W przypadku sieci piekarni obejmującej kilkadziesiąt punktów sprzedaży, współpraca z MAWEB zaowocowała redukcją zwrotów o 58% (w cenach ewidencyjnych) przy jednoczesnym wzroście obrotów o 10%. To wynik istotny, ponieważ w tej branży najprostszym sposobem ograniczenia zwrotów jest po prostu produkować i dostarczać mniej — co zwykle kończy się brakami towarowymi i spadkiem sprzedaży. Tutaj obrót nie tylko nie spadł, ale wzrósł, co pokazuje, że model dobrze trafiał w rzeczywisty popyt, a nie tylko obcinał dostawy.

Poza samą redukcją zwrotów, klient wskazuje jako istotną wartość dodaną współpracy z MAWEB uporządkowanie danych sprzedażowych w firmie — dane z poszczególnych punktów sprzedaży, wcześniej rozproszone i niespójne, zostały ujednolicone i stały się podstawą do lepszego zarządzania na poziomie całej sieci, a nie tylko do samego prognozowania.

Klient

Sieć piekarni działająca w modelu wieloplacówkowym, obejmująca kilkadziesiąt punktów sprzedaży. Przed wdrożeniem prognozowanie produkcji i dostaw opierało się na doświadczeniu pracowników poszczególnych placówek, co przy takiej skali sieci prowadziło do niespójności między punktami oraz utrudniało scentralizowane zarządzanie zapasami.

Pakiet usługowy

Predykcja Popytu — model AI prognozujący sprzedaż dla poszczególnych punktów i produktów, wspierający decyzje o wielkości produkcji i dostaw.

Cel

• Ograniczenie zwrotów i strat wynikających z nadprodukcji, bez zmniejszania dostępności produktów w sklepach.
• Utrzymanie lub zwiększenie obrotu — redukcja zwrotów nie mogła odbyć się kosztem sprzedaży.
• Ujednolicenie i uporządkowanie danych sprzedażowych ze wszystkich punktów, jako podstawa do lepszego zarządzania siecią.

Metoda pomiaru: porównanie poziomu zwrotów w cenach ewidencyjnych oraz obrotu przed i po wdrożeniu modelu predykcyjnego.

Realizacja

MAWEB zebrało i uporządkowało historyczne dane sprzedażowe klienta z poszczególnych punktów sprzedaży, obejmujące sprzedaż, dostawy, zwroty oraz czynniki zewnętrzne wpływające na popyt (m.in. kalendarz, dni tygodnia, święta). Na tej podstawie zbudowany został model predykcyjny prognozujący sprzedaż osobno dla każdego punktu i produktu, generujący codzienne rekomendacje dotyczące wielkości produkcji i dostaw.

Kluczowym elementem modelu były zabezpieczenia ograniczające ryzyko, że optymalizacja zwrotów doprowadzi do spadku dostępności produktów i obrotu — model nie ogranicza dostaw mechanicznie, tylko dopasowuje je do przewidywanego popytu w danej lokalizacji.

Przy okazji wdrożenia dane z poszczególnych punktów sprzedaży, wcześniej prowadzone w różny sposób w zależności od placówki, zostały ujednolicone do wspólnego formatu. Dało to klientowi — niezależnie od samych prognoz — spójny obraz sprzedaży całej sieci, wykorzystywany także do bieżącego zarządzania.

Rezultat

• Redukcja zwrotów o 58% (w cenach ewidencyjnych, względem okresu sprzed wdrożenia).
• Wzrost obrotu o 10% w tym samym czasie — redukcja zwrotów nie odbyła się kosztem sprzedaży.
• Uporządkowanie danych sprzedażowych całej sieci — wskazywane przez klienta jako dodatkowa wartość współpracy, wykraczająca poza samą predykcję i wspierająca lepsze zarządzanie firmą.