Dynamický slotting a sklad, který počítá s budoucí poptávkou

Historie versus odhad

Klasický slotting pracuje s tím, co se prodalo. Vezme obrátkovost za poslední období, seřadí položky a rozmístí je podle ABC logiky. Funguje to do chvíle, než se poptávka pohne – sezona, promoakce, výpadek konkurence, nová položka v sortimentu. Sklad pak nějakou dobu obsluhuje rozložení, které odpovídá minulému kvartálu.

Prediktivní model přistupuje ke stejné úloze z druhé strany. Místo agregace historie odhadne poptávku na nadcházející období a podle ní navrhne pozice. Rychloobrátkové položky se posouvají blíž k expedici dřív, než se jejich obrátka stihne projevit v datech. Zkrácení vychystávacích tras je přímý důsledek – layout skladu se přitom nemění, mění se jen mapa uložení.

Druhý rozdíl je ve frekvenci. Statický slotting se přepočítává v cyklech, protože každý přepočet znamená vlnu přeskladnění. Dynamický běží průběžně a navrhuje jen ty přesuny, u kterých převáží úspora nad prací.

Kdo ty přesuny schvaluje

S frekvencí přichází problém, který se u statického slottingu neřeší. Jednou za čtvrtletí projde plánovač výstup modelu a rozhodne. U dynamického by ten samý člověk řešil desítky návrhů denně.

„Umělá inteligence navíc umí i rozhodovat: AI agent s jasným mandátem si odbaví rutinu a na člověka nechá výjimky,“ popisuje Jan Buba. Mandát je v té větě to podstatné. Agent dostane pravidla, limity a rozsah, ve kterém jedná sám: přesuny uvnitř zóny bez asistence, zásahy do rezervních pozic nebo přeskladnění napříč zónami ke schválení. Bez toho vymezení se z automatizace stane fronta notifikací, kterou stejně nikdo nestíhá odklikávat.

Kde to dává smysl nejdřív

Přínos roste s objemem operací a s variabilitou sortimentu. Sklad s několika stovkami stabilních položek si vystačí s ročním přeslottingem – model by tam neměl co zachytit. Provoz, kde se denně expedují tisíce řádků a sortiment se v průběhu roku výrazně obměňuje, naopak na statickém rozložení ztrácí každý den.

Postup, který se osvědčuje: vybrat jednu zónu nebo jednu kategorii, nasadit model tam, změřit vychystávací trasy před a po, a teprve pak rozšiřovat. Pilot na části provozu odpoví na otázku, na kterou žádná prezentace neodpoví – jestli data ve vašem WMS unesou předpověď, kterou po nich chcete.

Kde o tom psali

Plánování tras, řízení časových oken a skladové procesy jsou navzájem stále propojenější, David Čapek, Systémy logistiky 224/2026, str. 46–47 (tištěné vydání)