AI v supply chain: od predikce poptávky po optimalizaci tras

Proč AI v supply chain právě teď

Poslední roky ukázaly, jak křehké a zároveň strategicky důležité jsou dodavatelské řetězce. Volatilita poptávky, geopolitické napětí, zdražující energie a doprava, výpadky dodávek a tlak na udržitelnost zvyšují nároky na rychlá, daty řízená rozhodnutí. Tradiční plánování, které se opírá o průměry minulých období a statické parametry, ztrácí přesnost. AI přináší schopnost:

• modelovat nelinerární vztahy mezi proměnnými (promo akce, kanálové mixy, počasí, konkurenční ceny, lead times),
• učit se z granulárních signálů (SKU, prodejna/kanál, denní či hodinové rezoluce) a přitom agregovat do plánovacích úrovní,
• reagovat v reálném čase – přepočítat forecast, přerozdělit zásoby, upravit trasu, přehodnotit ETA,
• převést „chaotickou“ operativu na konzistentní, auditovatelná rozhodnutí s metrikami přesnosti a dopadu.

Tato kombinace zkracuje dodací doby, snižuje out-of-stock, zmenšuje přebytečné zásoby a zvyšuje kvalitu služeb (QoS). Krátce: AI mění supply chain z nákladového centra v motor růstu a spokojenosti zákazníků.

Co AI v supply chain opravdu dělá

AI není jedna aplikace, ale sada schopností, které se skládají do rozhodovacích toků. Prakticky jde o čtyři vrstvy:

1. Predikce – forecast poptávky (krátkodobý i střednědobý), ETA, dojezd kurýrů, pravděpodobnost zpoždění lodí nebo kontejnerů, předpověď výtěžnosti skladů a kapacit.
2. Optimalizace – výpočet objednávkových množství, přerozdělení zásob napříč echelony, slotting a pick-path ve skladech, dynamické trasování vozidel a load-building.
3. Detekce – anomálie ve skladu (ztráty, poškození, chybovky), odchylky v teplotě/otřesech (chladový řetězec), podvodné chování u přepravních nároků.
4. Rozhraní a asistence – LLM copilot pro plánovače, dispečery a skladové supervizory; generuje vysvětlení, navrhuje akce a propojuje znalostní báze (SOP, smluvní SLA, tarifní tabulky).

Výsledkem nejsou „modely na poličce“, ale konkrétní změny v toku práce: kdy objednat, co vychystat, jak poskládat paletu, kudy jet, jak komunikovat se zákazníkem. Proto musí AI žít v kontextu ERP, WMS, TMS a CRM, nikoli v izolaci.

Referenční architektura: data → modely → rozhodnutí

Spolehlivý supply chain stack pro AI má jasnou logiku a minimálně tyto stavebnice:

• Zdrojová data – transakce z ERP (objednávky, prodeje, nákupy, zásoby), z WMS (pohyby, slotting, picklisty), z TMS (stopa jízdy, časy, náklady), z IoT (teplota, poloha, otřesy), z e-shopu/CRM (promo kalendář, ceny, lead time na webu), externí (počasí, prázdniny, dopravní uzávěry, přístavní kongesce, sazby).
• Datová platforma – DWH/Lakehouse, streaming/CDC pro near-real-time, master data management (SKU, lokace, dopravci, flotila), metric store s definicemi KPI (fill rate, OTD, OOS, ETA MAE aj.).
• AI vrstva – featury, trénink (TS/ML/DL), validace, inferenční služby, model registry, monitoring driftu; governance pro verze, audit a „as-of“ vyhodnocení.
• Orchestrace rozhodnutí – plánovací a optimalizační enginy, které berou predikce a vrací konkrétní plány nebo akce (objednávky, přesuny, slotting, trasy).
• Integrace – REST/Message bus/EDI do ERP/WMS/TMS, případně „human-in-the-loop“ rozhraní, kde plánovač schvaluje změny.
• BI a komunikace – dashboardy pro management i operativu, alerty a generované komentáře (LLM), které vysvětlují odchylky a doporučují kroky.

Klíčová zásada: stejná data a definice metrik musí používat AI i BI. Jinak vznikají „dvě pravdy“ a ztrácí se důvěra. Pro auditovatelnost je nezbytné as-of snapshotování – aby se predikce porovnávala s realitou, která byla dopředu neznámá.

Forecasting poptávky: od SKU-level po segmenty a kanály

Poptávku lze předpovídat na více úrovních (SKU/prodejna/den vs. kategorie/region/týden). Správná praxe kombinuje granularitu (pro operativu) s agregací (pro robustnost a strategii). AI přináší několik zásadních schopností:

Modelové přístupy

Neexistuje „jeden model pro všechno“. Lze kombinovat:

• Statistické baseline (ETS/ARIMA/Prophet) pro sezónnost a kalendářní efekty; slouží jako interpretovatelný referenční rámec.
• Machine learning (XGBoost/LightGBM/CatBoost) pro zahrnutí externích driverů – promo intenzita, kanálový mix, konkurenční ceny, počasí, lokální akce, regionální dostupnost.
• Deep learning (Temporal Fusion Transformer, N-BEATS, DeepAR) pro komplexní nelinearity a sdílení signálů mezi mnoha časovými řadami.
• Hierarchické forecasty – zajištění spojitosti mezi SKU→kategorie→region→celofiremní úroveň; reconciliation (např. MinT) „sladí“ predikce napříč hierarchií.

Featury a signály s velkým dopadem

V retailu a e-commerce výrazně pomáhají: promo plán (typ promo, sleva, délka, display), konkurenční ceny a dostupnost, počasí (zejména u kategorií typu nápoje/grilování/zmrzlina), lokální svátky a eventy, logistický lead time a jeho variabilita, digitální signály (trafik na webu, košíková data, pre-order), změny sortimentu (novinky, náhrady, substituce).

„Cold start“ a dlouhý ocas

Nové SKU bez historie a „long-tail“ s řídkými prodeji vyžadují zvláštní zacházení. Přenos učení z podobných SKU (embeddingy, atributová podobnost), bayesovské metody nebo kombinace katalogových vlastností s nízkým počtem skutečných prodejů dokáží zásadně zlepšit přesnost.

Kalibrace a bias

Měřit jen MAPE nestačí; sledujte i bias (systematické nadhodnocování/podhodnocování). Přestřelené forecasty nafukují zásoby, podstřelené vedou k out-of-stock. Kalibrace pravděpodobnostních intervalů (P10–P90) pomůže rozhodovat o riziko-ochotě: méně OOS vs. méně přebytků.

Integrace s plánováním

Forecast je užitečný jen tehdy, když se promítne do výpočtu zásob a objednávek. Proto je důležité, aby AI předávala i nejistotu (rozptyl), ne jen střední hodnotu. Optimalizátor pak nastaví bezpečnostní zásobu podle požadované úrovně služby (např. 95 % fill rate).

Optimalizace zásob: multi-echelon, bezpečnostní zásoby a přerozdělení

Víceúrovňové řetězce (centrální sklad → regionální sklady → prodejny/e-shop) trpí „bullwhip effectem“. Multi-echelon inventory optimization (MEIO) řeší rozložení zásob napříč echelony tak, aby celkový servis byl nejvyšší při nejnižším kapitálu vázaném v zásobách. AI a pokročilé optimalizační metody umožní:

• správně nastavit bezpečnostní zásobu na každé úrovni podle variability poptávky a lead time,
• počítat optimální objednávkové množství a frekvenci s ohledem na MOQ/MOV, náklady na dopravu a sklad,
• přerozdělovat zásoby mezi lokacemi (rebalancing) jako reakci na odchylky poptávky,
• řešit alokaci zboží v případě omezené dostupnosti (kde má jednotka nejvyšší maržový přínos),
• brát v potaz substituce (produktové alternativy) a stárnutí (expirace, sezónnost).

MEIO kombinuje simulaci (Monte Carlo) s deterministickým výpočtem parametrů a využívá pravděpodobnostní forecasty. Důležitá je průběžná reoptimalizace – aspoň týdně, u rychloobrátkových kategorií denně.

Sklad: pick-path optimalizace, slotting a waveless řízení

Sklady představují velký prostor pro úspory. AI zde ovlivňuje jak geometrii, tak taktiku práce:

Slotting (umístění SKU)

Cílem je umístit zboží tak, aby zkrátilo vychystávací vzdálenosti, minimalizovalo kongesci a respektovalo omezení (hmotnost, křehkost, teplota, kompatibilita). AI bere v potaz poptávkové vzorce, společný výskyt v objednávkách (co-pick), směrování po zónách a budoucí promo. Výsledkem je plán přestaveb s ROI (kolik ušetříme sekund na kus, kolik stojí přesun).

Pick-path optimalizace

Vychystávací trasy se modelují jako problém cestujícího obchodníka s omezeními. Heuristiky a meta-heuristiky (s ohledem na jednosměrky, dopravní „křižovatky“ ve skladu, výšku regálů, typy zón) spolu s učením z historických tras zkracují kilometry a minuty na picklist.

Wave vs. waveless

Tradiční wave picking sdružuje objednávky do vln; moderní waveless systém plynule přidává a přeuspořádává položky podle aktuální zátěže pracovišť, priorit SLA a dostupnosti pickera/robotu. AI vyvažuje zatížení stanovišť a minimalizuje čekání i prostoje.

Labor planning a multimodální spolupráce

Forecast workload a simulace příchodů objednávek umožňují plánovat směny, dovednosti a zónové obsazení. AI také rozhoduje o spolupráci lidí a AMR/AGV (kdo nese, kdo shromažďuje, jaký režim „zónového doručování“). V reálném čase dokáže reagovat na výpadek linky či pickera.

Kvalita a bezpečnost

Computer vision detekuje nesprávné položky v koších, špatné paletizace, překročení výšky, chybějící obaly nebo nebezpečné chování (zastíněné senzory, překážky). Edge AI z kamer běží bez odesílání obrazu do cloudu, čímž chrání soukromí a zkracuje latenci.

Doprava: ETA predikce, plánování tras a load-building

V dopravě se AI dotýká tří kroků: plánování (před jízdou), řízení (během jízdy) a vyhodnocení (po jízdě).

ETA predikce

ETA je víc než prostá vzdálenost/rychlost. Modely zohledňují historické profily provozu po časech a dnech, aktuální dopravní situaci, počasí, semaforové cykly, doby nakládky/vykládky, zvyky konkrétních řidičů i typ nákladu (nebo požadované manipulace). V námořní a intermodální dopravě se přidává přístavní kongesce, čekání na slot, celní procedury a zpoždění předchozích úseků cesty. Důležitá je kalibrace – aby predikované intervaly odpovídaly reálné nejistotě.

Plánování tras (VRP) a re-routing

Vehicle Routing Problem s časovými okny (VRPTW) řeší, jak obsloužit všechny zakázky s minimálními náklady a včas. AI kombinuje heuristiky/meta-heuristiky s učením (learned heuristics). Re-routing v reálném čase reaguje na dopravní uzávěrky, zpoždění vykládky či náhlé priority. Důležité je „human-in-the-loop“ – dispečer má poslední slovo, ale AI navrhuje nejlepší varianty a vysvětluje kompromisy (km, náklady, penalizace SLA).

Load-building a paletizace

Optimální naložení (3D bin packing) s ohledem na hmotnost, těžiště, křehkost, stohovatelnost a sekvenci vykládek. AI generuje návrhy, které minimalizují prázdný prostor, chrání zboží a zkracují časy vykládky. V multi-stop scénářích je klíčová sekvenční paletizace (POS pořadí).

Tarify a nákladová optimalizace

Dopravci používají složité tarifní tabulky (zónové, hmotnostní, palivové příplatky, minimální účtovatelná váha). AI srovná nabídky a predikuje finální náklad na zásilku včetně očekávaných příplatků podle profilu zásilky a historických sporů.

Last mile a zákaznická zkušenost

Poslední míle je drahá a citlivá na spokojenost. AI pomáhá přesnými ETA, dynamickým slottingem doručení, predikcí pravděpodobnosti zastižení a personalizovanou komunikací. V městské logistice se kombinuje s mikro-fulfillment centry a optimalizací pěší/koloběžkové/vozové obsluhy. Důležitá je zpětná vazba – po každém doručení se zlepšují modely (doby parkování, výtahů, přístupu do budov).

Inspirace z praxe: DHL a Maersk (co si odnést)

Velcí logističtí hráči dlouhodobě investují do dat a AI. Inspirace není v konkrétních číslech, ale v přístupu a škále:

DHL

U nadnárodních integrátorů bývá klíčová kombinace prediktivní analytiky (příjezdy, vytížení center), optimalizace tras a kapacit a vizuální kontroly zásilek či palet. Poučení pro ostatní: oddělit „globální mozek“ (standardy, platforma) a „lokální adaptaci“ (specifika trhů, regulace, zvyky). Sledování end-to-end kvality (od vyzvednutí po doručení) a kontinuální učení z odchylek je důležitější než honba za jedním magickým modelem.

Maersk

V námořní dopravě rozhoduje ETA napříč porty, přestupy a intermodální návaznosti. Modely počítají kongesce přístavů, sloty terminálů a variabilitu počasí na trase. Silná stránka je propojení plánování se zákaznickou komunikací – realistické ETA a proaktivní změny tras šetří náklady i reputaci. Poučení: investovat do datové dostupnosti (AIS signály, port data, celní statusy) a do orchestrace rozhodnutí (kdo, kdy a kde mění plán).

IoT a edge AI v logistice

Senzory a edge AI přinášejí lokální inteligenci a ultranízkou latenci, která je pro bezpečnost a kvalitu klíčová:

• Telematika a sledování zásilek – teplota, vlhkost, otřesy, poloha; detekce odchylek a okamžitá náprava (např. přepínání chlazení, změna trasy).
• Bezpečnost práce – AI z kamer detekuje rizikové situace ve skladech (bez reflexních vest, překážky ve zónách, chybné zdvihy) bez přenosu obrazu do cloudu.
• Prediktivní údržba – vozíky, dopravníky a sortery se servisují podle stavu, ne podle kalendáře.

Edge přístup šetří datovou konektivitu a chrání soukromí. Do cloudu míří pouze telemetrie a odvozené události, nikoli citlivý obraz.

Digitální dvojče, simulace a scénáře

Digitální dvojče (digital twin) umožňuje „přehrát“ si co-kdyby varianty bez rizika v reálném provozu. Simulovat lze přestavby skladu (slotting, nové zóny), změny trasování, přidání směny, promo akce, uzavírky silnic či přístavů. AI modely poskytují predikce, simulátor počítá dopady (SLA, náklady, pracovní vytížení). Vzniká tak evidence-based rozhodování – přesný důvod, proč změnu udělat a co od ní čekat.

KPI a ROI: jak měřit úspěch AI v supply chain

Bez měření není důvěra. Doporučené metriky:

ROI počítejte konzervativně: (úspory práce + snížení nákladů na dopravu + snížení OOS/přebytků v €) − (licence + integrace + provoz + enablement). Důležitý je time-to-value: první měřitelné přínosy do 8–12 týdnů po pilotu.

Data governance, bezpečnost a odpovědnost

Supply chain je citlivý na chyby a výpadky, proto musí být AI vysvětlitelná, auditovatelná a bezpečná:

• Lineage a as-of – každou predikci je třeba porovnat s realitou, jak byla známá v okamžiku rozhodnutí; jinak riskujete falešně dobré výsledky.
• Model registry a verze – kdo nasadil kterou verzi, s jakými daty a metrikami; postup rollbacku.
• Human-in-the-loop – jasné hranice, kde AI doporučuje a člověk schvaluje (např. velké přesuny zásob, re-routing s dopadem na SLA pro TOP zákazníky).
• Bezpečnost a soukromí – segmentace sítí (OT/IT), šifrování, SSO a role, anonymizace logů, minimální nezbytnost dat; edge zpracování obrazu/zvuku.

Pro dlouhodobou důvěru je nutná i transparence – plánovač musí vidět, proč AI navrhla danou změnu (např. SHAP pro klíčové featury, citace datových zdrojů, odhad dopadu na KPI).

Nejčastější chyby a jak se jim vyhnout

Typické slepé uličky, kterým se lze vyhnout správným návrhem:

• Jeden model vládne všem – forecasting poptávky, ETA a pick-path mají jinou povahu; modularizujte.
• Ignorace nejistoty – plánovat na „střední hodnotu“ vede k podcenění rizika; používejte intervaly a scénáře.
• Přesnost bez použitelnosti – model bez integrace do WMS/TMS/ERP nepřinese změnu chování.
• Bez „as-of“ evaluace – backtesty na „umytých“ datech jsou klamavé; snapshoty jsou nutnost.
• Chybějící governance – bez verzí, testů a schvalování riskujete nákladné chyby v operativě.
• Podcenění enablementu – bez školení a jasných SOP lidé AI návrhy ignorují.

Roadmapa adopce: od pilotu k škálování

Úspěch AI v supply chain nestojí na jednom „velkém třesku“, ale na postupném rozšiřování s měřením dopadu:

Fáze 1: Rychlé výhry (4–8 týdnů)

Zaměřte se na konkrétní, měřitelné problémy s jasným byznys dopadem:

• ETA predikce pro klíčové linky a zákazníky; měření MAE a dopadu na OTD.
• Pick-path optimalizace v jedné zóně skladu; porovnat km/pick a FPY.
• Forecast vybraných top SKU s promo kalendářem; sledovat WAPE a OOS.

Fáze 2: Integrace a rozšíření (2–3 měsíce)

Propojte úspěšné modely s rozhodovacími toky:

• Automatické přerozdělení zásob mezi lokacemi na základě pravděpodobnostních forecastů.
• Re-routing v TMS s human-in-the-loop; definovat prahy a výjimky.
• Slotting a waveless řízení v širší části skladu; nastavit pravidelné reoptimalizace.

Fáze 3: Škálování (6–12 měsíců)

Rozšiřte na další segmenty a trhy, sjednoťte governance a mějte připravenou „evidence pack“ dokumentaci pro audit a vedení. Zvažte digitální dvojče pro simulace a scénáře, zapojte LLM copilot s RAG nad SOP a daty.

Závěr: supply chain jako konkurenční výhoda

AI v supply chain není módní vlna, ale praktická cesta, jak zvládnout volatilitu, růst nároků zákazníků i tlak na efektivitu. Od přesných forecastů přes inteligentní zásoby až po ETA a optimalizaci tras se rozhodování opírá o data, nejistotu a měřitelný dopad. Klíčem je disciplína: společná datová platforma, as-of evaluace, governance a integrace AI do denních nástrojů plánovačů, skladů a dispečerů. Inspirace od lídrů typu DHL a Maersk ukazuje, že úspěch stojí na kombinaci predikce a orchestrace. Kdo tuto kombinaci zvládne, promění logistiku v konkurenční výhodu: vyšší dostupnost zboží, nižší náklady, spolehlivé termíny a zákaznickou zkušenost, která buduje loajalitu.