25.11.2024
Automatyzacja łańcucha dostaw – predykcyjne planowanie popytu, RPA i IoT w średnim przedsiębiorstwie FMCG
Automatyzacja łańcucha dostaw – predykcyjne planowanie popytu, RPA i IoT w średnim przedsiębiorstwie FMCG
Case study (anonimowe): średniej wielkości producent dóbr szybkozbywalnych (FMCG), zatrudniający około 1 200 osób, z 5 centrami dystrybucyjnymi w Europie Środkowej. Firma borykała się z problemem rosnącej zmienności popytu, sezonowości sprzedaży oraz presji kosztowej wynikającej z nadmiernych zapasów i nieefektywnego planowania produkcji i transportu. Projekt miał na celu przekształcenie klasycznego łańcucha dostaw w zintegrowaną, cyfrową platformę decyzyjną.
Główne wyzwania operacyjne
- Błąd prognoz popytu generowanych ręcznie (Excel): średnia MAPE = 27%, z dużymi skokami sezonowymi.
- Out-of-stock w okresach szczytowych skutkowały utratą 4,8% rocznych przychodów netto – głównie przez niewystarczające prognozy i opóźnione reakcje.
- Planowanie produkcji i transportu manualne – łącznie 56 godzin pracy planistów tygodniowo.
- Słabe wykorzystanie floty – wskaźnik wypełnienia ciężarówek: 64%, co prowadziło do zwiększonego kosztu jednostkowego dostawy.
Cel transformacji
Stworzenie zintegrowanego ekosystemu Digital Supply Chain łączącego:
- Uczenie maszynowe (ML) do prognozowania popytu i sezonowości.
- RPA do automatycznego planowania produkcji, MRP i logistyki.
- IoT do monitorowania stanów magazynowych i zasobów w czasie rzeczywistym.
- Silniki optymalizacji do harmonogramowania produkcji i transportu przy ograniczeniach linii, okien czasowych, dostępności surowców.
Architektura rozwiązania – warstwowy model
- Dane sprzedażowe z kas sieci detalicznych (EDI).
- Telemetria z czujników poziomu, wag przemysłowych, RFID (MQTT, LoRaWAN).
- Historia zamówień z kanałów B2B/B2C i dane lead time od dostawców.
2. Warstwa decyzyjna (AI/ML + optymalizacja)
- Model hybrydowy: Prophet + CNN – do prognoz 1–8 tygodni, z dynamicznym ważeniem błędów w zależności od kosztu niedoboru/nadwyżki.
- Optymalizacja produkcji: CP-SAT solver Google OR-Tools – uwzględnia moce linii, przezbrojenia, priorytety SKU.
- Algorytm reinforcement learning: ustala reorder point w magazynach w zależności od zmienności i niezawodności dostaw.
3. Warstwa wykonawcza (RPA + IoT)
- Roboty RPA: integracja z SAP ECC (moduły MRP, PP, TMS).
- Webhooki IoT: automatyczne zlecenia logistyczne na podstawie poziomu napełnienia zbiorników lub buforów palet.
- Dashboard Power BI: real-time KPI, alerty OTIF, statusy zapasów i obciążenia linii.
Etapy wdrożenia
Faza 0 – Proof of Concept (6 tygodni)
Na danych z 24 miesięcy przetestowano trzy modele: ARIMA, Prophet, CNN+Prophet. Najlepszy wynik: MAPE = 14,3% (hybryda), poprawa o 47%. Zastosowano niestandardową funkcję straty karzącą niedoszacowania bardziej niż przeszacowania.
Faza 1 – Infrastruktura danych
System ELT oparto o Snowflake z harmonogramem ingestów EDI, API partnerów 3PL i eksportem z SAP. Dane IoT (MQTT) trafiły do TimescaleDB – agregowane w 5-minutowych bucketach.
Faza 2 – Automatyzacja (RPA)
- Robot MRP – uruchamia transakcje MD01/MD04, eksportuje zapotrzebowania.
- Robot PP – tworzy zlecenia produkcyjne z uwzględnieniem dostępności gniazd i bieżącego OEE.
- Robot TMS – rezerwuje transport, wysyła ASN i tworzy shipment w SAP.
Faza 3 – Uczenie adaptacyjne (RL)
Algorytm reinforcement learning zarządza buforami zapasów. Co 12 godzin aktualizuje poziomy bezpieczeństwa na podstawie aktualnej zmienności lead time, popytu, awaryjności linii i wskaźników serwisowych od dostawców.
Efekty po 9 miesiącach
- MAPE spadł do 11,2% – poprawa trafności prognoz o 59% względem stanu początkowego.
- Redukcja nadwyżek: -22% (3 700 palet mniej), kapitał obrotowy uwolniony: 2,1 mln zł.
- Czas planowania: z 56 h → 6 h tygodniowo (roboty przejęły 89% czynności).
- Wypełnienie aut: wzrost do 82%, koszt frachtu spadł o 9,4%.
- Wskaźnik OTIF ≥ 95% przez 5 miesięcy z rzędu – pierwszy raz w historii firmy.
Finanse – ROI
Koszt projektu (licencje, development, integracje, szkolenia): 1,9 mln zł. Prognozowana roczna oszczędność: 3,4 mln zł. Zwrot inwestycji w 6,7 miesiąca. ROI po 12 miesiącach: 178%.
Najważniejsze wnioski z wdrożenia
- Data literacy: model nawet z 95% AUC nie zostanie przyjęty bez zrozumienia – edukacja planistów była koniecznością.
- Jakość danych > ilość danych: usunięcie 30% zmiennych zwiększyło stabilność modelu.
- Iteracyjność: KPI były weryfikowane co sprint (2 tygodnie) – pozwoliło to korygować kurs i utrzymać zaangażowanie operacyjne.
- Synchronizacja IoT z ERP: wszystkie źródła danych muszą być skalibrowane czasowo – nawet 5-minutowe opóźnienie czujnika zaburzało harmonogram SAP.
Podsumowanie
Połączenie predykcyjnego ML, automatyzacji przez RPA i informacji w czasie rzeczywistym z IoT zrewolucjonizowało planowanie i operacje w łańcuchu dostaw tej firmy FMCG. Przedsiębiorstwa z flotą powyżej 50 pojazdów i zapasem przekraczającym 5 000 palet mogą uzyskać zwrot z inwestycji już po pół roku. Porozmawiaj z naszym zespołem, aby umówić Assessment Day i rozpocząć roadmapę automatyzacji SCM.
Autor: JCD
Stale łączymy metody kreatywne z systematycznym, badawczym podejściem, przekonani, że jedynie przez dogłębną analizę i zrozumienie specyfiki wyzwań, jesteśmy w stanie w pełni współpracować z naszymi klientami w celu kreowania innowacyjnych rozwiązań. Te rozwiązania nie tylko ulepszają doświadczenie użytkowników, ale również zapewniają naszym klientom strategiczną przewagę na rynku. Nasze procesy projektowe są zatem oparte na aktywnym słuchaniu, szczegółowej analizie i ciągłym dialogu z klientami. W ten sposób nieustannie pracujemy na rzecz tworzenia nie tylko technologii, ale także wartości, które wyznaczają nowe standardy w cyfrowym krajobrazie biznesu.