Forecast AI dla chemii budowlanej — z dokładności 71% do 92%, koniec błędów planistycznych w produkcji

Sytuacja przed wdrożeniem

Producent chemii budowlanej (350 SKU). Sprzedaż przez dystrybutorów i sieci typu Castorama/Leroy Merlin. Forecast robił dyrektor sprzedaży + 4 KAM-ów raz w miesiącu w Excelu. Dokładność forecastów: 71% (mierzona MAPE na poziomie SKU). Konsekwencje: 8% rocznego obrotu zamrożone w nadwyżkach, 12% utraconej sprzedaży z powodu braków, kary za zwroty od sieci.

Co zrobiliśmy

RedAI agreguje: historie sprzedaży (24 mies. na SKU/dystrybutor/region), pogodę 30 dni naprzód (dla pewnych SKU krytyczne — np. fugi zewnętrzne nie sprzedają się przy mrozach), kalendarz inwestycji publicznych z BZP (duże remonty = duża chemia), aktywność dystrybutorów (zamówienia z 14 dni → sygnał z dołu kanału), promocje sieci (gdy planują promocję, podają nam to z wyprzedzeniem), wskaźniki makro (PMI budownictwo, mieszkaniówka). Generuje forecast tygodniowy 30/60/90 dni naprzód, MAPE 8% (vs 29% wcześniej).

Rezultat

Dokładność forecastu (1–dokładność MAPE): 71% → 92%. Nadwyżki magazynowe: –62%. Utracona sprzedaż (out-of-stock): –78%. Roczny saving cash flow: 14 mln zł zwolnionych z zapasów. Bonus: planowanie produkcji się uspokoiło — koniec nocnych telefonów "musimy uruchomić zmianę".