Czym jest predykcyjna sztuczna inteligencja?W systemie ERP
Predykcyjna AI analizuje dane operacyjne zgromadzone w systemie ERP — między innymi ruchy magazynowe, wydajność maszyn i historię sprzedaży — aby wskazać, co prawdopodobnie wydarzy się w przyszłości, a nie tylko wyjaśniać to, co już miało miejsce. Dzięki temu problem z marżą nie pojawia się dopiero w raporcie trzy tygodnie po fakcie. Rozwijająca się tendencja staje się widoczna wtedy, gdy wciąż można jeszcze zareagować.
Wykrywanie problemów, zanim wpłyną na produkcję
Każdy system ERP generuje raporty dotyczące sprzedaży według linii produktowych, poziomów zapasów i marż. Pokazują one jednak wyłącznie to, co już się wydarzyło. Jeśli problem z marżą staje się widoczny dopiero przy zamknięciu miesiąca, sześć tygodni, w których narastał, już dawno minęło.
Predykcyjna AI działa wcześniej. Nie czeka na zamknięcie okresu, lecz wychwytuje wzorce, które mogą przerodzić się w problemy, i sygnalizuje je na tyle wcześnie, by można było podjąć działania.
W tym przewodniku wyjaśniamy, jak działa predykcyjna AI w systemie ERP, czym różni się od raportowania stosowanego już przez większość firm przemysłowych oraz w jakich obszarach przynosi wymierne korzyści w procesach produkcyjnych.
Czym predykcyjna AI różni się od standardowego raportu ERP?
Raport opisuje przeszłość. Niezależnie od tego, jak dobrze został przygotowany i ile zawiera filtrów, przedstawia zdarzenia, które już nastąpiły. Predykcyjna AI patrzy w przyszłość: analizuje te same dane, aby określić, co prawdopodobnie się wydarzy.
Te same dane, wcześniejsze ostrzeżenie
Rozważmy problem z marżą. Analizując dane na koniec miesiąca, zespół finansowy może zauważyć, że dana linia produktowa od sześciu tygodni przynosi straty.
Predykcyjna AI analizuje te same dane na bieżąco i sygnalizuje tendencję już po dwóch tygodniach, gdy nadal można skorygować ceny lub zakwestionować wzrost kosztów po stronie dostawcy. Problem i dane pozostają takie same. Zmienia się moment, w którym sytuacja staje się widoczna.
Wykorzystuje dane, które firma już posiada
Predykcyjna AI nie wymaga tworzenia od podstaw specjalnie wytrenowanego modelu. Nie opiera też wniosków na ogólnych benchmarkach branżowych, które mogą nie odpowiadać realiom konkretnej firmy.
Korzysta z historii zapasów, wzorców zużycia, niedoborów, czasu pracy maszyn, trendów sprzedażowych i innych danych operacyjnych, które system ERP już gromadzi.
Jakość prognoz zależy od jakości danych źródłowych. Właśnie dlatego predykcyjna AI najlepiej sprawdza się wewnątrz systemu, który już przechowuje te informacje, a nie jako zewnętrzne rozwiązanie dołączone na późniejszym etapie.
Gdzie predykcyjna AI jest już wykorzystywana w systemach ERP?
Utrzymanie predykcyjne
Maszyna monitorowana w czasie pod kątem drgań, czasu pracy i sposobu użytkowania często wykazuje oznaki zużycia jeszcze przed awarią. Predykcyjna AI może rozpoznać, że określony element prawdopodobnie będzie wymagał interwencji w danym przedziale czasu.
Dzięki temu serwis można zaplanować, zamiast odkrywać potrzebę naprawy dopiero w trakcie zmiany, gdy linia produkcyjna już stoi. To znacznie lepsza sytuacja niż usuwanie awarii po fakcie — zarówno pod względem kosztów, jak i zakłóceń w dalszych etapach procesu.
Prognozowanie popytu
Planiści nie powinni przeglądać 150 raportów BI, aby zauważyć zmieniający się popyt. Predykcyjna AI wskazuje kilka wzorców, które rzeczywiście mają znaczenie: produkty, na które popyt prawdopodobnie gwałtownie wzrośnie, oraz miejsca, w których zapasy mogą okazać się niewystarczające.
Istotne sygnały stają się widoczne bez konieczności ich ręcznego wyszukiwania.
Analiza minimalnych i maksymalnych poziomów zapasów
Ustalanie odpowiednich minimalnych i maksymalnych poziomów zapasów dla produktu zwykle opiera się na ocenie osoby, która przez lata obserwowała zachowanie danego artykułu.
Predykcyjna AI może przeprowadzić taką analizę bezpośrednio. Uwzględnia historię zapasów, częstotliwość niedoborów i średnie zużycie, a następnie rekomenduje właściwe poziomy.
Jeśli na przykład w minionym roku produkt dwukrotnie wyczerpał się podczas sezonowych szczytów, system pokazuje tę informację wraz z rekomendowanym poziomem, a nie tylko samą liczbę. Osoba odpowiedzialna za weryfikację nadal decyduje, czy zatwierdzić zmianę, ale analiza została już wykonana.
Monitorowanie marży w trakcie okresu, a nie po jego zakończeniu
Dostawca podnosi cenę komponentu w połowie miesiąca. Albo zespół sprzedaży nadal stosuje starą cenę w ofercie, która nie została zaktualizowana.
W obu przypadkach marża zaczyna spadać od razu, ale zmiana często pozostaje niewidoczna aż do wygenerowania raportu kilka tygodni później. Predykcyjna AI monitoruje marżę na bieżąco i wykrywa odchylenie, gdy można jeszcze zmienić cenę zapasu lub renegocjować otwarte zamówienie.
Jaki jest związek między predykcyjną a agentową AI?
Pojęcia te są często łączone, ale pełnią różne funkcje. Predykcyjna AI zauważa, że zaczyna rozwijać się określona sytuacja — na przykład grozi niedobór zapasów, spada marża albo maszyna wykazuje oznaki zbliżającej się awarii. Agentowa AI może następnie zareagować na wykrytą sytuację.
W praktyce zazwyczaj działają kolejno. Jeśli predykcyjna AI wykryje, że za trzy tygodnie wystąpi niedobór zapasów, agent AI może przygotować zamówienie uzupełniające lub oznaczyć powiązane zamówienia klientów do weryfikacji. Nie trzeba wtedy ręcznie rozpoznawać tej zależności ani zarządzać dalszym działaniem.
Jak odróżnić prawdziwą predykcyjną AI od dashboardu z nową etykietą
Wiele rozwiązań określanych jako „predykcyjne” to w rzeczywistości zwykłe linie trendu przedstawione w nowej formie. Zanim uznasz takie określenie za zasadne, warto zweryfikować kilka kwestii z dostawcą.
Najpierw sprawdź, czy rozwiązanie wskazuje konkretne zdarzenie, czy tylko pokazuje trend. Wykres przedstawiający spadek zapasów w ciągu sześciu miesięcy może być przydatny, ale nie jest prognozą.
Predykcyjna AI powinna wskazywać konkretne ryzyko osadzone w czasie, na przykład: „Przy obecnym zużyciu zapas tego produktu wyczerpie się za 11 dni”, zamiast ograniczać się do ogólnego stwierdzenia, że „poziom zapasów spada”.
Rozwiązanie powinno również wyjaśniać, w jaki sposób doszło do danego wniosku. Liczbie bez uzasadnienia trudno zaufać i jeszcze trudniej podjąć na jej podstawie działanie. Dobre narzędzie predykcyjnej AI pokazuje, jakie dane zostały przeanalizowane i dlaczego prowadzą do określonego wniosku — tak jak osoba musiałaby uzasadnić przygotowaną prognozę.
Warto też sprawdzić, na jakich danych opiera się prognoza. Przewidywanie wykorzystujące własną historię zapasów, własnych klientów i własne maszyny zawsze będzie bardziej użyteczne niż prognoza oparta na ogólnym benchmarku branżowym, który tylko częściowo odpowiada rzeczywistości przedsiębiorstwa.
I najprostszy test: czy dzięki temu firma uzyska tę informację wcześniej niż obecnie? Jeśli szczera odpowiedź brzmi „nie”, jest to zwykłe raportowanie pod lepszą nazwą, a nie predykcyjna AI.
Najczęściej zadawane pytania
Czy predykcyjna AI to to samo co business intelligence?
Te obszary są ze sobą powiązane, ale nie są tym samym. Narzędzia BI zwykle pomagają użytkownikowi analizować dane i odpowiadać na pytania, które już zna.
Predykcyjna AI idzie krok dalej: wskazuje trendy i kwestie warte zbadania, zanim ktokolwiek zacznie ich świadomie szukać.
Czy predykcyjna AI eliminuje potrzebę podjęcia ostatecznej decyzji przez człowieka?
Nie. Pokazuje wzorzec i w wielu przypadkach przedstawia rekomendację, ale decyzję o działaniu — na przykład zatwierdzeniu poziomu zapasów lub zmianie ceny — nadal podejmuje człowiek.
Ile historycznych danych z systemu ERP potrzebuje predykcyjna AI, aby działać skutecznie?
Zależy to od przypadku użycia. Zasadniczo im więcej spójnych danych historycznych dotyczących działalności — takich jak ruchy magazynowe, sprzedaż czy dane maszynowe — tym trafniejsze stają się prognozy.
Firma, która dopiero niedawno przeszła na połączony system, będzie obserwować poprawę dokładności w kolejnych miesiącach wraz z gromadzeniem danych.
Czy predykcyjna AI może się mylić?
Tak. Predykcyjna AI opiera się na wzorcach, a nie na pewnikach. Nietypowe zdarzenie, takie jak jednorazowe zamówienie lub wcześniej niespotykany problem z dostawcą, może zaburzyć prognozę.
To jeden z powodów, dla których ostateczna decyzja nadal należy do człowieka, zamiast być całkowicie przekazywana systemowi.
Czym jest LMM (duży model multimodalny)?
