Wdrożenie AI w firmie spożywczej – 1,2 mln zł oszczędności rocznie dzięki BI i predykcji

Wstęp: Case study transformacji cyfrowej MŚP

Wielu właścicieli firm słyszy o cudach, jakie może zdziałać sztuczna inteligencja. Jednak samo hasło „chcemy AI” nie wystarczy, by osiągnąć realne korzyści biznesowe. Kluczem jest strategiczne podejście – najpierw uporządkowanie procesów i danych, a dopiero potem wdrożenie AI w firmie. W tym artykule przedstawiamy studium przypadku polskiej firmy z branży spożywczej (segment MŚP), która dzięki przemyślanej transformacji cyfrowej MŚP z wykorzystaniem systemu BI i narzędzi predykcyjnych AI zredukowała koszty zwrotów o aż 1,2 mln zł rocznie. Omówimy krok po kroku, jak do tego doszło, jakie etapy wdrożenia okazały się kluczowe oraz jakie mierzalne efekty – w tym wysoki ROI, mniejsza liczba zwrotów i lepsze decyzje zarządcze – udało się osiągnąć.

Optymalizacja procesów biznesowych – najpierw porządek, potem AI

Pierwsza lekcja z naszego case study: nie da się skutecznie wdrożyć AI na chaosie. Zanim firma spożywcza sięgnęła po algorytmy predykcyjne, musiała najpierw zadbać o optymalizację procesów biznesowych i uporządkowanie danych. To uniwersalna zasada – jeśli wprowadzimy zaawansowane narzędzia analityczne do organizacji z rozproszonymi, niespójnymi danymi i źle zdefiniowanymi procesami, uzyskamy jedynie „automatyzację chaosu”. Jak wskazują badania, aż 85% projektów AI kończy się niepowodzeniem właśnie z powodu złej jakości danych(źródło:britenet.eu). Innymi słowy, sztuczna inteligencja jest tak dobra, jak dane, którymi ją karmimy.

Dlaczego uporządkowane procesy i dane są tak ważne? Po pierwsze, AI nie zastąpi logiki biznesowej – jeżeli procesy w firmie są nieefektywne lub nieokreślone, nawet najlepszy algorytm nie podejmie za nas właściwych decyzji. Po drugie, algorytmy uczą się na podstawie historii danych. Jeśli dane historyczne są pełne luk lub błędów, model nauczy się złych wzorców. Nic dziwnego, że 1/3 menedżerów nie ufa raportom generowanym przez AI z powodu wątpliwej jakości danych wejściowych. Dobra praktyka to więc najpierw zadbać o jakość danych i standaryzację procesów, a dopiero potem inwestować w narzędzia AI. Jak obrazowo ujął to Arvind Krishna (CEO IBM) – przygotowanie danych potrafi pochłonąć nawet 80% czasu trwania projektu AI (źródło: https://www.ifirma.pl/blog/marketing/ai-w-biznesie/jakie-wyzwania-niesie-projekt-ai/#:~:text=W%20przypadku%20projekt%C3%B3w%20AI%20o,czasu%20trwania%20projektu ). Bez tego etapu ambitny projekt może ugrzęznąć na etapie „sprzątania” danych zamiast przynosić wartość biznesową.

Transformacja cyfrowa MŚP w praktyce: kluczowe etapy wdrożenia

Opisywana firma spożywcza nie od razu wdrażała modele predykcyjne. Wręcz przeciwnie – proces transformacji cyfrowej przebiegał etapami, kładąc fundamenty pod udane wdrożenie AI. Oto kluczowe etapy tego projektu:

1. Porządkowanie finansów i kontroling – Na początek zapewniono przejrzystość finansową. Wdrożono solidny kontroling finansowy: uporządkowano plan kont, zdefiniowano KPI finansowe oraz spójne raportowanie zarządcze. Pozwoliło to dokładnie policzyć koszty związane ze zwrotami produktów i określić punkty zapalne. Bez takiej finansowej „mapy” firma nie wiedziałaby, gdzie traci pieniądze ani jaka jest baza do poprawy.
2. Ujednolicenie danych o recepturach i produktach – Jako firma spożywcza, przedsiębiorstwo posiadało setki receptur produktów. Dane o składnikach, kosztach surowców i terminach ważności były rozproszone między działami (produkcja, R&D, jakość). W ramach projektu zcentralizowano i ustandaryzowano informacje o recepturach w jednej bazie danych. Dzięki temu każdy produkt miał jasno określony koszt wytworzenia i parametry (np. okres przydatności). To później pomogło w analizach, które produkty generują najwięcej strat przy zwrotach i dlaczego (np. krótszy termin ważności, wyższy koszt składników itp.).
3. Optymalizacja dystrybucji i logistyki – Trzeci krok to przyjrzenie się łańcuchowi dostaw. Zwroty w branży spożywczej często wynikają z niedopasowania podaży do popytu – sklepy zwracają niesprzedany towar, który się przeterminował. Firma przeanalizowała więc historyczne dane sprzedaży vs. wysyłki towaru do poszczególnych odbiorców. Ujawniono, gdzie regularnie wysyłano za dużo produktów (skutkując zwrotami), a gdzie pojawiały się braki (towar schodził na pniu). Następnie usprawniono procesy logistyki: wprowadzono lepsze planowanie dostaw i komunikację z sieciami handlowymi w oparciu o faktyczne zapotrzebowanie. Ten porządek w dystrybucji był niezbędny, aby prognozy AI miały sens – AI miała bazować na realnych trendach popytu, a nie na zaburzonych danych z chaotycznej dystrybucji.
4. Wdrożenie systemu BI z warstwą predykcyjną AI – Dopiero mając powyższe fundamenty, przystąpiono do implementacji narzędzi analitycznych. Wybrano nowoczesny system Business Intelligence dostosowany dla MŚP, który zintegrował dane z finansów, produkcji i sprzedaży w jednym miejscu. Ważne, by systemy BI dla MŚP były elastyczne i skalowalne – tu zdecydowano się na rozwiązanie chmurowe, które szybko dostarczało raporty i wizualizacje kluczowych metryk (m.in. wartości zwrotów per produkt, klient, region). Następnie dołożono warstwę AI predykcyjnej: modele uczenia maszynowego analizujące historyczne wzorce sprzedaży i zwrotów. Model AI prognozował, ile danego produktu powinno trafić na dany rynek w kolejnym tygodniu czy miesiącu, by zminimalizować niesprzedane nadwyżki. Integracja BI + AI oznaczała, że zarząd firmy miał na dashboardach zarówno dane historyczne, jak i predykcje przyszłości.

Każdy z tych etapów wymagał ścisłej współpracy między ekspertami technologicznymi a zespołem firmy. W praktyce transformacja cyfrowa MŚP przebiegła tu iteracyjnie – najpierw poprawiano wewnętrzne procesy (finanse, receptury, logistyka), a narzędzia technologiczne dobierano adekwatnie do potrzeb i dojrzałości danych. Dzięki takiemu podejściu uniknięto sytuacji, gdzie firma kupuje drogi system AI, ale nie potrafi z niego skorzystać ze względu na bałagan informacyjny.

Dobre dane jako podstawa skutecznych systemów BI i AI

Warto podkreślić osobno: BI z warstwą AI będzie skuteczne tylko wtedy, gdy bazuje na wiarygodnych danych. Nasz przykład doskonale to ilustruje – dopiero po oczyszczeniu i ujednoliceniu danych firma mogła zaufać rekomendacjom modelu AI. Nie jest to tylko nasze doświadczenie – liczne badania rynkowe potwierdzają tę prawidłowość. Niska jakość danych bywa cichym, kosztownym wrogiem cyfrowej transformacji(źródło:forsal.pl). Zaniedbane dane napędzają „technologiczny dług” i opóźniają osiąganie wyników biznesowych z AI. Według firmy Britenet aż 85% inicjatyw AI upada z powodu niespójnych, niekompletnych lub przestarzałych danych. Z kolei analiza Qlik pokazała, że 81% organizacji ma problemy z jakością danych, co przekłada się na brak zaufania do wygenerowanych analiz.

Krótko mówiąc, „garbage in – garbage out”. Jeśli do systemu BI wrzucimy błędne dane, to nawet najlepszy algorytm wygeneruje błędne wnioski. Nasz klient był tego świadomy, dlatego tyle czasu poświęciliśmy na wcześniejsze etapy porządkowania informacji. Gdy już dane były rzetelne, system BI z AI stał się potężnym narzędziem – zaczął ujawniać zależności wcześniej ukryte w rozproszonych arkuszach Excela i intuicjach pracowników. Co ważne, użytkownicy (np. dział sprzedaży czy produkcji) ufali tym analizom, bo wiedzieli, że dane są aktualne i zweryfikowane.

Warto tu zaznaczyć, że dostępne dziś technologie ułatwiają dbanie o jakość danych. Dostawcy tacy jak Snowflake zwracają uwagę, że klienci coraz częściej traktują dane jako strategiczny zasób i zaczynają od ich uporządkowania, by potem przekształcić je w przewagę konkurencyjną (źródło: erp24.pl). Innymi słowy, kultura organizacyjna skupiona na danych to podstawa – dopiero na niej budujemy systemy BI/AI, które faktycznie pomagają podejmować decyzje. Taka filozofia zapewni, że inwestycja przyniesie oczekiwane rezultaty.