Tři nasazení AI v jednom retailu: co se liší v objednávkách, skladu a reportingu
Jedna retailová firma (Marks & Spencer), tři samostatná nasazení AI, tři různé výsledky a tři lekce pro to, jak takové projekty plánovat. 1) Data science – automatizace objednávání (Food). Nejkonkrétnější a nejrychleji měřitelný projekt: nahrazení ručního odhadu nákupčího prediktivním modelem, který navrhuje objednávku na základě poptávky. Časový horizont byl krátký, návratnost jednoznačná – ale jen proto, že šlo o proces s jasnými vstupy (historie prodejů) a jasným výstupem (kolik kusů objednat). 2) Data science – optimalizace velikostních řad (Fashion). Jiný typ problému: neřeší se, kolik zboží objednat, ale jak rozdělit velikosti mezi prodejny, aby se nevyprodávaly nerovnoměrně. Tenhle projekt vyžadoval delší přípravu dat (tři roky historie prodejů na úrovni prodejen) a jeho hodnota se neprojeví hned, ale až v příští sezóně. 3) AI-architektura – jak se vyvíjel výběr, zrychlení realizace díky AI, jak AI učit kontext firmy – analytický agent nad daty obou předchozích projektů. Až díky tomu, že první dva projekty vynutily sjednocená a popsaná data, bylo možné postavit agenta, na kterého se dá zeptat v běžné řeči na cokoliv z byznysu – bez čekání na analytika. Tenhle projekt nikdo neplánoval jako samostatný byznys case; vznikl, protože předchozí dva ho datově umožnily. Srovnání tří projektů vedle sebe ukazuje, co retailoví lídři často podcení: ne každé nasazení AI má stejný časový horizont, stejné nároky na data, ani stejný typ návratnosti – a plánovat je jako jeden balík „AI projekt" je chyba. Vysvětlím, jak podle typu problému (objednávání vs. alokace vs. reporting) odhadnout, co který projekt bude reálně vyžadovat, než se do něj pustíte.
