlavní trendy i sezónní výkyvy v prodejích – a to i u položek s proměnlivou historií nebo nepravidelnými extrémy. Zároveň se ukazuje, že i při pokročilé predikci zůstává v datech určitá míra nejistoty, například při neobvyklých špičkách nebo poklesech.

Jak predikci ovlivňuje délka historie, ostatní položky v sortimentu, sezónnost nebo promo akce, se budu podrobněji věnovat v dalších dílech této série.

Technologické zázemí projektu

Celý projekt jsem postavil na frameworku PyTorch, který patří mezi nejpoužívanější open-source platformy pro deep learning. Trénování probíhalo na GPU kartě NVIDIA RTX 3090 s 24 GB paměti, což umožnilo efektivně zpracovávat i velmi rozsáhlá data a testovat různé scénáře, včetně modelů se stovkami milionů parametrů, a to bez výrazných časových prodlev.

Infrastruktura běžela na Kubernetes, díky čemuž je řešení snadno škálovatelné i přenosné – lze jej spustit jak u zákazníka „on-premise“, tak v cloudu, podle aktuálních potřeb a požadavků.