Prediktivní analytika ve skladu a výrobě znamená, že váš ERP nečeká, než něco dojde nebo se pokazí — předpoví to s 7 – 28 denním předstihem a navrhne akci. Pro české SMB výrobní a logistické firmy v 2026 je to nejrychlejší cesta ke snížení zásob o 15 – 30 %, zkrácení výpadků strojů o 40 % a přesnějšímu plánování kapacit. Nepotřebujete data scientisty — moderní ERP jako Modulario má prediktivní modely zabudované a stačí je aktivovat na vašich historických datech.
Tento článek navazuje na pillar AI v ERP systémech — praktické nasazení.
Tři oblasti, kde prediktivní analytika v ERP nejvíce vrací
| Oblast | Predikce | Typický přínos |
|---|---|---|
| Sklad | Poptávka po SKU, optimální re-order úroveň | -18 % zásob, -65 % stockoutů |
| Výroba | Prediktivní údržba strojů, OEE | -40 % neplánovaných odstávek |
| Plánování | Capacity utilization, lead time | +12 % on-time delivery |
Tato čísla jsou agregována z 38 CZ/SK výrobních klientů Modulario, 2024 – 2026.
Predikce poptávky — jak AI předpovídá, co budete prodávat
Klasické metody (klouzavý průměr, exponenciální vyhlazování) selhávají při:
- sezónních produktech s krátkou historií,
- produktech s proměnlivou poptávkou (B2B projekty),
- nových produktech bez historie,
- vlivech externích faktorů (počasí, svátky, marketingové kampaně).
Moderní ML modely (Prophet, LightGBM, Temporal Fusion Transformer) v Modulario:
- Analyzují historické prodeje za 24+ měsíců.
- Přidávají externí features — kalendář svátků, počasí, kurzy, ceny vstupů.
- Detekují kanibalizaci mezi podobnými SKU (nová verze ukrajuje stará).
- Pro nové produkty používají transfer learning z podobných produktů v kategorii.
- Výstupem je denní predikce na 28 dní dopředu s confidence intervalem (P10/P50/P90).
Pro praktického nákupčího to znamená: místo “Koupíme 100 ks, protože minulý měsíc se prodalo 90” má v Modulario denně aktualizovaný panel: “V příštích 28 dnech se pravděpodobně prodá 78 – 124 ks (P50: 96). Aktuální zásoba 110 ks vydrží do 17. května. Re-order pro dodávku do 25. května je třeba spustit do 4 dní.”
Příklad: e-commerce s 1200 SKU
Klient: B2C e-shop se sportovním oblečením, 18 zaměstnanců.
Před prediktivní analytikou:
- Průměrná zásoba: 4,2 měsíce obratu (příliš mnoho).
- Stockouty: 8 % SKU měsíčně mělo nulovou zásobu.
- Dead stock (>12 měs. bez pohybu): 14 % hodnoty zásob.
Po 9 měsících:
- Průměrná zásoba: 2,8 měsíce (-33 %).
- Stockouty: 2,9 % SKU (-64 %).
- Dead stock: 6 % (-57 %).
V penězích: uvolnění cca 86 000 EUR v cash-flow, který byl zamknutý v zbytečných zásobách.
Co fungovalo:
- External features. Přidání počasí jako vstupu zlepšilo MAPE (Mean Absolute Percentage Error) o 4 %, protože prodej sportovního oblečení silně koreluje s teplotou a srážkami.
- Promo flagy. AI dostala v tréninku informaci, kdy byla na produktu sleva — bez toho by interpretovala promo špičky jako organický růst a nadhodnocovala by predikce.
- Cross-channel data. Prodej přes e-shop, Heureka, Favi a kamenné prodejny byl sloučen do jednoho forecastu, což zlepšilo přesnost pro vzácné SKU s rozptýlenou poptávkou.
Optimalizace zásob — re-order points a safety stock
AI nahrazuje statické re-order points dynamickými. Klasické pravidlo “objednej 200 ks, když zásoba klesne pod 50” je v 2026 zastaralé. Modulario prediktivní modul počítá:
- Dynamický re-order point podle aktuální poptávky a lead time dodavatele.
- Safety stock podle volatility (vyšší volatilita = větší rezerva).
- Optimální objednávkovou dávku s ohledem na množstevní slevy a skladové náklady (modifikovaný EOQ).
Příklad pro jedno SKU:
| Parametr | Statické pravidlo | Modulario AI |
|---|---|---|
| Re-order point | 50 ks (fix) | 38 – 72 ks (denně aktualizované) |
| Safety stock | 30 ks (fix) | 18 – 45 ks (volatility-based) |
| Order quantity | 200 ks (fix) | 140 – 280 ks (EOQ + slevy) |
| Stockout riziko | 12 %/měs | 2,8 %/měs |
| Prům. zásoba | 165 ks | 110 ks |
Těchto -33 % v inventory při stejném service levelu je typický výsledek AI optimalizace.
Klasifikace SKU — kde má AI největší hodnotu
Ne všechna SKU má smysl predikovat AI. Použijte následující klasifikaci:
| Třída | Charakteristika | Strategie |
|---|---|---|
| A — fast movers (top 20 % SKU = 80 % obratu) | Stabilní poptávka, vysoké objemy | AI prediktor s týdenní kalibrací |
| B — medium movers | Proměnlivá poptávka, střední obrat | AI prediktor s měsíční kalibrací |
| C — slow movers | Nepravidelné, malé objemy | Statické pravidlo (ROP), AI nemá dost dat |
| D — sezónní / event-driven | Špičky 2 – 4× ročně | AI s manuálním promo flagem |
| E — nové (< 6 měs. historie) | Žádná historie | Transfer learning + vyšší safety stock |
V praxi 60 – 70 % SKU spadá do tříd A a B, kde AI prediktor přináší největší hodnotu. Pro třídy C a D ruční kontrola plus jednoduchá pravidla fungují lépe a levněji.
Prediktivní údržba strojů
V české výrobě je prediktivní údržba (PdM) nejsilnějším AI use case po kvalifikaci leadů. Logika:
- Senzory na stroji (vibrace, teplota, otáčky, proud) posílají data každých 5 – 60 sekund.
- ML model porovnává aktuální hodnoty s baselinem zdravého provozu.
- Detekuje anomálie — odchylky, které předcházejí poruchám.
- Předpovídá Remaining Useful Life (RUL) komponenty (dny do očekávané poruchy).
- Vytváří task v MES modulu: “Ložisko motoru č. 3 — vyměnit do 8 dní, plánovaná odstávka 12. května 18:00.”
Reálná čísla ze 2 CZ/SK výrobních klientů
Klient A — výroba plastových komponentů, 4 vstřikovací stroje:
| Metrika | Před PdM | Po 12 měs. PdM |
|---|---|---|
| Neplánované odstávky | 18 dní/rok | 6 dní/rok |
| Náklady na opravy | 32 000 EUR | 19 000 EUR |
| OEE (Overall Equipment Effectiveness) | 64 % | 78 % |
Návratnost investice (senzory + ML licence): 8 měsíců.
Klient B — kovovýroba, 12 CNC strojů:
- AI detekovala 4 vznikající poruchy ložisek před kritickou fází.
- Ušetřila cca 28 hodin neplánovaných odstávek / kvartál.
- ROI: 11 měsíců.
Limity prediktivní údržby
PdM není magické — má své hranice:
- Nedetekuje katastrofická selhání bez varovných signálů (např. zlomení nástroje při kolizi).
- Vyžaduje 4 – 8 týdnů tréninku modelu na vašem konkrétním stroji — nelze jednoduše “zapnout AI” v den 1.
- Nesnižuje human error — pokud operátor nasype špatný materiál, žádné AI to nezachytí před poškozením.
- Closed-loop řešení (servis dělá AI návrhy bez human review) jsou v 2026 v CZ SMB ještě nezralá. Lidský operátor by měl každý alert validovat.
Integrace AI s WMS a MES modulem
V Modulario je prediktivní analytika nativní součástí WMS (Warehouse Management) a MES (Manufacturing Execution) modulů, ne samostatným produktem. To znamená:
- Skladník v terminálu vidí v kartě SKU predikci spotřeby vedle aktuálního stavu.
- Operátor MES dashboardu vidí RUL každého stroje a navrhovaná údržbová okna.
- Plánovač výroby dostává navrhnutý sequencing zakázek podle dostupnosti materiálu (s ohledem na predikované dodávky).
- Nákupčí dostane v pondělí ráno digest: “5 SKU pod re-order, 3 dodavatelé ve skluzu, navrhnuté objednávky připravené ke schválení.”
Taková integrace odstraňuje “AI sila” — běžný problém firem, kde data tým má svůj BI dashboard, ale operátoři ve skladu se nikdy nedozvědí, co AI navrhuje.
Příklad obrazovky pro nákupčího
Představte si pondělní digest, který nákupčí dostane ráno v 7:30:
5 SKU pod re-order:
- Šroub M8x40 (zbývá 7 dní zásob) — navrhnutá objednávka 1200 ks @ Würth, 1840 EUR
- Filtr typ A (zbývají 4 dny) — navrhnutá objednávka 80 ks @ MultiFilter, 4 200 EUR
- …
3 dodavatelé ve skluzu:
- SteelMaster měškal s poslední dodávkou +5 dní. Re-evaluace kontraktu.
- …
2 anomálie:
- Spotřeba “Těsnění B12” roste 30 % MoM bez známé příčiny. Prověřit s výrobou.
Nákupčí toto přebere za 5 minut, schválí/upraví objednávky jedním klikem. Dříve mu trvalo 2 hodiny ručně zkontrolovat stavy ve 4 skladech a vytvořit objednávky.
Předpoklady pro úspěch prediktivní analytiky
Bez těchto AI nebude fungovat:
- Min. 12 měsíců čistých historických dat o prodeji / výrobě / pohybech.
- Konzistentní SKU číselník (ne 4 varianty stejného produktu pod různými kódy).
- Aktuální a přesné lead times od dodavatelů (ne odhad z před 5 let).
- Senzory pro PdM — bez vibračních senzorů se prediktivní údržba neudělá (cca 200 – 400 EUR/stroj).
- Definovaný service level cíl — pokud AI neřeknete, zda cíl je 95 % nebo 99 %, optimalizuje “naslepo”.
V praxi 60 – 70 % nákladů AI projektu ve skladu jde do data hygiene a integrace, ne do samotného ML.
Cenová úvaha — kolik stojí prediktivní analytika v ERP
Pro CZ SMB výrobce / e-commerce 20 – 60 zaměstnanců:
| Položka | Jednorázově | Měsíčně |
|---|---|---|
| Modulario AI modul (licence) | – | 80 – 180 EUR |
| Setup a trénink modelů | 2 400 – 4 800 EUR | – |
| Senzory pro PdM (8 strojů) | 2 800 EUR | – |
| Onboarding týmu | 1 200 EUR | – |
| Compute pro denní re-trénink | – | 25 – 60 EUR |
Celkem rok 1: cca 8 000 – 12 000 EUR investice + 1 500 – 2 800 EUR roční provoz.
Typická úspora: 25 000 – 70 000 EUR/rok při firmě této velikosti.
Související zdroje
- Pillar: AI v ERP systémech — praktické nasazení 2026
- ERP automatizace a IoT
- MCP server pro AI asistenty a ERP data
Časté otázky
Kolik historických dat potřebuji pro nasazení predikce poptávky?
Minimálně 12 měsíců denních prodejních dat pro stabilní SKU, ideálně 24 měsíců pro zachycení sezónnosti. Pro úplně nové produkty model používá transfer learning z podobných SKU v kategorii — výsledek je méně přesný (typicky ±25 % vs. ±10 % pro etablovaná SKU), ale stále lepší než ruční odhad.
Funguje prediktivní údržba i na starších strojích bez vestavěných senzorů?
Ano. Doplňkové vibrační a teplotní senzory se retrofitují za 2 – 6 hodin na stroj a stojí 200 – 400 EUR/stroj. Pro rotační stroje (motory, čerpadla, převodovky) stačí vibrační senzory. Pro tepelné stroje (vstřikolisy, pece) přidejte teplotní. Modulario podporuje všechny běžné Industry 4.0 senzory přes OPC UA a MQTT protokoly.
Jak zaručíte, že AI nedoporučí nesmyslný re-order?
Modulario AI modul má vestavěnou business logic vrstvu s twin guardrails: minimální objednávku, maximální objednávku, maximálně X re-orderů/měsíc. Navíc každý automatický návrh nad 5 000 EUR vyžaduje schválení nákupčím. Při spuštění pro nového klienta běží 4 týdny v “shadow mode” — AI navrhuje, ale nevykonává, a nákupčí porovnává s ručními objednávkami.
Můžeme používat prediktivní analytiku, pokud máme jen 1 sklad?
Ano, dokonce 1 sklad je jednodušší případ. Pro multi-warehouse setup (3+ skladů) se přidává další vrstva: inventory rebalancing mezi sklady, kdy AI navrhuje přesunout zboží tam, kde se předpovídá rostoucí poptávka. Toto je další úspora 5 – 12 % zásob, ale dává smysl až při 3+ skladech.