Zatowarowanie 120 sklepów: AI sugeruje co, ile, kiedy — out-of-stock -71%

Sytuacja przed wdrożeniem

Sieć 120 drogerii, 580 osób. Każda kierowniczka sklepu zamawiała towar do swojego sklepu na podstawie "czuje". Some sklepy miały overstock (zamrożony kapitał), inne ciągły out-of-stock (utracona sprzedaż). Średni OOS: 18% kluczowych SKU. Klienci uciekali do konkurencji.

Co zrobiliśmy

• AI analizuje dla każdego sklepu i SKU:
• 1. Historia sprzedaży (3 lata, dzienna).
• 2. Sezonowość lokalna (np. kremy z filtrem nad morzem latem).
• 3. Lokalna konkurencja (jeśli obok jest Rossmann, sprzedaż perfum spada).
• 4. Promocje (lokalne i sieciowe).
• 5. Wydarzenia (festiwal, koncert — wzrost sprzedaży).
• 6. Pogoda.
• 7. Lead time dostaw z centrum dystrybucji (2–5 dni).
• Generuje sugestie zamówień 2x w tygodniu per sklep.
• Kierowniczka widzi: "sugeruję 24 sztuki kremu X, 6 szamponu Y, 0 perfum Z (bo masz overstock)".
• Akceptacja w 30 sek. lub modyfikacja.
• System learning: jeśli kierowniczka zawsze koryguje w górę, AI uczy się jej preferencji.

Rezultat

Out-of-stock: z 18% na 5.2% (-71%). Overstock: -34%. Sprzedaż per sklep: +11% (bo zawsze mamy to, co klient chce). Czas kierowniczki na zamówienia: z 2.5 godz./tydz. na 25 min/tydz. (i mniej stresu — system jej pomaga).