Koniec zgadywania. Jak zakłady przetwórcze uczą się przewidywać popyt

Planista w zakładzie przetwórczym podejmuje decyzję o wolumenie produkcji na wiele godzin przed tym, zanim spłyną rzeczywiste zamówienia. Branżowy standard trafności takich prognoz to 65–75 procent. Innymi słowy: co czwarta decyzja produkcyjna opiera się na wyczuciu.

U jednego z dużych niemieckich producentów mięsa — przerabiającego około 500 ton dziennie — to wyczucie kosztowało szczególnie dużo, bo dotyczyło mięsa ekologicznego. Nadwyżki bio, na które nie znalazł się odbiorca, trzeba było przecenić do produktu konwencjonalnego. Ten sam schab, ta sama praca, ułamek marży. Firma SLA Software Logistik Artland, dostawca rozwiązań IT dla branży spożywczej, wdrożyła tam model predykcyjny oparty na Qlik Predict. Efekt: dzienne odchylenie prognozy od rzeczywistego popytu spadło z branżowych 30–35 procent do około 1 procenta. Wdrożenie trwało dwa tygodnie. Nie dwa lata — dwa tygodnie.
Zanim jednak dojdziemy do tego, jak to możliwe, warto zadać pytanie odwrotne: dlaczego w większości zakładów wciąż jest to niemożliwe?

Fundament: dane, które przynoszą pieniądze
O tym, że systemy w zakładach przetwórczych nie komunikują się ze sobą — ERP osobno, wagi osobno, laboratorium osobno – pisaliśmy na tych łamach na początku roku. Tam była diagnoza; dziś czas na dowód, że jej usunięcie przynosi policzalne pieniądze.

Bo prognoza z odchyleniem 1 procenta nie bierze się z algorytmu. Bierze się z tego, że algorytm dostał kompletne, spójne dane: historię sprzedaży z ERP, wolumeny z wag, kalendarz dostaw z logistyki. W zakładzie, w którym każdy dział trzyma swój fragment prawdy — a na pytanie „dlaczego w tym tygodniu mamy wyższe straty na linii nr 2?” wszyscy rozglądają się po sobie — żaden model predykcyjny nie ma na czym pracować. Rolę łącznika pełni tu Talend (część portfolio Qlik), który spina istniejące systemy w jeden przepływ danych. Bez wymiany tego, co już działa.
A branża operuje na marżach cienkich jak plaster szynki: decyzja podjęta z jednodniowym opóźnieniem – o przestawieniu linii, o zmianie receptury, o wstrzymaniu partii – potrafi kosztować dziesiątki tysięcy złotych.
Jak to wygląda w skali, pokazuje Japfa – jeden z największych zintegrowanych producentów drobiu w Azji. Firma połączyła dane z ferm, wylęgarni, paszarni i zakładów przetwórczych w jeden przepływ (Qlik Replicate zasilający hurtownię danych) i przeszła z ręcznego raportowania miesięcznego na automatyczne raporty dzienne. Zmieniło się nie narzędzie – zmienił się rytm podejmowania decyzji: o optymalizacji pasz i przyrostach stada rozmawia się na bieżąco, nie miesiąc po fakcie.

Analityka w czasie rzeczywistym – od raportu do decyzji
Kiedy dane są już w jednym miejscu, otwiera się możliwość, której zakłady często nie doceniają na etapie wdrożenia: podejmowanie decyzji nie po fakcie, ale w trakcie.
Qlik Sense — platforma analityczna będąca sercem tego ekosystemu – pozwala budować dashboardy, które aktualizują się w czasie rzeczywistym. Kierownik zmiany widzi na ekranie, że wydajność na linii nr 3 spada poniżej normy. Nie dowie się o tym jutro z raportu. Widzi to teraz. I może zareagować: sprawdzić kalibrację noży, zidentyfikować wąskie gardło, przesunąć ludzi.
To brzmi prosto. W praktyce wymaga dwóch rzeczy, które rzadko idą w parze: dobrej jakości danych i dobrze zaprojektowanych wskaźników. Wskaźnik, który mierzy nie to co powinien, jest gorszy niż brak wskaźnika — bo daje złudne poczucie kontroli. Dlatego dane, zanim trafią na ekran, przechodzą w Talend walidację: kompletność, spójność, aktualność. To pozwala ufać temu, co się widzi.

Predykcja – analityka, która patrzy do przodu
Przez lata analityka działała według jednego schematu: człowiek formułował pytanie, system dawał odpowiedź. „Ile kilogramów wyprodukowano w tym tygodniu?” „Jaki jest poziom odpadów na linii nr 1?” To wciąż jest wartościowe. Ale granica możliwości przesunęła się dalej.
Wróćmy do niemieckiego producenta. Model prognozujący popyt został wytrenowany nie tylko na danych historycznych firmy i rzeczywistej sprzedaży, ale także na powiązanych z nimi danych zewnętrznych, historii pogody, kalendarzu świąt, wielkości sklepów odbiorców i geografii punktów dostaw. Popyt na karkówkę zależy od prognozy na weekend bardziej niż niejeden planista chciałby przyznać. Pierwsza wersja modelu, użyta produkcyjnie, podniosła trafność prognoz z 75 do ponad 90 procent, a docelowo dzienne odchylenie prognozy zeszło do poziomu około 1 procenta.
Skutki wykraczają poza samą prognozę: mniej mięsa ekologicznego przecenianego do konwencjonalnego, mniejsze zapotrzebowanie na chłodnie, mniej pracy przy zarządzaniu zapasem. I jeden efekt, o którym rzadko się mówi w kontekście IT: skoro produkuje się to, co faktycznie zostanie zamówione, ubija się dokładnie tyle zwierząt, ile potrzeba. Rachunek ekonomiczny i argument dobrostanu pochodzą z tej samej tabeli.
Co istotne — takie modele buduje się dziś bez zatrudniania zespołu data science i bez pisania kodu. Interfejs Qlik Predict jest pomyślany dla analityka biznesowego, nie dla programisty. Stąd te dwa tygodnie wdrożenia, a nie dwa lata.

Pytania zamiast raportów
Krok dalej idzie warstwa konwersacyjna AI, która uzupełnia opisane wyżej modele predykcyjne — pozwala zadawać pytania w naturalnym języku, także po polsku. „Które linie miały najwyższe straty w ostatnich 30 dniach?” „Jaka była średnia temperatura w chłodni C w nocy z wtorku na środę?” System rozumie pytanie, sięga bezpośrednio do danych firmy i odpowiada wraz z wizualizacją — bez eksportowania plików, bez kopiowania danych poza system. Kierownik produkcji nie musi więc otwierać osobnego systemu analitycznego, żeby sprawdzić status zmiany: pyta w aplikacji, z której już korzysta, a odpowiedź pochodzi wprost z bieżących danych, nie z wczorajszego raportu. Taki sposób pracy oferuje między innymi Qlik Answers, ale podobny efekt można uzyskać też z dowolnym czatem AI już używanym w firmie — na przykład Claude czy ChatGPT (OpenAI) — o ile zostanie on połączony z silnikiem Qlik za pomocą Qlik MCP Server, czyli bezpiecznego łącznika, który pozwala czatowi sięgać wprost do danych firmy bez ich kopiowania czy eksportu.

Zgodność i dokumentacja – niewidoczny zysk z cyfryzacji
Zakłady mięsne działają w jednym z bardziej wymagających środowisk regulacyjnych w przemyśle spożywczym. Inspekcja weterynaryjna, normy sanitarne, śledzenie partii od surowca do produktu gotowego, dokumentacja HACCP — to wszystko wymaga precyzyjnych zapisów, dostępnych na żądanie.
Firmy, które wdrażają zintegrowaną analitykę, zyskują przy okazji coś, o czym nie myślą na etapie projektu: automatyczną ścieżkę audytu. Każda operacja jest logowana. Każde odchylenie od normy ma znacznik czasu i osobę odpowiedzialną. Kiedy przychodzi kontrola — albo reklamacja od sieci — zamiast gorączkowego szukania w segregatorach, ktoś otwiera system i filtruje po dacie i linii produkcyjnej. To zmiana modelu pracy z dokumentacją: z reaktywnego na gotowy zawsze.

Od prognozy do całego łańcucha dostaw
Niemiecki producent nie zatrzymuje się na samym prognozowaniu popytu. Kolejny krok w planach firmy to rozszerzenie tego samego modelu predykcyjnego na logistykę — kompletację zamówień i optymalizację tras transportu. Innymi słowy: mechanizm, który dziś odpowiada na pytanie „ile wyprodukować”, ma wkrótce podpowiadać także „jak najefektywniej dowieźć towar do klienta”.
To ważna wskazówka dla każdego zakładu, który dopiero zaczyna tę drogę: wdrożenie predykcji nie jest jednorazowym projektem zamkniętym w jednym dziale. Firma, która raz uporządkowała dane i nauczyła się na nich prognozować, naturalnie szuka kolejnych miejsc w łańcuchu — bo dane produkcyjne, magazynowe i transportowe opisują w gruncie rzeczy ten sam biznes, tylko z różnych stron.

Jeden wniosek, który warto zanotować
W przetwórstwie mięsnym nie da się dołożyć marży do produktu. Da się natomiast przestać ją wyrzucać — do chłodni, w przeceny, w partie produkowane na zapas. Niemiecki producent nie osiągnął odchylenia 1 procenta dzięki magii sztucznej inteligencji, tylko dzięki temu, że najpierw uporządkował i połączył dane, które i tak już miał — z linii, z wag, z zamówień, z kalendarza. Reszta była kwestią dwóch tygodni.
Hogart Business Intelligence, jako certyfikowany partner Qlik w Polsce, wdraża te rozwiązania w zakładach produkcyjnych — od integracji danych przez Talend, przez dashboardy w Qlik Sense, aż po modele predykcyjne i warstwę AI. Każde wdrożenie zaczyna się od jednego pytania: co chcecie wiedzieć, czego dzisiaj nie wiecie?

Hogart Business Intelligence Sp. z o.o.
ul. Okopowa 58/72 | 01-042 Warszawa
tel. .+48 22 364 50 55
e-mail: info@hogart-bi.pl
www.businessintelligence.pl