A raktárbeli és gyártásbeli prediktív analitika azt jelenti, hogy az ERP nem vár arra, amíg valami elfogy vagy meghibásodik — 7–28 nappal előre jelzi és javasol intézkedést. A KKV gyártó és logisztikai vállalatok számára 2026-ban ez a leggyorsabb út a készletek 15–30%-os csökkentéséhez, a gépleállások 40%-os rövidítéséhez és a pontosabb kapacitástervezéshez. Nincs szükség adattudósokra — a modern ERP-k, mint a Modulario, beépített prediktív modellekkel rendelkeznek, és elegendő azokat aktiválni a korábbi adatokon.
Ez a cikk az AI az ERP rendszerekben — gyakorlati bevezetés pillar cikkhez kapcsolódik.
Három terület, ahol a prediktív analitika az ERP-ben a legtöbbet hozza
| Terület | Előrejelzés | Tipikus haszon |
|---|---|---|
| Raktár | SKU kereslete, optimális újrarendelési szint | -18% készlet, -65% készlethiány |
| Gyártás | Gépek prediktív karbantartása, OEE | -40% nem tervezett leállás |
| Tervezés | Kapacitáskihasználás, átfutási idő | +12% időbeni szállítás |
Ezek a számok a Modulario 38 gyártó ügyfelétől aggregált adatok, 2024–2026.
Kereslet-előrejelzés — hogyan jelzi előre az AI, mit fog eladni
A klasszikus módszerek (mozgóátlag, exponenciális simítás) csődöt mondanak:
- rövid előzménnyel rendelkező szezonális termékeknél,
- változó keresletű termékeknél (B2B projektek),
- előzmény nélküli új termékeknél,
- külső tényezők hatásainál (időjárás, ünnepek, marketingkampányok).
A Modularioban lévő modern ML modellek (Prophet, LightGBM, Temporal Fusion Transformer):
- 24+ hónap korábbi értékesítési adatait elemzik.
- Külső jellemzőket adnak hozzá — ünnepnaptár, időjárás, árfolyamok, inputárak.
- Hasonló SKU-k közötti kannibalizációt detektálnak (az új verzió megeszi a régit).
- Új termékekhez a kategóriában lévő hasonló termékek transzfertanulását alkalmazzák.
- Kimenet: napi előrejelzés 28 napra előre konfidencia-intervallummal (P10/P50/P90).
A gyakorlati beszerző számára ez azt jelenti: a „Vegyünk 100 db-ot, mert tavaly hónapban 90 fogyott” helyett napi szinten frissített Modulario paneljén látja: „A következő 28 napban valószínűleg 78–124 db fogy (P50: 96). A jelenlegi 110 db-os készlet május 17-ig elegendő. A május 25-ig szállítandó újrarendelést 4 napon belül kell indítani.”
Példa: e-kereskedelem 1200 SKU-val
Ügyfél: B2C sportruházati webáruház, 18 alkalmazott.
Prediktív analitika előtt:
- Átlagos készlet: 4,2 hónap forgalmának (túl sok).
- Készlethiány: az SKU-k 8%-ának havonta nulla volt a készlete.
- Holt készlet (>12 hónap mozgás nélkül): a készlet értékének 14%-a.
9 hónap után:
- Átlagos készlet: 2,8 hónap (-33%).
- Készlethiány: az SKU-k 2,9%-a (-64%).
- Holt készlet: 6% (-57%).
Pénzben kifejezve: hozzávetőleg 86 000 EUR felszabadítása a felesleges készletben lekötött cash-flow-ból.
Ami bevált:
- Külső jellemzők. Az időjárás inputként való hozzáadása 4%-kal javította az MAPE-t (Mean Absolute Percentage Error), mert a sportruházat értékesítése erősen korrelál a hőmérséklettel és csapadékkal.
- Promóciós jelölők. Az AI a betanítás során információt kapott arról, mikor volt akció egy terméken — nélküle a promóciós csúcsokat organikus növekedésként értelmezte volna és felülbecsülte volna az előrejelzéseket.
- Csatornák közötti adatok. A webáruházon, Allegro-n, Vatera-n és fizikai üzleteken keresztüli értékesítés egyetlen előrejelzésbe vonódott össze, ami javította a pontosságot a szórványos keresletű ritka SKU-knál.
Készletoptimalizálás — újrarendelési pontok és biztonsági készlet
Az AI a statikus újrarendelési pontokat dinamikusakra cseréli. A klasszikus „rendelj 200 db-ot, ha a készlet 50 alá csökken” szabály 2026-ban elavult. A Modulario prediktív modulja kiszámítja:
- Dinamikus újrarendelési pontot az aktuális kereslet és a szállítói átfutási idő alapján.
- Biztonsági készletet a volatilitás alapján (nagyobb volatilitás = nagyobb tartalék).
- Optimális rendelési mennyiséget a mennyiségi kedvezményekkel és raktározási költségekkel együtt (módosított EOQ).
Példa egy SKU-ra:
| Paraméter | Statikus szabály | Modulario AI |
|---|---|---|
| Újrarendelési pont | 50 db (fix) | 38–72 db (naponta frissítve) |
| Biztonsági készlet | 30 db (fix) | 18–45 db (volatilitás alapú) |
| Rendelési mennyiség | 200 db (fix) | 140–280 db (EOQ + kedvezmények) |
| Készlethiány kockázata | 12%/hó | 2,8%/hó |
| Átlagos készlet | 165 db | 110 db |
Ez a -33%-os készlet azonos szolgáltatási szint mellett az AI optimalizálás tipikus eredménye.
SKU osztályozás — ahol az AI-nak van a legnagyobb értéke
Nem minden SKU-t érdemes AI-jal előrejelezni. Használja a következő osztályozást:
| Osztály | Jellemző | Stratégia |
|---|---|---|
| A — gyors forgású (top 20% SKU = forgalom 80%) | Stabil kereslet, nagy volumen | AI prediktor heti kalibrálással |
| B — közepes forgású | Változó kereslet, közepes forgalom | AI prediktor havi kalibrálással |
| C — lassú forgású | Szabálytalan, kis volumen | Statikus szabály (ROP), az AI-nak nincs elég adata |
| D — szezonális / eseményvezérelt | Évente 2–4× csúcs | AI manuális promóciós jelölővel |
| E — új (<6 hónap előzmény) | Nincs előzmény | Transzfertanulás + nagyobb biztonsági készlet |
A gyakorlatban az SKU-k 60–70%-a az A és B osztályba esik, ahol az AI prediktor a legnagyobb értéket hozza. A C és D osztályoknál a kézi ellenőrzés plusz egyszerű szabályok jobban és olcsóbban működnek.
Gépek prediktív karbantartása
A gyártásban a prediktív karbantartás (PdM) a leadek minősítése után az erősebb AI use case. A logika:
- A gépen lévő érzékelők (rezgés, hőmérséklet, fordulatszám, áram) másodpercenként 5–60 alkalommal küldenek adatot.
- Az ML modell az aktuális értékeket összehasonlítja az egészséges üzem alapvonalával.
- Anomáliákat detektál — eltérések, amelyek megelőzik a meghibásodásokat.
- Előrejelzi a komponens Maradék Hasznos Élettartamát (RUL) (napok a várható meghibásodásig).
- Feladatot hoz létre a MES modulban: „3-as motor csapágya — cserélendő 8 napon belül, tervezett leállás május 12-én 18:00-kor.”
Valós számok 2 gyártó ügyféltől
A ügyfél — műanyag alkatrészek gyártása, 4 fröccsöntő gép:
| Mérőszám | PdM előtt | 12 hón. PdM után |
|---|---|---|
| Nem tervezett leállások | 18 nap/év | 6 nap/év |
| Javítási költségek | 32 000 EUR | 19 000 EUR |
| OEE (Overall Equipment Effectiveness) | 64% | 78% |
Befektetés megtérülése (érzékelők + ML licenc): 8 hónap.
B ügyfél — fémforgácsolás, 12 CNC gép:
- Az AI 4 csapágy-meghibásodás kialakulását detektálta a kritikus fázis előtt.
- Negyedévenként kb. 28 óra nem tervezett leállást takarított meg.
- ROI: 11 hónap.
A prediktív karbantartás korlátai
A PdM nem varázslat — megvannak a maga határai:
- Nem detektálja a figyelmeztető jelek nélküli katasztrofális meghibásodásokat (pl. ütközéskor bekövetkező szerszámtörés).
- 4–8 hét modellbetanítást igényel az adott gépen — nem lehet egyszerűen az első napon „bekapcsolni az AI-t”.
- Nem enyhíti az emberi hibát — ha a kezelő rossz anyagot tölt be, azt egyetlen AI sem kapja el a sérülés előtt.
- Zárt hurkú megoldások (a szerviz az AI javaslatok alapján emberi ellenőrzés nélkül végez) 2026-ban KKV-knál még nem érettek. Az emberi kezelőnek minden riasztást validálnia kell.
AI integráció WMS és MES modullal
A Modularioban a prediktív analitika a WMS (Warehouse Management) és MES (Manufacturing Execution) modulok natív része, nem önálló termék. Ez azt jelenti:
- A raktáros a terminálon az SKU kártyáján az aktuális állapot mellett látja a fogyasztás előrejelzését.
- A MES irányítópult kezelője látja minden gép RUL-ját és a javasolt karbantartási ablakokat.
- A gyártástervező javasolt szekvenálást kap a rendelésekhez az anyag rendelkezésre állása alapján (az előrejelzett szállításokat figyelembe véve).
- A beszerző hétfő reggel digestet kap: „5 SKU újrarendelési szint alatt, 3 szállító késésben, a javasolt megrendelések jóváhagyásra készek.”
Ez az integráció megszünteti az „AI silókat” — a vállalatok általános problémáját, ahol az adatcsapatnak megvan a saját BI irányítópultja, de a raktári kezelők soha nem tudják meg, mit javasol az AI.
Példa a beszerző képernyőjére
Képzeljük el a hétfő reggel 7:30-kor kapott heti digestet:
5 SKU újrarendelési szint alatt:
- M8x40-es csavar (7 nap készlet maradt) — javasolt rendelés 1200 db @ Würth, 1840 EUR
- A típusú szűrő (4 nap maradt) — javasolt rendelés 80 db @ MultiFilter, 4 200 EUR
- …
3 szállító késésben:
- SteelMaster az utolsó szállítással +5 napot késett. Szerződés újraértékelése.
- …
2 anomália:
- A „B12 tömítés” fogyasztása havi 30%-kal nő ismert ok nélkül. Ellenőrizzük a gyártással.
A beszerző ezt 5 perc alatt feldolgozza, egy kattintással jóváhagyja/módosítja a rendeléseket. Korábban 2 órába telt manuálisan megnézni a 6 raktár állapotát és megrendeléseket létrehozni.
A prediktív analitika sikerének előfeltételei
Ezek nélkül az AI nem fog működni:
- Min. 12 hónap tiszta korábbi adat az értékesítésről / gyártásról / mozgásokról.
- Következetes SKU törzsszám (ne legyen 4 változata ugyanannak a terméknek különböző kódokon).
- Aktuális és pontos átfutási idők a szállítóktól (nem 5 évvel ezelőtti becslés).
- Érzékelők a PdM-hez — rezgési érzékelők nélkül prediktív karbantartás nem valósítható meg (kb. 200–400 EUR/gép).
- Meghatározott szolgáltatási szint cél — ha nem mondja meg az AI-nak, hogy a cél 95% vagy 99%, „vakon” optimalizál.
A raktári AI projekt költségeinek 60–70%-a a gyakorlatban adathigiéniára és integrációra megy, nem magára az ML-re.
Árkérdés — mennyibe kerül a prediktív analitika ERP-ben
Egy 20–60 alkalmazottat foglalkoztató KKV gyártó / e-kereskedelmi cég számára:
| Tétel | Egyszeri | Havonta |
|---|---|---|
| Modulario AI modul (licenc) | – | 80–180 EUR |
| Beállítás és modellek betanítása | 2 400–4 800 EUR | – |
| Érzékelők PdM-hez (8 gép) | 2 800 EUR | – |
| Csapat onboardingja | 1 200 EUR | – |
| Számítás a napi újratanításhoz | – | 25–60 EUR |
Összesen az 1. évben: kb. 8 000–12 000 EUR befektetés + évi 1 500–2 800 EUR üzemeltetés.
Tipikus megtakarítás: évi 25 000–70 000 EUR ekkora méretű vállalatnál.
Kapcsolódó források
- Pillar: AI az ERP rendszerekben — gyakorlati bevezetés 2026
- MCP szerver AI asszisztensekhez és ERP adatokhoz
Gyakran ismételt kérdések
Mennyi korábbi adatra van szükségem a kereslet-előrejelzés bevezetéséhez?
Legalább 12 hónap napi értékesítési adat stabil SKU-khoz, ideálisan 24 hónap a szezonalitás megragadásához. Teljesen új termékekhez a modell a kategóriában lévő hasonló SKU-k transzfertanulását alkalmazza — az eredmény kevésbé pontos (jellemzően ±25% vs. ±10% az bevált SKU-khoz), de még mindig jobb a kézi becslésénél.
Működik a prediktív karbantartás régebbi, beépített érzékelők nélküli gépeken is?
Igen. Kiegészítő rezgési és hőmérsékleti érzékelőket 2–6 óra alatt, gépenként 200–400 EUR-ért lehet visszaszerelni. Forgó gépekhez (motorok, szivattyúk, hajtóművek) elegendők a rezgési érzékelők. Termikus gépekhez (fröccsöntők, kemencék) adjon hozzá hőmérsékleti érzékelőket. A Modulario az összes elterjedt Ipar 4.0 érzékelőt támogatja OPC UA és MQTT protokollokon keresztül.
Hogyan garantálják, hogy az AI nem javasol értelmetlen újrarendelést?
A Modulario AI modulnak beépített üzleti logikai rétege van kettős védőkorlátokkal: minimális rendelés, maximális rendelés, maximálisan X újrarendelés/hó. Ezen felül minden 5 000 EUR feletti automatikus javaslat beszerző jóváhagyását igényli. Új ügyféllel való indításkor 4 hétig „shadow módban” fut — az AI javasol, de nem hajt végre, és a beszerző összehasonlítja a kézi megrendelésekkel.
Használhatjuk a prediktív analitikát, ha csak 1 raktárunk van?
Igen, sőt az 1 raktár egyszerűbb eset. A több raktáros elrendezésnél (3+ raktár) egy további réteg adódik: készlet-újraelosztás a raktárak között, ahol az AI azt javasolja, hogy vigyük át az árut oda, ahol növekvő keresletet jósol. Ez további 5–12%-os készletmegtakarítás, de csak 3+ raktárnál van értelme.