Nečekaný přínos: Jak se predikce poptávky staly nástrojem pro plánování směn
Vytvořili jsme systém predikce poptávky pro optimalizaci zásob — objednací body, úroveň plnění, pracovní kapitál. Fungoval. Ale nejnadšenějšími uživateli nebyl nákupní tým. Vedoucí skladových operací začali stejná data z predikcí využívat k plánování směn a tento „bonusový“ případ použití přinesl polovinu celkové hodnoty: 1,1 mil. Kč ročně na úsporách mzdových nákladů.
Výchozí situace
Středně velký provozovatel distribučních center v Česku, provozující 3 skladové lokace pro FMCG, čerstvé a trvanlivé zboží. Přibližně 20 000 aktivních SKU, 150+ skladových pracovníků napříč směnami a lokacemi (vychystávači, příjemci, zaskladňovači, vedoucí), vše řízeno přes Odoo.
Nasadili jsme náš standardní systém: rychlost poptávky po jednotlivých SKU a lokacích, distribuce dodacích lhůt, vypočítaná min/max pro objednací body v Odoo. Cílem byla optimalizace zásob. Úroveň plnění se zvýšila, přebytečné zásoby klesly.
Překvapení
Během několika týdnů po spuštění se vedoucí skladových operací stali nejčastějšími uživateli dat z predikcí. Nedívali se na objednací body ani úrovně plnění. Dívali se na agregovaný denní objem poptávky podle lokace — a používali ho k plánování směn.
Problém, který každý týden řešili ručně: kolik vychystávačů, příjemců a zaskladňovačů přidělit na směnu a lokaci. Příliš málo lidí v den s vysokým objemem znamená přesčasy, zpožděné zásilky, porušení SLA. Příliš mnoho lidí v klidný den znamená nečinné pracovníky a zbytečné mzdové náklady.
Dříve se to řešilo odhadem a loňským kalendářem. Velké špičky — Black Friday, začátek školního roku — byly známé. Ale kolísání uprostřed týdne, shlukování dodávek od dodavatelů a postupné sezónní nárůsty byly neviditelné, dokud nepřijely kamiony.
Co zjistili
Predikce poptávky, agregovaná z úrovně SKU na denní objem podle lokace, dala vedoucím operací něco, co dosud neměli: výhled 2–4 týdny dopředu na očekávaný objem expedice skladu.
Na příjmové straně: objednací body spouštějí nákupní objednávky a nákupní objednávky mají očekávaná data dodání. Agregace všech otevřených objednávek podle data příjmu předpovídá, které dny budou mít vysoký objem příjmu a které budou klidné. Na výdejové straně: samotná predikce poptávky předpovídá denní objem vychystávání podle lokace, včetně vzorců v rámci týdne a sezónních nárůstů viditelných týdny dopředu.
Vedoucí operací aplikoval jednoduché koeficienty: ~120 jednotek/hodinu na pracovníka pro příjem, ~80 jednotek/hodinu pro vychystávání, 7,5 produktivní hodiny na směnu. V jedné lokaci den špičky s očekávanými 18 000 výdejovými vychystáními potřebuje 30 vychystávačů. Klidný den s 8 000 vychystáními potřebuje 13. Dříve plánovali plošně 20 vychystávačů každý den bez ohledu na objem.
Plošné obsazení vs. řízené predikcí
Graf vypovídá za vše. Při plošném obsazení byly špičkové čtvrtky podhodnocené (přesčasy, zpoždění) a klidné středy nadhodnocené (nečinní pracovníci). Predikce poptávky učinila tento vzorec viditelným a využitelným dva týdny dopředu. Počty pracovníků se nyní upravují ±30 % na základě průběžných predikcí. Na špičkové dny se předem objednávají agenturní pracovníci za standardní sazby namísto přesčasů na poslední chvíli za 125 %.
Čísla
| Metrika | Před | Po | Změna |
|---|---|---|---|
| Přesčasové hodiny / měsíc | 320 hod | 90 hod | -72% |
| Náklady na přesčasy / měsíc | 80 tis. Kč | 22 tis. Kč | -72% |
| Nečinné pracovní hodiny / měsíc | 200 hod | 60 hod | -70% |
| Porušení SLA z důvodu nedostatku pracovní síly | 3–4 / měsíc | 0–1 / měsíc | -80% |
| Sazba agenturních pracovníků (nouzová vs. plánovaná) | 450 Kč/hod | 320 Kč/hod | -29% |
| Čistá úspora mzdových nákladů / měsíc | — | ~90 tis. Kč | ~1,1 mil. Kč/rok |
Pointa
Optimalizace zásob ušetřila přibližně 2,2 mil. Kč ročně díky snížení výpadků a přebytečných zásob. Plánování směn — zcela nezamýšlený vedlejší efekt — ušetřilo dalších 1,1 mil. Kč ročně na mzdových nákladech. Bonusový případ použití přinesl polovinu hodnoty primárního, při nulových dodatečných nákladech na implementaci.
Proč na tom záleží
- Predikce jsou infrastruktura. Predikce poptávky vytvořená pro jeden účel (objednací body) se stává platformou pro další rozhodnutí — pracovní síla, doprava, kapacita. Mezní náklady druhého případu použití jsou téměř nulové.
- Vedoucí skladů přemýšlejí ve směnách, ne v SKU. Nákupní tým chce min/max po jednotlivých SKU. Vedoucí operací chce vědět „kolik lidí potřebuji příští čtvrtek.“ Stejná data, jiná agregace.
- Nejlepší přijetí přichází z řešení každodenních problémů. Vedoucí operací přijal systém rychleji než nákup, protože plánování směn byl každodenní problém s okamžitou zpětnou vazbou. Přeobsadíte dnes a vidíte nečinné pracovníky. Podobsadíte a večer vidíte výkazy přesčasů.
- Jednoduché koeficienty na dobrých datech poráží složité modely na špatných datech. Pravidlo vedoucího operací „80 vychystání za hodinu“ aplikované na přesnou predikci poptávky překonalo jakýkoli nástroj pro řízení pracovní síly založený na odhadech objemu.