← Wszystkie case studies · ⚙️ Operacje
Dystrybutor AGD/RTV · 220 osóbMagazyn 18 000 m²: AI optymalizuje trasy pickerów — +47% wydajności
AI układa kolejność pikowania na bazie lokalizacji produktów, wagi, kruchości — picker przechodzi krótszą drogę z większym ładunkiem.
Okres pomiaru: 9 miesięcy
Sytuacja przed wdrożeniem
Dystrybutor części AGD/RTV, 220 osób. Magazyn 18 000 m², 24 000 SKU. Pickerzy dostawali zamówienie i chodzili "z głowy" — wybierali kolejność lokacji jak im się wydawało. Średnia: 47 zamówień/pickera/8 godz. Błędy: 3.2%. Trasa per zamówienie: 280–420 m (a magazyn ma 200 m × 90 m).
Co zrobiliśmy
- AI ma 3D mapę magazynu z lokalizacjami każdego SKU.
- Po wpłynięciu zamówienia generuje optymalną trasę pickera (algorytm TSP modyfikowany — uwzględnia jednokierunkowość alejek, wagę produktów, kruchość, wielkość).
- Picker ma tablet ze skanerem — widzi: "idź do A3-14, weź 2 sztuki SKU X, następnie B7-22".
- AI grupuje też zamówienia (batch picking): jeśli 4 zamówienia mają wspólne SKU, picker bierze raz, dzieli na 4 kosze.
- Uczy się: które SKU często razem (frequent itemsets) → AI sugeruje przesuwanie ich bliżej siebie (slotting optimization).
- Mierzy każdy etap: czas dojścia, czas skanowania, czas powrotu.
Rezultat
Zamówień/pickera/8h: z 47 na 69 (+47%). Średnia trasa: z 340 m na 145 m (-57%). Błędy w piku: z 3.2% na 0.6%. Roczna oszczędność: 1.2 mln zł (mniejsza obsada zmianowa, mniej reklamacji). ROI projektu: 4 miesiące.
„Pickerzy są mniej zmęczeni, robią więcej, mniej się mylą. Wcześniej myślałem, że wycisnęliśmy z tego magazynu wszystko. AI pokazało, że było inaczej."
Inne case studies z działu operacje.
Chcesz, żeby Wasza firma była następna na tej liście?
30-min rozmowa — pokazujemy 2–3 case'y najbliższe Waszej sytuacji (pod NDA) i mówimy, ile zaoszczędzicie w pierwszym roku.