Proč české e-shopy stále tápou v předpovědi poptávky?

Začněte tím, že sepíšete, jaké dokumenty skutečně vznikají a kdo je potřebuje vidět. U typické malé firmy to budou faktury, objednávky, smlouvy, dodací listy a personální agenda. U každého typu napište, odkud přichází, kde se uloží, kdo ho schvaluje a jak dlouho se uchovává. Teprve z tohoto seznamu vzniká zadání pro automatizaci. Bez něj se automatizují náhodné části a výsledkem je poloviční systém, který se musí obcházet ručně.

Rozhodnutí není mezi umělou inteligencí a účetním, ale mezi tím, co děláte sami, a co předáte dál. Asistent se vyplatí tam, kde máte hodně opakovaných dokladů a ochotu strávit první měsíc nastavováním. Pokud máte dokladů málo nebo velmi nepravidelných, zůstaňte u ručního zpracování a peníze věnujte jinam. Ušetřené hodiny si zapište a po třech měsících porovnejte s vynaloženým časem na kontrolu. Teprve toto číslo vám řekne, zda se investice vrátila.

Druhý náklad je kontrola. AI v účetnictví není náhrada odpovědnosti — výsledek pořád podepisuje účetní. Čím více rozhodnutí nástroj dělá sám, tím pečlivější musí být výběrová kontrola a tím vyšší je nárok na lidi, kteří jí rozumí. Počítejte i s časem na zaškolení a na řešení výjimek. Levné řešení, které zvládne devadesát procent dokladů, ale zbytek nechá na ručním doťukání, může být dražší než dražší nástroj s menším podílem výjimek.

Co ověřit před podpisem smlouvy Při porovnávání řešení si připravte krátký testovací scénář a nechte ho předvést na vlastních datech. Musí obsahovat příjem s nesouhlasným počtem kusů, výdej na zakázku, vratku a uzávěrku měsíce. Sledujte, kolik kroků obsluha skutečně udělá a zda systém umožní opravit chybu bez mazání celé historie. Ptejte se na práci offline, na tisk etiket a na to, jakým způsobem se data dostanou do účetnictví. Zásadní je také export všech dat v otevřeném formátu – bez něj jste na dodavateli závislí i při běžné změně.

První slabé místo jsou čísla a tvrzení. Generátory ochotně doplní statistiky, které znějí věrohodně, ale nemají zdroj. Každý údaj, který se objeví na slidu, musíte dohledat nebo nahradit vlastním. Druhé slabé místo je struktura: nástroje často vytvoří deset slidů tam, kde stačí čtyři, a rozředí hlavní sdělení. Při kontrole proto škrtněte každý slide, který nenese novou informaci. Třetí problém je vizuální šablona — grafika vypadá čistě, ale neodpovídá vaší značce ani publiku. Barvy a písmo je nutné přenastavit ručně, jinak prezentace působí jako cizí materiál.

Druhá častá chyba je nechat nástroj párovat banku bez pravidel. Pokud nemáte pojmenované protistrany a kategorie, bude vám vznikat hromada nespárovaných položek a ztratíte přehled. Nastavte si nejdřív jednoduchá pravidla pro nejčastější transakce a teprve pak zapněte automatiku. Také si ověřte, kam se data ukládají a kdo k nim má přístup. U malé firmy to často znamená jen dva lidi, ale i to je potřeba mít písemně.

Automatizace skladové evidence má smysl ve chvíli, kdy ruční zapisování začne být dražší než jeho odstranění. Typický malý podnik pozná ten bod podle tří příznaků: stejná položka má v systému dvě různé jednotky, fyzický stav se rozchází s papírem aspoň jednou měsíčně a někdo tráví hodiny přepisováním pohybů mezi tabulkou a účetnictvím. Než se začne vybírat software, je potřeba tyto příznaky pojmenovat a sepsat, které skladové operace firmu skutečně živí – příjem, výdej, přesun, inventura, rezervace.

Prvním krokem je definovat, co vlastně chcete předpovídat. Jiná je predikce denní poptávky pro doplnění skladu, jiná pro plánování personálu a jiná pro nákup reklamy. U každé je potřeba určit horizont a toleranci chyby. Typickou chybou je snaha předpovídat příliš dopředu nebo na příliš jemných úrovních (např. jednotlivé varianty produktů), kde je dat málo. Začněte na agregované úrovni kategorií a teprve s rostoucí kvalitou dat přidávejte detaily.

Predikce poptávky pomocí umělé inteligence není magie, ale kombinace dat, modelů a lidského úsudku. České e-shopy mají často k dispozici historii objednávek, sezónnost i marketingové kalendáře, přesto bývá předpověď nepřesná. Důvodem je obvykle podcenění kvality vstupních dat a přehnaná očekávání od hotových řešení. Než začnete cokoli nasazovat, proveďte audit dat: jak dlouhá je historie, zda jsou v datech výpadky, zda odpovídají skutečným prodejům včetně vratek a storn. Bez očištěných dat bude jakýkoli model předpovídat šum.

Mezi typické chyby patří snaha převést do systému všechny pohyby hned první den, nastavení příliš podrobných oprávnění, která nikdo nepoužívá, a ignorování zaškolení lidí, kteří budou data zadávat. Časté je i to, že firma koupí funkce, jež nikdy nevyužije, a pak je přetížená konfigurace. Držte se pravidla, že každá automatizace musí nahradit konkrétní ruční krok, ne přidat nový. Pokud se některá operace obsluze prodraží, je lepší ji z procesu vyřadit než ji složitě řešit.