{"id":3438,"date":"2025-02-14T12:46:51","date_gmt":"2025-02-14T11:46:51","guid":{"rendered":"https:\/\/alterdata.com\/?post_type=case_studies&p=3438"},"modified":"2026-01-23T13:06:39","modified_gmt":"2026-01-23T12:06:39","slug":"optymalizacja-kosztow-magazynowania","status":"publish","type":"case_studies","link":"https:\/\/alterdata.com\/pl\/case-studies\/optymalizacja-kosztow-magazynowania\/","title":{"rendered":"Jak obni\u017cyli\u015bmy koszty magazynowania o 30% dla klienta bran\u017cy E-commerce?"},"content":{"rendered":"\n

Klient to dynamicznie rozwijaj\u0105ca si\u0119 platforma sprzeda\u017cy internetowej, operuj\u0105ca na rynku polskim i brytyjskim. Firma zmaga\u0142a si\u0119 z nadmiarem zapas\u00f3w sezonowych oraz brakiem dost\u0119pno\u015bci bestseller\u00f3w, co skutkowa\u0142o zamro\u017ceniem kapita\u0142u, konieczno\u015bci\u0105 organizowania wyprzeda\u017cy. Ponadto firma manualnie zarz\u0105dza\u0142a stanami magazynowymi, co wymaga\u0142o du\u017cego zaanga\u017cowania czasu dzia\u0142u logistyki, a sama metoda zarz\u0105dzania by\u0142a mocno nieoptymalna i nie odzwierciedla\u0142a rzeczywistej sytuacji rynkowej.<\/p>\n\n\n\n

Dzi\u0119ki wsp\u00f3\u0142pracy z Alterdata uda\u0142o si\u0119 skutecznie wdro\u017cy\u0107 zaawansowane modele predykcyjne, zautomatyzowa\u0107 procesy magazynowe i znacz\u0105co zwi\u0119kszy\u0107 efektywno\u015b\u0107 operacyjn\u0105.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\"Optymalizacja<\/figure>\n\n\n\n
<\/div>\n\n\n\n

Cel projektu:<\/strong><\/h3>\n\n\n\n

Celem projektu by\u0142a poprawa efektywno\u015bci zarz\u0105dzania zapasami poprzez lepsze dostosowanie poziom\u00f3w zapas\u00f3w do rzeczywistego popytu rynkowego. Kluczowym celem by\u0142o wykorzystanie danych historycznych i modeli prognostycznych w celu zmniejszenia nadmiernych zapas\u00f3w sezonowych, poprawy dost\u0119pno\u015bci najlepiej sprzedaj\u0105cych si\u0119 produkt\u00f3w oraz automatyzacji proces\u00f3w decyzyjnych w ramach operacji logistycznych. Rozwi\u0105zanie zosta\u0142o zaprojektowane tak, aby umo\u017cliwi\u0107 szybsze podejmowanie decyzji operacyjnych opartych na danych, zmniejszy\u0107 kapita\u0142 zamro\u017cony w zapasach oraz osi\u0105gn\u0105\u0107 wymiern\u0105 redukcj\u0119 koszt\u00f3w magazynowania.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Zakres prac<\/h2>\n\n\n\n

Wsp\u00f3lna identyfikacja wyzwa\u0144 biznesowych
<\/strong>Razem z klientem odkryli\u015bmy szereg kluczowych wyzwa\u0144, z kt\u00f3rymi boryka\u0142 si\u0119 przed wdro\u017ceniem rozwi\u0105zania.<\/p>\n\n\n\n

    \n
  1. Nadmiar zapas\u00f3w sezonowych<\/strong> \u2013 kapita\u0142 by\u0142 zamra\u017cany w produktach, kt\u00f3re nie znajdowa\u0142y nabywc\u00f3w, co prowadzi\u0142o do kosztownych wyprzeda\u017cy. Ponadto sam towar zajmowa\u0142 du\u017co przestrzeni magazynowej, przez co nie by\u0142o miejsca dla produkt\u00f3w o wysokiej rotacji i du\u017cym popycie.<\/li>\n\n\n\n
  2. Brak bestseller\u00f3w w magazynie<\/strong> \u2013 niedok\u0142adne prognozy powodowa\u0142y, \u017ce kluczowe produkty cz\u0119sto by\u0142y niedost\u0119pne, prowadz\u0105c do utraty sprzeda\u017cy.<\/li>\n\n\n\n
  3. R\u0119czne zarz\u0105dzanie zam\u00f3wieniami<\/strong> \u2013 manualne procesy decyzyjne nie pozwala\u0142y na elastyczne reagowanie na zmiany rynkowe.<\/li>\n\n\n\n
  4. Brak precyzyjnej analizy popytu<\/strong> \u2013 dotychczasowe metody planowania nie uwzgl\u0119dnia\u0142y dynamicznych zmian trend\u00f3w i sezonowo\u015bci.<\/li>\n<\/ol>\n\n\n\n
    <\/div>\n\n\n\n

    Centralizacja danych<\/strong><\/p>\n\n\n\n

    Przed rozpocz\u0119ciem wdro\u017cenia zesp\u00f3\u0142 Alterdata przeprowadzi\u0142 dog\u0142\u0119bn\u0105 analiz\u0119 danych<\/a> historycznych klienta. Kluczowym wyzwaniem by\u0142o zebranie i ujednolicenie informacji pochodz\u0105cych z r\u00f3\u017cnych kana\u0142\u00f3w sprzeda\u017cy: e-commerce, marketplace\u2019\u00f3w oraz punkt\u00f3w sprzeda\u017cy. <\/p>\n\n\n\n

    Ka\u017cdy kana\u0142 generowa\u0142 r\u00f3\u017cne rodzaje danych, takie jak dane sprzeda\u017cowe, magazynowe, zwroty czy informacje o ruchu na stronie. Dzi\u0119ki integracji tych danych w hurtowni danych BigQuery<\/a>, wszystkie informacje zosta\u0142y zgromadzone w jednym miejscu, co umo\u017cliwi\u0142o lepsz\u0105 organizacj\u0119 i \u0142atwiejszy dost\u0119p do kluczowych danych.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Analiza danych i wdro\u017cenie modeli predykcyjnych<\/strong><\/p>\n\n\n\n

    W pierwszym kroku, wsp\u00f3lnie z zespo\u0142em klienta, zdefiniowali\u015bmy kluczowe wska\u017aniki biznesowe, kt\u00f3re mia\u0142y wp\u0142yw na popyt i zarz\u0105dzanie zapasami. W ramach warsztat\u00f3w zidentyfikowali\u015bmy r\u00f3wnie\u017c kluczowe wska\u017aniki oraz ustandaryzowali\u015bmy identyfikatory produkt\u00f3w, co pozwoli\u0142o na skuteczne prognozowanie. <\/p>\n\n\n\n

    Na podstawie historycznych danych sprzeda\u017cowych oraz analizy wzorc\u00f3w popytu, uwzgl\u0119dniaj\u0105cej sezonowo\u015b\u0107 i wp\u0142yw czynnik\u00f3w zewn\u0119trznych, takich jak promocje czy zmiany cenowe, opracowali\u015bmy ca\u0142o\u015bciowe rozwi\u0105zanie analityczne, kt\u00f3re umo\u017cliwi\u0142o optymalne planowanie stan\u00f3w magazynowych.<\/p>\n\n\n\n

    W ramach rozwi\u0105zania zbadano r\u00f3\u017cne podej\u015bcia do modelowania stanu magazynowego. Rozwa\u017cano zarazem modele do analizy szereg\u00f3w czasowych (LSTM, ARIMA, …) jak i regresyjne (np. XGBoost). Du\u017cy nacisk k\u0142adziono na to aby model uwzgl\u0119dnia\u0142 sezonowo\u015b\u0107 i trendy sprzeda\u017cy, ale te\u017c zwraca\u0142 uwag\u0119 na konkretne produkty, producent\u00f3w, rozmiary, kolory i ich histori\u0119 sprzeda\u017cy<\/p>\n\n\n\n

    Ostateczne rozwi\u0105zanie nie opiera\u0142o si\u0119 wy\u0142\u0105cznie na modelach Machine Learning, ale stanowi\u0142o zintegrowany system analityczny<\/strong>, kt\u00f3ry \u0142\u0105czy\u0142 prognozy ML z klasycznymi metodami analizy danych. To z kolei pozwoli\u0142o na optymalne dostosowanie poziom\u00f3w zam\u00f3wie\u0144 oraz minimalizacj\u0119 ryzyka zalegaj\u0105cych zapas\u00f3w.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Automatyzacja zarz\u0105dzania zapasami<\/strong><\/p>\n\n\n\n

    W nast\u0119pstwie wykorzystania Machine Learning<\/a> do wdro\u017cenia modeli predykcyjnych kluczowym etapem by\u0142o ich po\u0142\u0105czenie z procesami operacyjnymi klienta. Wprowadzili\u015bmy nast\u0119puj\u0105ce usprawnienia:<\/p>\n\n\n\n