AI v logistice a řízení skladu: Predikce zásob

Český distributor a výrobce drží v průměru 18 % zásob, které za posledních 6 měsíců neprodal. To je ekvivalent 9–14 % obratu zamrazený v skladu. Současně 6–11 % objednávek není možné vyřídit kvůli stockoutu — ztráta na obratu, ztráta na důvěře zákazníka. Příčina obou problémů je stejná: plánování zásob na základě intuice, ne dat. AI to mění.

Tento článek vysvětluje, jak AI predikce zásob funguje v české B2B realitě, kolik to stojí, jaký je ROI a jak integrovat s existujícími ERP systémy (SAP, Helios, Pohoda, Money S5, Abra). Bez sci-fi a bez slibů 100% přesnosti.

1. Stav řízení zásob v české firmě

Typická česká středně velká firma (distribuce, výroba, e-commerce):

• Roční obrat: 80–500 mil. Kč
• Hodnota průměrných zásob: 12–80 mil. Kč
• Inventory turnover: 4–8× ročně
• Slow-moving stock: 12–22 % zásob neprodáno za 6 měsíců
• Dead stock: 3–8 % zásob neprodáno za 12+ měsíců
• Stockout rate: 5–11 %

Plánování typicky dělá nákupčí v Excelu na základě historie + intuice. Při 2 000 SKU je to nemožné dělat dobře.

2. Co AI predikce zásob umí

Schopnost 1: Multi-faktor demand forecasting

Klasický forecast = průměr posledních 12 měsíců + sezónní faktor. AI bere v potaz:

• Historie prodejů (3–5 let)
• Sezónnost (denní, týdenní, měsíční, roční vzorce)
• Externí faktory (počasí, svátky, konkurenční akce)
• Marketingové aktivity (plánované kampaně)
• Makroekonomické indikátory (inflace, kurz koruny, sentiment)
• Kohorty zákazníků (kdo nakupuje co)

Schopnost 2: SKU-level granularita

Predikce ne na úrovni „elektronika“, ale na úrovni konkrétního produktu. Pro 2 000 SKU paralelně.

Schopnost 3: Probabilistic forecasting

Místo „příští měsíc se prodá 142 ks“ AI dává distribuci: "50% pravděpodobnost 130–155 ks, 90% pravděpodobnost 110–180 ks". Což umožňuje rozhodovat s vědomím rizika.

Schopnost 4: Anomaly detection

AI hlásí podezřelé vzorce — náhlý pokles prodeje (možná chyba v skladu?), neobvyklý peak (jednorázová akce vs trend?), nesoulad mezi zboží objednaným a fyzicky doručeným.

Schopnost 5: Optimization

AI nedoporučuje jen "kolik objednat", ale i "kdy", "od kterého dodavatele" (multi-sourcing s ohledem na cenu, lead time, reliability) a "do kterého skladu" (multi-warehouse alocation).

3. Use case: Český distributor IT komponent

Klient: distributor IT (servery, networking, storage), 4 200 aktivních SKU, 280 mil. Kč obrat.

Před AI

• Hodnota zásob: 38 mil. Kč
• Slow-moving (>6 měsíců): 18 % = 6,84 mil. Kč zamraženo
• Dead stock (>12 měsíců): 5 % = 1,9 mil. Kč k odepsání
• Stockout rate: 8,2 %
• Average lead time: 6 týdnů (různí dodavatelé Asie)
• Plánování: 1 senior nákupčí + 2 juniors v Excelu, ~150 hodin týdně

Po AI predikci (12 měsíců provoz)

• Hodnota zásob: 28 mil. Kč (−10 mil. Kč zamrazeno)
• Slow-moving: 9 %
• Dead stock: 1,8 %
• Stockout rate: 2,1 %
• Lead time stejný (externí faktor), ale lepší multi-sourcing
• Plánování: 1 senior nákupčí, 60 hodin týdně, AI dělá zbytek

Finanční dopad

• Uvolněný kapitál ze zásob: 10 mil. Kč → working capital efficiency
• Snížený dead stock: 4,5 mil. Kč úspora ročně (méně odpisů)
• Snížený stockout: +15 mil. Kč obratu/rok (objednávky, které dříve neodbavili) × 18 % marže = +2,7 mil. Kč zisk
• Personální úspora: 2 juniorové uvolněni na strategickou práci (1,8 mil. Kč/rok hodnota)
• Celkový roční dopad: 9 mil. Kč + uvolněný kapitál 10 mil. Kč

Implementace stála 1,2 mil. Kč jednorázově, provoz 65 000 Kč/měs. Návratnost: 2,1 měsíce.

4. Integrace s ERP systémy

SAP S/4HANA

Nativní API, OData, BAPI calls. Implementace technicky čistá, time-to-integrate 4–6 týdnů.

Microsoft Dynamics 365

REST API, dobrá dokumentace. 3–5 týdnů integrace.

Helios Orange/Easy

Český lokální produkt. API existuje, ale často vyžaduje custom adapter. 5–8 týdnů.

Pohoda (Stormware)

Mladší API, omezenější. Často hybrid přístup — AI čte z exportů + zapisuje přes XML import. 6–10 týdnů. Detail v článku jak napojit AI na staré české ERP.

Money S5, Abra Gen, K2

Podobně jako Pohoda — možné, ale náročnější. Doporučujeme přes message bus nebo intermediate database.

Odoo

Open source, nejflexibilnější integrace. 2–4 týdny.

5. Specifické use case napříč odvětvími

E-commerce

Multi-warehouse fulfillment optimization. AI rozhoduje, ze kterého skladu poslat objednávku (cena dopravy + dostupnost + customer location). Úspora 12–20 % nákladů na shipping.

Automotive aftermarket

Fast-moving (oleje, žárovky, brzdové destičky) vs slow-moving (specifické díly pro starší modely). AI predikce specifická pro každý segment. Detail v AutoERP.

Distribuce stavebnin

Sezónnost (jaro–podzim peak), počasí (déšť = drop), regionální specifika (Brno vs Praha). AI multi-store optimization.

Výroba

Bill of Materials (BOM) explosion — AI predikuje finální produkty a algoritmem dopočítává potřebu surovin. Plus prevence stockoutů u kritických komponent.

FMCG

Krátký shelf-life. AI optimalizuje, kolik a kdy dodat, aby minimalizoval expirations. Úspora 20–35 % expirovaného zboží.

6. Sledování cen dodavatelů

AI nesleduje jen poptávku, ale i nabídku. Náš nástroj pro sledování cen monitoruje:

• Ceny u alternativních dodavatelů
• FX změny (importované zboží)
• Surovinové trhy (kovy, plasty, papír)
• Geopolitická rizika (cla, sankce)

AI doporučuje, kdy přesunout objednávku k jinému dodavateli nebo kdy předzásobit před očekávanou změnou ceny.

7. Sledování konkurence

Pro e-commerce a B2B distribuci kritické. AI analýza konkurence sleduje:

• Ceny konkurence (denně)
• Akce a promo
• Skladové dostupnosti (jejich stockout = vaše příležitost)
• Nové produkty

8. Náklady AI predikce zásob

9. Implementační plán

Fáze 1 (měsíc 1–2): Data audit

Kvalita historických dat je 80 % úspěchu. Audit obsahu, čistění, doplnění chybějících atributů.

Fáze 2 (měsíc 3–4): Pilot na 1 kategorii

Vybrat top 100 SKU s nejlepšími daty. Paralelní běh (AI predikce vs current method) 6–8 týdnů.

Fáze 3 (měsíc 5–7): Rozšíření

Pokud pilot úspěšný, expanze na všechny kategorie. Integrace s ERP pro auto-objednávky (s human approval pro velké částky).

Fáze 4 (měsíc 8–12): Optimalizace

Multi-warehouse, multi-sourcing, integrace se sledováním cen a konkurence.

Fáze 5 (měsíc 13+): Pokročilé use case

Automated reorder pro fast-moving, dynamic pricing pro slow-moving, predictive maintenance pro skladové vybavení.

10. Časté chyby

• Garbage data → garbage predictions — AI nezázračně opraví špatná data
• Ignorace externích faktorů — AI musí vědět o plánovaných promo, marketing kampaních
• Bez human approval na large orders — AI dělá chyby, schvalujte velké částky
• Nepřipojené ke skutečnému prodeji — feedback loop kritický
• One-size-fits-all model — fast-moving SKU vs slow-moving potřebují různé modely

11. Jaký ROI očekávat

Závěr: AI predikce zásob je quick win

Z všech AI use case má AI predikce zásob jeden z nejjednodušších business case. Měřitelné KPI, dostupná historická data, jasné finanční benefity. Pro českou středně velkou distribuci/výrobu typická návratnost pod 6 měsíců.

Pokud uvažujete o AI predikci zásob, integraci s ERP nebo komplexním AI agentovi pro logistiku, napište nám. Připravíme audit zdarma s ROI kalkulací v CZK. Pro automotive aftermarket doporučujeme AutoERP se specializovanou predikcí pro autodíly.

Často kladené otázky (FAQ)

Kolik dat potřebuji pro AI predikci zásob?

Minimum 18–24 měsíců historie prodejů na SKU úrovni. Lépe 3+ roky pro zachycení sezónnosti. AI také potřebuje data o externích faktorech (počasí, marketing, akce konkurence). U nových SKU bez historie AI používá similarity match na podobné produkty.

Funguje AI predikce i pro malou firmu s 200 SKU?

Ano, ale finanční benefit je proporcionálně menší. Pro firmy s obratem pod 30 mil. Kč obvykle nedává smysl custom AI — lépe použít SaaS nástroje (Inventoro, Streamline AI) za 8 000 – 25 000 Kč/měs. Custom AI agent začíná dávat smysl od ~80 mil. Kč obratu.

Jak rychle vidím výsledky po nasazení?

Forecast accuracy se zlepšuje ihned (od 1. měsíce). Dopad na hodnotu zásob trvá 3–6 měsíců (musíte vyčerpat overstock přes nižší objednávky). Plný benefit (snížený stockout + uvolněný kapitál) typicky za 6–12 měsíců provozu.