Jak AI czyta dane z Comarch ERP Altum i co z tego ma zarząd sieci sklepów?

AI podłączone do Comarch ERP Altum może czytać dane o sprzedaży, stanach magazynowych, marżach i dokumentach z każdego oddziału sieci, a potem odpowiadać na pytania zarządu po polsku, bez generowania kolejnych arkuszy. Nie chodzi o zastąpienie systemu, tylko o dodanie warstwy, która łączy dane z różnych centrów, zestawia je i potrafi powiedzieć wprost: w sklepie nr 7 rotacja towaru X spada od trzech tygodni, stany rosną, a marża obniżyła się kilka punktów względem reszty sieci. Dla zarządu kilkudziesięciu lokalizacji to różnica między tygodniowym cyklem raportowania a odpowiedzią w kilka minut.

Skąd AI bierze dane, skoro Altum nie ma wbudowanego chatbota?

Comarch ERP Altum udostępnia dane przez kilka kanałów. Najczęściej korzystamy z bezpośredniego połączenia z bazą MS SQL Server, na której Altum pracuje. To daje największą elastyczność: możemy zapytać o dowolny przekrój danych bez potrzeby ręcznego generowania raportu w systemie. Alternatywnie działa API webowe Altumy, przydatne gdy baza jest wydzielona i dostęp bezpośredni jest poza zasięgiem. Mechanizm importów i eksportów przez pliki CSV stosujemy rzadziej, bo wprowadza opóźnienie i wymaga harmonogramowania.

Struktury tabel są dobrze udokumentowane przez Comarch, co skraca czas analizy bazy. Dane sprzedażowe leżą w tabelach powiązanych z dokumentami FS i PA, stany magazynowe w tabelach zasobu per centrum, a promocje w osobnym module z definicjami warunków i dat obowiązywania. Agent AI-owy tylko czyta. Nic w bazie nie zmienia.

Które dokumenty i pola z Altumy naprawdę niosą informację?

Nie podłączamy wszystkiego naraz. Na start skupiamy się na dokumentach, które niosą największy sygnał dla decyzji handlowych:

• FS i PA (Faktura Sprzedaży i Paragon): ilość, wartość, kod towaru, centrum sprzedaży, data i godzina transakcji. To główne źródło wiedzy o tym, co i gdzie faktycznie schodzi z półki.
• PZ (Przyjęcie Zewnętrzne): kiedy i ile towaru weszło do magazynu danego sklepu. Bez PZ nie wiemy, czy braki wynikają z braku dostawy, czy z niespodziewanego popytu.
• ZZ (Zamówienie Zakupu): czy zamówienie jest otwarte, zrealizowane, czy towar jeszcze w drodze. AI może uprzedzić o opóźnionych dostawach, zanim stany spadną poniżej minimum.
• MM (Przesunięcie Magazynowe): przepływy towaru między oddziałami. W sieci ważne, bo jeden sklep z nadmiarem może zasilić inny, zamiast składać nowe ZZ do dostawcy.
• Inwentaryzacje: rozbieżności między stanem systemowym a liczonym fizycznie. Zestawione z historią sprzedaży i dokumentami PZ, dają obraz realnych strat lub błędów inwentaryzacyjnych.

Osobna warstwa to promocje. Altum trzyma definicje z warunkami: minimalna wartość koszyka, konkretna klasa towarowa, przedział dat, przypisane centra. AI może sprawdzić, czy promocja rzeczywiście przełożyła się na wzrost obrotu w objętych nią sklepach, i zestawić to z lokalizacjami poza zasięgiem akcji. To odpowiedź na pytanie: czy ta promocja miała sens, czy tylko obniżyła marżę?

Co AI wykrywa, czego Comarch BI Point nie powie sam z siebie?

Comarch BI Point, wbudowane narzędzie analityczne, świetnie pokazuje to, o co wprost zapytamy. Problem w tym, że zarząd często nie wie, czego nie wie. BI pokaże sprzedaż sklepu w sierpniu. Nie zasugeruje sam z siebie, że jeden oddział sprzedaje istotnie mniej danej kategorii niż cztery porównywalne lokalizacje, i że stany przy tym rosną, co może sygnalizować problem z ekspozycją, lokalnym cennikiem albo asortymentem.

AI przeszukuje dane aktywnie, bez pytania o konkretne centrum czy SKU. Wykrycia, które wychodziły u naszych klientów:

• Towar z wysokim stanem i niską rotacją jednocześnie w kilku sklepach: sygnał do uruchomienia przeceny lub wstrzymania kolejnych ZZ.
• Sklep z marżą wyraźnie niższą od średniej sieci przy podobnym asortymencie: za dużo lokalnych rabatów, błąd w cenniku albo intensywna konkurencja w tym rejonie.
• Brak dokumentu PZ przy ZZ, którego termin realizacji minął: sklep może mieć braki za kilka dni, a kupiec jeszcze o tym nie wie.
• Różnica między stanem systemowym a wynikiem inwentaryzacji powyżej ustalonego progu: AI flaguje centrum do ręcznego sprawdzenia, nie czeka na cykl miesięczny.

Jeden z klientów zarządzał siecią kilkunastu sklepów drogeryjnych. Nikt nie zestawiał sprzedaży PA po godzinach i dniach tygodnia, bo ręcznie zajęłoby to zbyt dużo czasu. AI wyłapał wzorzec: jeden oddział regularnie bił sprzedaż w piątkowe wieczory. Okazało się, że pobliskie centrum handlowe co tydzień robiło akcję marketingową, do której sklep przyłączał się lokalnie, nie informując centrali. Dane były w systemie od miesięcy. Nikt nie patrzył w ten wymiar.

Jak zarząd zadaje pytania i co dostaje w odpowiedzi?

To centralny punkt całego wdrożenia. Zamiast logować się do Altumy, eksportować dane do Excela i czekać na analizę od kierownika regionalnego, prezes albo dyrektor handlowy pisze pytanie w Teams albo w dedykowanym oknie czatu. Po polsku, tak jak myśli:

"Które sklepy miały najniższą marżę w sierpniu i gdzie leży przyczyna?"

AI odpowiada z konkretnymi nazwami centrów i towarów, w ciągu kilkudziesięciu sekund. Jeśli danych brakuje albo pytanie wykracza poza dostępne tabele, mówi o tym wprost. Nie zgaduje.

Pytania, które dobrze działają w praktyce:

• Zestawienie wyników sprzedaży wszystkich centrów za dowolny okres.
• Lista towarów z rosnącym stanem i jednocześnie spadającą liczbą transakcji w ostatnich 30 dniach.
• Sklepy, które miały braki towaru X w poprzednim miesiącu i kiedy dokładnie.
• Porównanie obrotu i marży przed uruchomieniem promocji i po, z podziałem na centra objęte akcją i te poza nią.
• Centrum z największym odchyleniem marży od średniej sieci w bieżącym kwartale.

Jedno zastrzeżenie, które zawsze komunikujemy: AI odpowiada na podstawie tego, co jest w danych. Jeśli przyczyna leży poza systemem, bo ekspedientka inaczej układa towar albo parking przed sklepem jest rozkopany, system tego nie zna i nie udaje, że zna.

Od czego zaczyna się wdrożenie w sieci kilkudziesięciu sklepów?

Pierwsza rozmowa zawsze zaczyna się od pytania: jakie decyzje zarząd podejmuje co tydzień i skąd teraz bierze do nich dane? Zazwyczaj okazuje się, że dane leżą w Altumie, ale docierają do zarządu przez raport Excel przygotowany przez analityka albo kierownika regionalnego, raz w tygodniu, poniedziałek rano. Piątkowe dane z czwartkowego ZZ już nie wchodzą do raportu, bo plik jest zamknięty.

Potem robimy audyt struktury bazy: jakie centra są skonfigurowane, jak zbudowana jest hierarchia grup i klas towarowych, czy promocje są parametryzowane w Altumie, czy rozpisywane poza systemem. Na tej podstawie ustalamy, które zapytania SQL dają czyste, wiarygodne dane, a które obszary wymagają najpierw porządku po stronie systemu.

Dalej budujemy warstwę pośrednią. Agent odczytuje dane z bazy, interpretuje pytanie po polsku i zwraca odpowiedź w języku naturalnym. Wszystko działa na serwerze firmy albo w prywatnym środowisku chmurowym, dane z Altumy nie wychodzą do zewnętrznych modeli bez kontroli.

Typowa kolejność pierwszych modułów:

• Automatyczny raport dzienny dla zarządu: top sklepy, odchylenia od średniej sieci, braki stanów przy aktywnych promocjach.
• Alerty dla kupca: jeśli stan towaru w centrum spadnie poniżej ustawionego minimum albo ZZ przekroczy termin realizacji, AI generuje powiadomienie.
• Tryb pytań swobodnych: zarząd i kierownicy regionalni pytają bez schematu, AI odpowiada z danych.

Co sieć handlowa zyskuje w praktyce?

Przede wszystkim: skrócony czas od pytania do decyzji. Kupiec wie w czwartek, że w trzech sklepach kończą się zapasy produktu sezonowego, i może złożyć ZZ tego samego dnia, a nie po weekendzie. Towar zdąży dotrzeć przed szczytem sprzedaży.

Drugi efekt to mniej pracy analitycznej dla ludzi, którzy dziś spędzają godziny na eksportach i składaniu Exceli. Ten czas może pójść na interpretację wyników i rozmowę z kierownikami regionalnymi, a nie na zbieranie danych.

Trzeci, często mniej oczywisty: sieć przestaje działać jak suma oddzielnych sklepów bez wspólnego kontekstu. Gdy AI zestawia wyniki wszystkich centrów naraz, widać wzorce, których nikt wcześniej nie śledził, bo nikt nie miał czasu porównywać ręcznie trzydziestu lokalizacji co tydzień. Jeden sklep może się uczyć od drugiego, jeśli wiadomo, który ma lepsze wyniki i w jakim asortymencie.

Jeśli zarządzasz siecią handlową opartą na Comarch ERP Altum i chcesz sprawdzić, co konkretnie da się wyciągnąć z twoich danych, umów się na bezpłatny audyt. Sprawdzamy strukturę bazy, pokazujemy przykładowe zapytania i mówimy wprost, gdzie jest sens, a gdzie dane są za słabe, żeby AI działał wiarygodnie. Możesz też zajrzeć do realnych wdrożeń, żeby zobaczyć, jak to wygląda u firm z podobną strukturą.