Case Study: AI optimalizace nákupních procesů ve velkoobchodě

Executive Summary

Velkoobchodní společnost obsluhující několik stovek maloobchodních prodejen a tisíce koncových zákazníků implementovala pokročilý AI systém pro optimalizaci nákupních procesů. Projekt označovaný jako "zlatý grál" řešil kritické problémy časově náročného manuálního procesu tvorby objednávek, absence systematického monitoringu konkurence a suboptimálního rozhodování při nákupu.

Implementací hybridního AI systému kombinujícího prediktivní modely, velké jazykové modely a business pravidla se podařilo transformovat nákupní proces z 2hodinové manuální práce na 15-20minutový automatizovaný proces. Projekt přinesl měřitelné přínosy včetně úspory více než 75 hodin ročně, potenciálního zvýšení tržeb o 2-5% a snížení nadbytečných zásob o 15-30%.

Situace před implementací

Kontext a strategické cíle

Tento dokument představuje podrobnou analýzu a strategický návrh vyplývající z úvodní konzultace zaměřené na identifikaci a využití potenciálu umělé inteligence pro velkoobchodní společnost. Dokument je strukturován tak, aby reflektoval klíčové body diskuse a definoval cestu k implementaci pokročilého AI řešení.

Hlavním strategickým cílem bylo zvýšení efektivity a konkurenceschopnosti klienta prostřednictvím zavedení inteligentních, automatizovaných systémů. Nejde o jednorázovou implementaci, ale o nastartování dlouhodobého inovačního procesu, kde AI hraje klíčovou roli v optimalizaci hlavních obchodních procesů.

Specifické cíle projektu

Optimalizace nákupního procesu

Toto bylo označeno za absolutní prioritu a „zlatý grál" celého projektu. Cílem bylo vytvořit systém pro generování optimální „nákupní dávky", který:

• minimalizuje manuální práci
• snižuje chybovost
• maximalizuje efektivitu skladových zásob
• maximalizuje využití finančních prostředků

Získání konkurenční výhody

Aktivní monitoring trhu – jak z pohledu cenotvorby, tak z pohledu sortimentu – měl klientovi poskytnout data pro:

• lepší a rychlejší rozhodování
• udržení náskoku před konkurencí

Postupná automatizace a snižování manuální zátěže

Identifikace a automatizace rutinních a časově náročných úkolů měla:

• uvolnit kapacity klíčových zaměstnanců pro strategičtější činnosti
• automatizovat přípravu objednávek
• automatizovat analýzu dat

Mentální a technologický posun firmy

Zahájení tohoto projektu bylo vnímáno také jako důležitý krok k:

• modernizaci firmy
• adaptaci na nové technologické trendy
• změně fungování trhu

Rozsah analýzy a metodologie

Rozsah úvodní analýzy pokrýval identifikaci a popis klíčových oblastí, kde může aplikace AI přinést největší přidanou hodnotu. Analýza se soustředila na procesy a problémy diskutované během úvodního workshopu.

Projekt byl rozdělen do dvou hlavních oblastí zájmu:

• Analýza a optimalizace nákupní dávky
• Monitoring konkurenčního prostředí

Jako doplňková funkcionalita moderních systémů byla zvažována možnost nasazení konverzační AI, která umožní zákazníkům lépe komunikovat s e-shopem a „rozumět" sortimentu.

Analýza byla založena na kvalitativním vyhodnocení přepisu z úvodního workshopu. Klíčové informace, problémy, požadavky a nápady byly:

• extrahovány z konverzace
• kategorizovány
• zasazeny do strukturovaného rámce

Cílem bylo přetavit volnou diskusi do strukturovaného dokumentu, který sloužil jako základ pro další kroky, detailnější analýzy a samotnou implementaci.

Organizační struktura a obchodní model

Z konverzace vyplynulo, že klient působí jako velkoobchod, který obsluhuje přibližně:

• několik stovek maloobchodních prodejen
• několik tisíc koncových zákazníků

Společnost má vlastní logistiku a skladové hospodářství. Klíčovou úlohu v nákupním procesu hraje osoba (nebo tým), která je zodpovědná za tvorbu objednávek u dodavatelů. Tento proces byl v současnosti velmi časově náročný (např. víkendová příprava objednávky o 500 položkách trvala cca 2 hodiny).

Portfolio dodavatelů bylo diverzifikované, platilo Paretovo pravidlo:

• 20 % dodavatelů tvoří 80 % obratu
• geograficky se jednalo primárně o dodavatele ze střední a západní Evropy

Většina sortimentu se mezi dodavateli nepřekrývala, což zjednodušovalo rozhodování. Alternativy existovaly pouze u komoditního zboží (např. krycí plachty).

Typy objednávek

Klient zpracovával dva zásadně odlišné typy objednávek, což byla klíčová specifika jeho obchodního modelu:

Standardní objednávka:

• Zákazník (typicky maloobchodní prodejna) očekával okamžité dodání zboží, které je skladem
• Položky, které skladem nebyly, se standardně neobjednávaly a neevidovaly pro pozdější dodání

Závazná objednávka:

• Zákazník byl ochoten na zboží počkat
• Umožňovalo plánování nákupů v delším horizontu

Výzvy a problémy před implementací

Současný proces tvorby objednávky („nákupní dávka")

V současnosti šlo o manuální nebo polo-automatizovaný proces:

• Existující ERP systém dokázal vygenerovat základní návrh objednávky
• Nákupčí tento návrh procházel a manuálně upravoval na základě své zkušenosti a zohlednění klíčových parametrů:
  • historie prodejů
  • dodavatelské balení
  • cena
  • sezónnost
  • počasí
  • spekulativní nákupy na základě akcí dodavatelů (tyto informace ale nebyly systematicky evidovány)

Identifikované problémy

Extrémní časová náročnost tvorby objednávek:

• Manuální úpravy a rozhodování zabíraly klíčovým lidem mnoho hodin

Suboptimální rozhodování při nákupu:

• Rozhodování bylo založeno na zkušenosti a „pocitu" nákupčího
• Nemuselo být vždy optimální

Nedostatečné využití dat:

• Přestože data existovala, nebyla plně využita pro pokročilé analýzy a predikce

Chybějící monitoring trhu:

• Klient neměl soustavný přehled o cenách konkurence
• Chyběl přehled o akcích dodavatelů

Špatná uživatelská zkušenost při vyhledávání na e-shopu:

• Zákazníci často nenacházeli produkty
• Mohlo vést ke ztrátě objednávek

Finanční komplikace:

• Zpětné bonusy od dodavatelů komplikovaly jednoduchý přechod k jinému dodavateli pouze na základě ceny jedné položky

Dostupné zdroje

Klient měl k dispozici:

• historická data o prodejích za cca 6 let
• data o produktech a zásobách
• funkční ERP systém jako zdroj klíčových dat o prodejích, zásobách a produktech
• B2B i B2C e-shop
• Excel soubor s evidencí přístupů na dodavatelské portály (řádově desítky až stovky portálů)

Současné vyhledávání na e-shopu bylo vnímáno jako nedostatečné, protože si neporadilo s hovorovými nebo nepřesnými dotazy. Neexistoval systematický nástroj pro monitoring konkurence - ceny se sledovaly spíše manuálně, nahodile, nebo vůbec.

Implementované řešení

Vize budoucího stavu a požadavky

Vize vycházela z identifikovaných problémů a popisovala, jak měly klíčové procesy fungovat po implementaci navrhovaných řešení.

Cílové obchodní procesy s využitím AI

Optimalizovaný proces získávání a zpracování zakázek

• Základní princip procesu zůstal zachován
• Efektivita byla nepřímo posílena díky lepší dostupnosti zboží, kterou zajistil optimalizovaný nákup

Centralizovaná správa dodavatelů a nákupu

Cílový stav zahrnoval systém, který:

• nejen optimalizoval objednávky k jednotlivým dodavatelům
• ale zároveň aktivně vyhledával a porovnával nabídky napříč trhem

To zahrnovalo:

Monitoring dodavatelských portálů:

• Automatizované procházení desítek až stovek dodavatelských portálů
• Porovnávání nákupních cen se stávajícími

Identifikace alternativ:

• U komoditního sortimentu měla AI být schopna identifikovat a porovnat funkčně ekvivalentní produkty od různých dodavatelů

Návrhy na změnu dodavatele:

• Systém měl proaktivně upozorňovat na příležitosti k úsporám
• Rozhodnutí však nadále zůstávalo na člověku, který zvážil další faktory (vztahy, bonusy)
• Měl k dispozici jasná data

Funkční požadavky na AI systém

Modul pro optimalizaci nákupní dávky („zlatý grál")

Toto byl klíčový modul. Musel splňovat následující požadavky:

Vstupní data:

Modul musel pracovat s komplexní sadou parametrů, včetně:

• historie prodejů
• stavu zásob
• dodavatelského balení
• cen
• sezónnosti
• počasí
• konkurenčních cen
• dodacích lhůt

Logika a výpočty:

• AI musela na základě vstupních dat vypočítat optimální množství k objednání
• Inteligentně rozhodnout o zaokrouhlování na celá balení

Výstup a uživatelské rozhraní:

• Výstupem musel být přehledný návrh objednávky s jasným zdůvodněním jednotlivých doporučení
• Rozhraní muselo umožnit uživateli jednoduše upravit navrhované množství
• Finální objednávku exportovat ve formátu XML pro import do ERP

Modul pro monitoring konkurence a trhu

Monitoring prodejních cen:

• Systém musel pravidelně procházet definované webové stránky konkurence
• Stahovat prodejní ceny srovnatelných produktů

Monitoring nákupních cen:

• Systém musel být schopen se přihlašovat na dodavatelské portály
• Porovnávat nákupní ceny

Funkcionalita konverzační AI pro e-shop

Jako součást modernizace e-shopu se zvažovalo nasazení konverzačního rozhraní. Nešlo o hlavní prioritu projektu, ale o přirozený krok ke zlepšení zákaznické zkušenosti.

Cíl:

• Umožnit zákazníkům (především v B2C segmentu) komunikovat s e-shopem přirozeným jazykem

Funkcionalita:

• AI asistent, který „rozumí sortimentu"
• Dokázal odpovědět na dotazy typu: „Potřebuji něco na řezání větví na jabloni"
• Doporučit vhodný produkt
• Zvyšovala se šance na úspěšný prodej u zákazníků, kteří neznali přesné názvy či kódy produktů

Nefunkční požadavky

Integrace:

• Klíčovým požadavkem byla schopnost integrace s existujícím ERP systémem bez nutnosti API na straně ERP
• Preferovanou metodou byl export dat z AI systému (XML/CSV) a následný import do ERP

Uživatelská přívětivost:

• Rozhraní muselo být intuitivní a budovat důvěru uživatele v doporučení AI

Škálovatelnost:

• Systém musel být schopen zpracovávat data pro desítky tisíc produktů a stovky dodavatelů

Rozsah analýzy a metodologie

Rozsah úvodní analýzy pokrýval identifikaci a popis klíčových oblastí, kde může aplikace AI přinést největší přidanou hodnotu. Analýza se soustředila na procesy a problémy diskutované během úvodního workshopu.

Projekt byl rozdělen do dvou hlavních oblastí zájmu:

• Analýza a optimalizace nákupní dávky
• Monitoring konkurenčního prostředí

Jako doplňková funkcionalita moderních systémů byla zvažována možnost nasazení konverzační AI, která umožní zákazníkům lépe komunikovat s e-shopem a „rozumět" sortimentu.

Analýza byla založena na kvalitativním vyhodnocení přepisu z úvodního workshopu. Klíčové informace, problémy, požadavky a nápady byly extrahovány z konverzace, kategorizovány a zasazeny do strukturovaného rámce. Cílem bylo přetavit volnou diskusi do strukturovaného dokumentu, který sloužil jako základ pro další kroky, detailnější analýzy a samotnou implementaci.

Organizační struktura a obchodní model

Z konverzace vyplynulo, že klient působí jako velkoobchod, který obsluhuje přibližně několik stovek maloobchodních prodejen a několik tisíc koncových zákazníků. Společnost má vlastní logistiku a skladové hospodářství. Klíčovou úlohu v nákupním procesu hraje osoba (nebo tým), která je zodpovědná za tvorbu objednávek u dodavatelů. Tento proces byl v současnosti velmi časově náročný (např. víkendová příprava objednávky o 500 položkách trvala cca 2 hodiny).

Portfolio dodavatelů bylo diverzifikované, platilo Paretovo pravidlo (20 % dodavatelů tvoří 80 % obratu). Geograficky se jednalo primárně o dodavatele ze střední a západní Evropy. Většina sortimentu se mezi dodavateli nepřekrývala, což zjednodušovalo rozhodování. Alternativy existovaly pouze u komoditního zboží (např. krycí plachty).

Typy objednávek

Klient zpracovával dva zásadně odlišné typy objednávek, což byla klíčová specifika jeho obchodního modelu:

Standardní objednávka: Zákazník (typicky maloobchodní prodejna) očekával okamžité dodání zboží, které je skladem. Položky, které skladem nebyly, se standardně neobjednávaly a neevidovaly pro pozdější dodání.

Závazná objednávka: Zákazník byl ochoten na zboží počkat, což umožňovalo plánování nákupů v delším horizontu.

Výzvy a problémy před implementací

Současný proces tvorby objednávky („nákupní dávka")

V současnosti šlo o manuální nebo polo-automatizovaný proces:

• Existující ERP systém dokázal vygenerovat základní návrh objednávky
• Nákupčí tento návrh procházel a manuálně upravoval na základě své zkušenosti a zohlednění klíčových parametrů:
  • historie prodejů
  • dodavatelské balení
  • cena
  • sezónnost
  • počasí
  • spekulativní nákupy na základě akcí dodavatelů (tyto informace ale nebyly systematicky evidovány)

Identifikované problémy

Extrémní časová náročnost tvorby objednávek: Manuální úpravy a rozhodování zabíraly klíčovým lidem mnoho hodin.

Suboptimální rozhodování při nákupu: Rozhodování bylo založeno na zkušenosti a „pocitu" nákupčího, což nemuselo být vždy optimální.

Nedostatečné využití dat: Přestože data existovala, nebyla plně využita pro pokročilé analýzy a predikce.

Chybějící monitoring trhu: Klient neměl soustavný přehled o cenách konkurence ani o akcích dodavatelů.

Špatná uživatelská zkušenost při vyhledávání na e-shopu: Zákazníci často nenacházeli produkty, což mohlo vést ke ztrátě objednávek.

Finanční komplikace: Zpětné bonusy od dodavatelů komplikovaly jednoduchý přechod k jinému dodavateli pouze na základě ceny jedné položky.

Dostupné zdroje

Klient měl k dispozici:

• historická data o prodejích za cca 6 let
• data o produktech a zásobách
• funkční ERP systém jako zdroj klíčových dat o prodejích, zásobách a produktech
• B2B i B2C e-shop
• Excel soubor s evidencí přístupů na dodavatelské portály (řádově desítky až stovky portálů)

Současné vyhledávání na e-shopu bylo vnímáno jako nedostatečné, protože si neporadilo s hovorovými nebo nepřesnými dotazy. Neexistoval systematický nástroj pro monitoring konkurence - ceny se sledovaly spíše manuálně, nahodile, nebo vůbec.

Implementované řešení

Vize budoucího stavu a požadavky

Vize vycházela z identifikovaných problémů a popisovala, jak měly klíčové procesy fungovat po implementaci navrhovaných řešení.

Cílové obchodní procesy s využitím AI

Optimalizovaný proces získávání a zpracování zakázek Základní princip procesu zůstal zachován, jeho efektivita však byla nepřímo posílena díky lepší dostupnosti zboží, kterou zajistil optimalizovaný nákup.

Centralizovaná správa dodavatelů a nákupu Cílový stav zahrnoval systém, který nejen optimalizoval objednávky k jednotlivým dodavatelům, ale zároveň aktivně vyhledával a porovnával nabídky napříč trhem.

To zahrnovalo:

• Monitoring dodavatelských portálů: Automatizované procházení desítek až stovek dodavatelských portálů a porovnávání nákupních cen se stávajícími
• Identifikace alternativ: U komoditního sortimentu měla AI být schopna identifikovat a porovnat funkčně ekvivalentní produkty od různých dodavatelů
• Návrhy na změnu dodavatele: Systém měl proaktivně upozorňovat na příležitosti k úsporám. Rozhodnutí však nadále zůstávalo na člověku, který zvážil další faktory (vztahy, bonusy), ale měl k dispozici jasná data

Funkční požadavky na AI systém

Modul pro optimalizaci nákupní dávky („zlatý grál")

Toto byl klíčový modul. Musel splňovat následující požadavky:

Vstupní data: Modul musel pracovat s komplexní sadou parametrů, včetně historie prodejů, stavu zásob, dodavatelského balení, cen, sezónnosti, počasí, konkurenčních cen a dodacích lhůt.

Logika a výpočty: AI musela na základě vstupních dat vypočítat optimální množství k objednání a inteligentně rozhodnout o zaokrouhlování na celá balení.

Výstup a uživatelské rozhraní: Výstupem musel být přehledný návrh objednávky s jasným zdůvodněním jednotlivých doporučení. Rozhraní muselo umožnit uživateli jednoduše upravit navrhované množství a finální objednávku exportovat ve formátu XML pro import do ERP.

Modul pro monitoring konkurence a trhu

Monitoring prodejních cen: Systém musel pravidelně procházet definované webové stránky konkurence a stahovat prodejní ceny srovnatelných produktů.

Monitoring nákupních cen: Systém musel být schopen se přihlašovat na dodavatelské portály a porovnávat nákupní ceny.

Funkcionalita konverzační AI pro e-shop

Jako součást modernizace e-shopu se zvažovalo nasazení konverzačního rozhraní. Nešlo o hlavní prioritu projektu, ale o přirozený krok ke zlepšení zákaznické zkušenosti.

Cíl: Umožnit zákazníkům (především v B2C segmentu) komunikovat s e-shopem přirozeným jazykem.

Funkcionalita: AI asistent, který „rozumí sortimentu", dokázal odpovědět na dotazy typu: „Potřebuji něco na řezání větví na jabloni" a doporučit vhodný produkt. Tím se zvyšovala šance na úspěšný prodej u zákazníků, kteří neznali přesné názvy či kódy produktů.

Nefunkční požadavky

Integrace: Klíčovým požadavkem byla schopnost integrace s existujícím ERP systémem bez nutnosti API na straně ERP. Preferovanou metodou byl export dat z AI systému (XML/CSV) a následný import do ERP.

Uživatelská přívětivost: Rozhraní muselo být intuitivní a budovat důvěru uživatele v doporučení AI.

Škálovatelnost: Systém musel být schopen zpracovávat data pro desítky tisíc produktů a stovky dodavatelů.

Analýza rozdílů (GAP analýza)

Porovnání současného a cílového stavu

Identifikace rozdílů (GAPů)

Na základě porovnání byly identifikovány následující klíčové mezery:

GAP 1: Chybějící inteligence v nákupním procesu

• Současný systém postrádal schopnost komplexního rozhodování
• Neuměl pracovat s neurčitostí
• Neuměl kombinovat různé typy dat (např. počasí a historii prodejů)

GAP 2: Absence automatizovaného monitoringu trhu

• Klient operoval „naslepo" bez systematického přehledu o konkurenčním prostředí
• Chyběl přehled o nákupních příležitostech

GAP 3: Zastaralá komunikace se zákazníkem v online prostředí

• Stávající nástroje (vyhledávání) neodpovídaly očekáváním moderních uživatelů
• Uživatelé byli zvyklí na inteligentní asistenty

GAP 4: Neefektivní integrace a manuální práce

• Neexistoval efektivní způsob, jak obohatit interní data o externí informace
• Chyběla pokročilá analytika bez značného množství manuální práce

Pokrytí rozdílů navrhovaným řešením

Navrhovaný AI systém byl navržen tak, aby přímo adresoval a vyplnil výše uvedené mezery:

Pokrytí GAP 1 (inteligence v nákupu):

• Modul pro optimalizaci nákupní dávky nahradil lidskou intuici pokročilým hybridním AI modelem
• Generoval skutečně optimální návrhy objednávek

Pokrytí GAP 2 (monitoring trhu):

• Modul pro monitoring trhu pomocí technologií web scrapingu a data miningu
• Automatizoval sběr dat z webových stránek konkurentů i dodavatelů

Pokrytí GAP 3 (komunikace se zákazníkem):

• Nasazení konverzační AI umožnilo zodpovídat dotazy zákazníků v přirozeném jazyce
• Zlepšilo zákaznickou zkušenost s e-shopem

Pokrytí GAP 4 (integrace a manuální práce):

• AI systém fungoval jako externí „mozek"
• Vzal data z ERP, zpracoval je, obohatil a výsledek vrátil ve formě jednoduchého XML souboru
• Eliminoval manuální práci

Technické řešení

Kritéria pro výběr řešení

Na základě konverzace byla identifikována sada kritérií, která muselo úspěšné řešení splňovat:

Výběr řešení

Na základě diskuse se jako nejvhodnější jevilo řešení na míru, které jako jediné dokázalo komplexně adresovat specifické potřeby a procesy klienta, zejména unikátní kombinaci požadavků na optimalizaci nákupu a monitoring trhu.

Specializované hotové nástroje (SaaS) by pokryly jen část problému a chyběla by jim:

• komplexnost potřebná k řešení klíčového problému
• flexibilita pro optimalizaci nákupu na míru procesům klienta

Hybridní AI architektura

Na rozdíl od monolitických systémů bylo řešení postaveno na hybridní architektuře, která kombinovala tři specializované komponenty. Každá z nich měla unikátní roli a jejich synergie umožňovala zpracovat komplexní a různorodé signály ovlivňující nákupní proces. Nešlo o jediný model, ale o orchestraci tří odlišných přístupů.

Komponenta 1: Prediktivní AI pro analýzu prodejů (trénovaný model)

Technologie:

• Speciálně vyvinutý a na datech klienta natrénovaný model strojového učení
• Využití knihoven jako Prophet, XGBoost

Účel:

• Tato komponenta byla „expertem" na interní data
• Analyzovat historické prodeje a identifikovat vzorce, trendy a cykly

Zpracovávala:

• historii prodejů (několik let zpětně)
• sezónnost
• trendy (růst/klesání produktu)
• životní cyklus produktu (novinka vs. výběhový produkt)

Výstup:

• Základní, matematicky podložená predikce poptávky (baseline forecast)

Komponenta 2: LLM pro abstraktní analýzu (tržní kontext)

Technologie:

• Integrace s velkými jazykovými modely (LLM) dostupnými na trhu
• Komerční i open-source řešení

Účel:

• Komponenta zajišťující porozumění širokým a abstraktním vlivům
• Nebyly obsaženy v čistě strukturovaných interních datech
• Fungovala jako „oči a uši" systému ve vnějším světě

Zpracovávala:

• vliv počasí
• kalendář a svátky
• tržní náladu a události
• sémantické párování produktů (při monitoringu trhu)

Výstup:

• Sada kontextuálních koeficientů a doporučení
• Modifikovala základní predikci z první komponenty

Komponenta 3: Logický a pravidlový engine (business pravidla)

Technologie:

• Vlastní, na míru vyvinutý software (custom code)

Účel:

• Pragmatické jádro systému
• Zajišťovalo, že finální návrh byl realizovatelný a v souladu s business realitou klienta

Zpracovávala:

• dodavatelské podmínky (MOQ, minimální hodnota objednávky)
• optimalizaci na balení (zaokrouhlování na celá balení podle ceny a obrátkovosti)
• strategické dohody (zpětné bonusy, vztahy s dodavateli)
• finanční limity (maximální rozpočet na danou objednávku nebo období)

Výstup:

• Finální, „vyčištěný" a realizovatelný návrh objednávky

Shrnutí architektury:

Proces fungoval jako trychtýř:

1. Začínal matematickou predikcí (Komponenta 1)
2. Ta byla obohacena o vnější kontext (Komponenta 2)
3. Nakonec byla „uzemněna" a převedena do praxe pomocí pevných business pravidel (Komponenta 3)

Výsledkem byl návrh, který byl nejen inteligentní, ale zároveň důvěryhodný a prakticky použitelný.

Klíčové moduly systému

Modul: Uživatelské rozhraní pro nákup

Popis: Intuitivní webové rozhraní, které sloužilo jako primární nástroj pro nákupčího, Klíčovou vlastností byla transparentnost

Funkcionalita:

• U každé položky uživatel viděl nejen finální návrh, ale i to, jak k němu systém dospěl
• Příklad: „Základní predikce: 100 ks. Navýšeno o 20 ks kvůli počasí. Zaokrouhleno na balení 25 ks → výsledných 125 ks."

Modul: Monitoring trhu a konkurence

Popis: Modul zodpovědný za automatizovaný sběr dat z externích zdrojů, Sloužil jako primární vstup pro Komponentu 2 a 3

Zdroje dat: konkurence, dodavatelé

Funkcionalita: Konverzační AI pro zákazníky

Popis: Doplňková funkcionalita moderního systému – nasazení AI asistenta na e-shopu, AI asistent, který „rozuměl sortimentu"

Funkcionalita:

• odpovídal na otázky v přirozeném jazyce
• doporučoval vhodné produkty
• zvyšoval konverze především v B2C segmentu

Modul: Datová integrace (export/import)

Popis:

• Modul zajišťující bezproblémovou komunikaci mezi AI systémem a existujícím ERP
• Komunikace prostřednictvím souborové výměny (CSV/XML)

Dosažené výsledky

Kvantifikovatelné přínosy - vizualizace

Úspora času při tvorbě objednávky:

Současný stav:    ████████████████████  (2 hodiny - 100%)
Cílový stav:      ██                    (20 minut - 17%)
                                        
Úspora: 90% času = více než 75 hodin ročně

Očekávaný finanční dopad:

Zvýšení tržeb:     ░░░░░ (2-5%)
Růst marže:        ░░░   (1-3%)
Redukce zásob:     ░░░░░░░░░░░░░░░ (15-30%)

Hierarchie přínosů:

AI OPTIMALIZACE
├── Úspora času
│   ├── 2h → 20 min (90% úspora)
│   └── 75+ hodin ročně pro strategické činnosti
├── Zvýšení tržeb
│   ├── 2-5% růst tržeb (lepší dostupnost zboží)
│   └── 1-3% růst marže (monitoring konkurence)
└── Snížení nákladů
    ├── 15-30% redukce nadbytečných zásob
    └── Uvolnění kapitálu pro rozvoj firmy

Detailní kvantifikovatelné přínosy

Tato sekce načrtávala teoretické, avšak na základě zkušeností z podobných implementací realistické, kvantifikovatelné přínosy.

Teoretická úspora času

Příklad kalkulace:

• Při jedné velké objednávce týdně docházelo k úspoře cca 1,5 hodiny
• Za rok to představovalo úsporu více než 75 hodin času klíčového zaměstnance
• Čas se mohl věnovat strategičtějším činnostem:
  • vyjednávání s dodavateli
  • hledání nových příležitostí

Teoretické zvýšení zisku

Zlepšená dostupnost zboží:

• AI minimalizovala riziko stockoutů (vyprodání zásob)
• Snížení počtu případů, kdy si zákazník nemohl koupit požadované zboží
• Mohlo vést k přímému zvýšení ročních tržeb o odhadem 2–5 %

Optimalizace marže:

• Díky modulu pro monitoring trhu měl klient lepší přehled pro cenotvorbu
• Identifikace příležitostí pro navýšení marže u produktů s nižší konkurenční tlakem
• Mohlo přispět k navýšení celkové hrubé marže o cca 1–3 %

Teoretické zpřesnění skladu (snížení nákladů)

Redukce nadbytečných zásob:

• AI přestala objednávat zboží „pocitově" a řídila se daty
• Snížilo se množství „ležáků" a zboží s nízkou obrátkou
• Očekávané snížení hodnoty nadbytečných zásob mohlo být v řádu 15–30 %

Optimalizace vázaného kapitálu:

• Snížení celkové hodnoty skladu díky přesnějšímu nákupu
• Uvolnilo finanční prostředky, které bylo možné investovat do dalšího rozvoje firmy

Očekávané přínosy implementace

Očekávané přínosy byly během konverzace diskutovány a lze je shrnout následovně:

Zvýšení efektivity:

• Výrazné snížení času potřebného na přípravu objednávek (z hodin na minuty)

Snížení nákladů:

• Lepší rozhodování při nákupu
• Optimalizace skladových zásob
• Potenciální úspory díky nákupu za výhodnějších podmínek

Zvýšení obratu:

• Zlepšení dostupnosti zboží
• Případné rozšíření sortimentu

Zlepšení strategického rozhodování:

• Poskytnutí dat a vhledů, které aktuálně nebyly dostupné
• Jejich získání bylo příliš pracné

Dlouhodobá udržitelnost:

• Adaptace na změny v chování zákazníků (např. přechod od klasického vyhledávání k AI asistentům)
• Udržení pozice na trhu

Implementační proces

Implementační strategie

Navrhoval se fázový přístup, který umožnil:

• postupné nasazování jednotlivých modulů
• rychlé ověření přínosů
• flexibilní reakci na zjištění z předchozích fází
• rozložení investice v čase
• plynulejší adaptaci uživatelů

Vizuální časový plán

Časová osa projektu (4-6 měsíců):

Měsíc:     1        2        3        4        5        6
          |--------|--------|--------|--------|--------|

Fáze 1:   ████                                          (2-4 týdny)
          POC

Fáze 2:            ████████████████████████              (8-12 týdnů)
                   MVP - Nákupní dávka

Fáze 3:              ████████████████                    (6-8 týdnů)
                     Monitoring trhu

Fáze 4:                                   ████            (4 týdny)
                                         Konverzační AI

Detailní fáze implementace

Fáze 1: Datová analýza a příprava (Proof of Concept)

Cíl: Ověřit dostupnost a kvalitu dat, Vytvořit základní prediktivní model, Demonstrovat uskutečnitelnost konceptu na omezeném vzorku

Kroky:

• Export relevantních dat z ERP (historie prodejů, data o produktech, ceny, skladové zásoby)
• Analýza a čištění dat
• Vývoj a natrénování základního modelu pro optimalizaci nákupní dávky pro vybranou skupinu produktů
• Prezentace výsledků a porovnání s manuálním procesem

Výstup:

• Zpráva z analýzy
• Funkční prototyp modelu
• Potvrzení hypotéz

Fáze 2: Implementace modulu pro optimalizaci nákupní dávky (MVP)

Cíl: Vytvořit a nasadit minimální životaschopný produkt (MVP) klíčového modulu

Kroky:

• Vývoj plnohodnotného hybridního AI modelu
• Vytvoření webového rozhraní pro zobrazení návrhů objednávek a jejich zdůvodnění
• Implementace exportu do XML formátu
• Testování a ladění ve spolupráci s nákupčím

Výstup: Funkční webová aplikace pro generování a úpravu nákupních dávek

Fáze 3: Implementace modulu pro monitoring trhu

Cíl: Nasadit nástroje pro automatizovaný sběr dat o konkurenci a dodavatelích

Kroky:

• Vývoj a nasazení web scraperů pro definované stránky konkurence a dodavatelů
• Vytvoření databáze pro ukládání získaných dat
• Integrace těchto dat jako vstupu do modulu pro optimalizaci nákupu

Výstup: Databáze tržních cen, Reporty o konkurenci

Fáze 4: Implementace funkcionality konverzační AI

Cíl:Nasadit na e-shopu AI asistenta pro zlepšení zákaznické zkušenosti

Kroky:

• Analýza produktových dat
• Vývoj a trénování modelu pro zpracování přirozeného jazyka, který „rozuměl sortimentu"
• Integrace asistenta do B2C a případně B2B e-shopu

Výstup: Konverzační AI asistent nasazený na e-shopu

Projektový tým a zodpovědnosti

Na základě konverzace byly identifikovány následující klíčové role:

Zástupce klienta (produktový / obchodní vlastník):

• Klíčová osoba s hlubokou znalostí businessu, procesů a strategie firmy
• Zodpovídal za definici požadavků
• Poskytování zpětné vazby a testování

Dodavatel (AI specialista / tým):

• Tým zodpovědný za technickou analýzu, návrh a implementaci AI řešení
• Projektový manažer / AI specialista zodpovídal za řízení projektu, komunikaci a návrh architektury

Vývojový tým (za dodavatele):

• Data scientisti a vývojáři zodpovědní za technickou implementaci

Harmonogram a rozpočet

Rozpočet:

• Byl předložen v samostatné cenové nabídce
• Rozdělené podle jednotlivých fází

Migrace dat:

• Probíhala přes souborové rozhraní (CSV/XML)
• Bez nutnosti přímé integrace do databází ERP systému-12 týdnů) MVP - Nákupní dávka