Whitepapery a e‑booky
Automatické doplňování zásob: co musí platit, než začne fungovat
O tom, jestli automatické doplňování zásob funguje, rozhodují čtyři věci nastavené ještě před spuštěním. Kontrolní seznam z našich projektů, včetně situací, kdy je lepší neautomatizovat.
03. listopadu 2026
9 min

Automatické doplňování zásob málokdy selže kvůli algoritmu. Naráží na čtyři věci, o kterých se rozhoduje ještě před spuštěním: jak přesná je skladová evidence, jestli kmenová data odpovídají realitě, kdo smí systém ručně přepisovat a kdo odpovídá za výjimky. Tohle je kontrolní seznam, se kterým pracujeme na projektech, včetně situací, kdy doporučujeme neautomatizovat vůbec.
O čem vlastně automatické doplňování zásob rozhoduje?
Systém pro automatické doplňování zásob převádí prognózu poptávky na konkrétní objednávku pro každou položku a lokaci. Spočítá, kolik a kdy objednat, a respektuje přitom omezení, bez kterých by objednávka nešla provést: minimální objednací množství (MOQ), velikost balení a paletizaci, dodací lhůtu dodavatele, dodací okna i volné místo v regálu nebo na skladové pozici.
Právě tím se liší od objednacího bodu, který nabízí většina ERP systémů. Statický objednací bod spustí objednávku ve chvíli, kdy zásoba klesne pod pevnou hranici. Neví ale, že v pátek je poptávka dvojnásobná oproti úterý, že dodavatel vozí jen v pondělí nebo že se do regálu vejde 24 kusů a v kartonu jich je 36. Podle toho, jak je hranice nastavená, pak vede k jednomu ze dvou výsledků: k pravidelným výpadkům zásob, nebo k zázemí prodejny plnému zboží, které se do regálu nevejde.
Odpovědnost systém nepřebírá. Spočítá správnou objednávku i nad chybným stavem zásob, špatnou velikostí balení nebo ručním přepisem plánovače a udělá to každou noc pro tisíce položek. Všechno, co v tomto průvodci následuje, se týká vstupů a rozhodnutí, která zůstávají na lidech. Proč samotná lepší prognóza dostupnost nezvýší, jsme podrobněji rozebrali v samostatném textu o prognózování a exekuci. Tady začínáme o krok dál: rozhodli jste se automatizovat doplňování prodejen a chcete vědět, jestli je na to provoz připravený.
Jak přesná je vaše skladová evidence ve skutečnosti?
Automatizace chyby ve skladové evidenci nesnižuje. Zesiluje je, protože systém objednává podle evidence, ne podle toho, co leží v regálu.
Nejznámější měření tohoto problému přinesla studie téměř 370 000 záznamů o zásobách ve 37 prodejnách jednoho obchodního řetězce, kterou v roce 2008 publikovali Nicole DeHoratius a Ananth Raman v časopise Management Science. 65 % záznamů neodpovídalo fyzickému stavu. Pro každého, kdo připravuje nasazení, je ale užitečnější zjištění hlouběji ve studii: 26,4 % rozptylu v nepřesnosti evidence připadalo na rozdíly mezi kategoriemi produktů a jen 2,7 % na rozdíly mezi prodejnami. Kde se chyby objevují, tedy mnohem víc závisí na tom, co se počítá, než na tom, která prodejna počítá.
Drahé je to kvůli fantomovým zásobám. Evidence tvrdí, že na skladě jsou čtyři kusy, regál je prázdný a systém nevidí důvod objednávat. Výpadek zásob se sám nevyřeší. Trvá, dokud si prázdného regálu někdo nevšimne a neopraví stav v systému, a u zboží s pomalou obrátkou to ve velké prodejně může trvat týdny. Plánovač, který prochází uličky, si toho občas všimne. Systém, který počítá přes noc, nikdy.
Co kontrolujeme před spuštěním, vychází přímo ze zjištění o kategoriích. Záznamy kontrolujeme výběrově po kategoriích, ne prodejnu po prodejně, a začínáme tam, kde se podle našich zkušeností chyby hromadí: u čerstvého zboží, položek s vysokými inventurními rozdíly a multipacků, které se prodávají v celku i po kusech. Vedle výběrové kontroly toho hodně a rychle prozradí dva přehledy. Prvním je seznam položek se záporným stavem zásob, což je vždy chyba evidence. Druhým je skutečný plán cyklických inventur v porovnání s tím, který stojí v procesním manuálu. Pořadí kategorií je naše pracovní pravidlo z projektů, ne publikovaný benchmark, ale jen málokdy nás poslalo nejdřív na špatné místo.
Skutečným projektem jsou kmenová data
Většina práce na projektu automatického doplňování zásob není nastavení modelu. Je to uvedení kmenových dat do pořádku a jejich udržení.
Špatná velikost balení nebo neaktuální minimální objednací množství vytváří nadzásoby z principu. Systém počítá správně, zaokrouhlí na balení nebo MOQ, které dostal, a výsledek skončí ve skladu. Pole, která rozhodují o tom, jestli jde objednávka provést, jsou dobře známá a ve většině firem jich několik chybí nebo je neúplných: velikost balení a paletizace, MOQ, dodací lhůta podle dodavatele a distribučního centra, dodací okna, kapacita regálu nebo počet facingů v planogramu, stav životního cyklu každé položky (novinka, standard, doprodej) a kalendář svátků a uzavření prodejen.
V Albertu, který v Česku provozuje víc než 300 supermarketů, tomu odpovídalo i pořadí kroků. Projekt začal posouzením plánování a objednávání a definicí společných požadavků na data. Druhým krokem byl datový model a integrace, díky kterým mají obchod i logistika jediný zdroj pravdy. Teprve potom se nastavila prognóza pro běžnou poptávku i promoakce a navázala se na pravidla doplňování.
Na vlastnictví dat se snadno zapomíná. Jednorázový úklid před spuštěním vydrží pár měsíců. Pak se zalistují nové položky s výchozími hodnotami, dodavatel změní formát palet a pole nikdo neopraví, protože za něj nikdo neodpovídá. Každé pole, které ovlivňuje objednávku, potřebuje jmenovitě určeného vlastníka a postup pro změny. Jinak se data potichu vrátí tam, kde byla.
Kdo smí systém ručně přepisovat?
Když může návrh objednávky změnit kdokoli, bez záznamu a bez limitu, stane se ze systému nezávazné doporučení a většina přínosu zmizí.
Kolik je ve hře, naznačuje výzkum expertních úprav prognóz. Robert Fildes, Paul Goodwin a Shari De Baets podle jednotného rámce analyzovali zhruba 147 000 prognóz ze šesti studií. Výsledky vyšly v roce 2024 v International Journal of Forecasting. Expertní úpravy zlepšily systematickou odchylku (bias) i přesnost jen u o něco víc než poloviny položek. Úpravy směrem nahoru prognózu spíš zhoršovaly, výrazné úpravy směrem dolů ji obvykle zlepšovaly. Doklady o tom, že plánovači využívali informace, které algoritmus neměl, byly slabé. Zdá se, že spíš reagovali na nepodstatné podněty nebo na signály s malou vypovídací hodnotou.
U objednávek platí stejný vzorec a stojí navíc peníze. Když plánovač zaokrouhlí objednávku nahoru „pro jistotu“, obejde ručním přepisem i omezení, která systém respektoval: kapacitu regálu, dodací okno, velikost balení. Zásoba navíc pak nezůstane jen ve výpočtu. Leží v zázemí prodejny.
Ruční přepisy kvůli tomu není nutné zakazovat. Potřebují pravidla. V praxi se osvědčily tři věci: záznam každého přepisu s kódem důvodu, limity podle role (vedoucí prodejny upraví objednávku v určitém rozpětí, větší změny řeší centrální tým) a pravidelné vyhodnocení, jestli přepisy něco přinesly, podle stejné logiky forecast value added (FVA), jen použité na objednávky místo prognóz. Pomáhá rozlišovat dva druhy přepisu. „Vím něco, co systém neví“ je legitimní důvod: nově zalistovaná položka bez historie, známý problém s dodávkami, místní událost. „Tomu číslu nevěřím“ je signál, že je potřeba opravit vstup, ne přepisovat výstup.
Výjimky musí mít konkrétního vlastníka
Cílem automatizace není nula lidských zásahů. Cílem je málo zásahů na správných místech, které řeší člověk, jenž to má v popisu práce.
Výjimka je každá objednávka, kterou systém nemůže nebo nemá uvolnit sám: objednávka zastavená kapacitním limitem, dodavatel, který nedodal, promoakce v době sezónní špičky, nová položka bez historie nebo prodejna, která narazila na strop skladovací kapacity. Každý typ výjimky potřebuje frontu, vlastníka a lhůtu na vyřešení. Bez nich se výjimky hromadí ve schránce, kterou nikdo neotvírá, a plánovači se vrátí k ručnímu skládání objednávek, protože jim to připadá bezpečnější.
V online supermarketu Košík.cz dosáhla dostupnost zboží 97 % a odpad klesl o 75 % poté, co se spustil Veritico STOCK spolu s přepracovanými objednacími a skladovými procesy. Generální ředitel Košíku Tomáš Jeřábek popisuje výsledek tak, že po několika týdnech klesla průměrná denní hodnota odpisů zboží po expiraci na čtvrtinu. Případová studie zmiňuje i méně ruční práce při objednávání. Ta práce nezmizela, jen se přesunula od skládání objednávek k položkám, které rozhodnutí opravdu potřebovaly.
Od prvního týdne se vyplatí sledovat touch rate, tedy podíl navržených objednávek, které člověk před uvolněním otevře. Když je touch rate vysoký a po prvním měsíci neklesá, obvykle chybí některá z předchozích podmínek, nejčastěji důvěra ve skladovou evidenci.
Jak vypadá rozumné nasazení?
Rozumné nasazení začíná pilotem na části sortimentu a skupině lokací, nějakou dobu běží souběžně se stávajícím procesem a končí vyhodnocením akceptačních kritérií, na kterých se strany dohodly předem.
Projekt v Albertu prošel čtyřmi fázemi, které doporučujeme většině maloobchodníků i distributorů: posoudit současné plánování a definovat požadavky na data, navrhnout datový model a integrace, nastavit prognózování a pravidla doplňování a systém provozovat a zpevnit v obdobích s rozkolísanou poptávkou, než se rozšíří dál. Poslední fáze se škrtá jako první, když je rozpočet napjatý, a přitom právě ona ukáže, jestli systém obstojí.
Jak dlouho má pilot běžet, určuje sezónnost. Pompo, český prodejce hraček s víc než 100 prodejnami, velkoobchodem a e‑shopem, zvýšil dostupnost zboží o 3 % u výrazně sezónního sortimentu, ve kterém rok ovládají Vánoce. Pilot, který skončí v říjnu, o zvládnutí nejdůležitějších týdnů roku neřekne skoro nic. Akceptační kritéria patří k období, ve kterém firma svůj rok skutečně vydělá, nebo prodělá.
Ve středně velkých firmách v Česku a na Slovensku pilot málokdy brzdí dodavatel. Brzdí ho kapacita na straně klienta. Rozdíl dělají dvě rozhodnutí. Prvním je člověk vyhrazený na kmenová data po celou dobu pilotu, ne vypůjčený z jiného týmu na pár hodin týdně. Druhým jsou pravidla pro ruční přepisy odsouhlasená dřív, než se uvolní první objednávka. Bez nich pilot proběhne, ale na konci nikdo neřekne, jestli výsledky přinesl systém, nebo plánovači, kteří ho obcházeli. Stejné je to o patro výš: když distribuční centrum (DC) objednává u dodavatelů ručně a prodejny už jsou automatizované, přínos se zastaví u dveří DC. Proto doplňování skladů a objednávky dodavatelům obvykle patří do stejného plánu, i když se spustí později.
Kdy doplňování zásob neautomatizovat
Ve čtyřech situacích automatizaci nedoporučujeme, i když o ni klient stojí:
- Méně než celý sezónní cyklus historie u velké části sortimentu. Naše hranice je aspoň jeden kompletní sezónní cyklus, což v praxi znamená 12 měsíců. S kratší historií model neoddělí sezónnost od trendu a každá špička vypadá jako růst. Je to naše pracovní pravidlo, ne externí standard. Nová firma nebo úplně vyměněný sortiment obvykle potřebují jiný přístup, dokud historie nevznikne.
- Sortiment, který se obmění tak rychle, že se model nemá z čeho učit. Sortiment podobný módě, kde většina položek vydrží jednu sezónu, potřebuje prognózu podle atributů a alokaci, ne klasické doplňování.
- Kmenová data bez vlastníka. Bez něj se automatizace během pár měsíců vrátí do ručního režimu a firma platí za systém, který plánovači obcházejí.
- Změna ERP nebo WMS v příštích dvanácti měsících. Nejdřív systémová vrstva, potom doplňování. Opačné pořadí znamená stavět integrace dvakrát a pouštět pilot nad daty, která se brzy změní. Co se při takové změně rozbije na straně plánování, jsme popsali v průvodci nasazením ERP a WMS.
Ještě jedna hranice se netýká celého projektu, ale části sortimentu. U položek s výrazně přerušovanou poptávkou, třeba náhradních dílů nebo dlouhého chvostu sortimentu železářství, je jednoduché pravidlo min/max s pravidelnou kontrolou člověkem často levnější a stabilnější než plná automatizace. Cílem není automatizovat všechno, ale ty položky, u kterých systém rozhoduje líp než člověk.
Čtyři čísla, která změřte před podpisem smlouvy
Čtyři čísla řeknou o šancích projektu víc než jakékoli srovnání funkcí od dodavatelů:
- Přesnost skladové evidence podle kategorií z výběrové kontroly, se jmenovitě uvedenými třemi nejhoršími kategoriemi.
- Úplnost kmenových dat, která řídí objednávky, jako procento aktivních položek, které mají vyplněné a ověřené všechny údaje ze seznamu výše.
- Podíl objednávek, které se dnes ručně přepisují, a jakým směrem.
- Týdenní objem výjimek, které současný proces už zpracovává, ať jim tak ve firmě někdo říká, nebo ne.
Když jsou slabá první dvě čísla, opravte je před začátkem pilotu. Když je vysoké třetí, dohodněte pravidla pro přepisy před ostrým startem. Když čtvrté nikdo nedokáže dodat, fronta výjimek zatím vlastníka nemá. Teprve se znalostí těchto čtyř čísel má smysl testovat nástroj na vlastních datech. Jak na to, popisujeme v průvodci výběrem a testováním softwaru pro optimalizaci zásob.
Časté otázky
Aspoň jeden kompletní sezónní cyklus, což u většiny maloobchodníků a distributorů znamená 12 měsíců. S kratší historií model nerozezná sezónní špičky od růstu. Položky s kratší historií se zapojit dají, ale potřebují pravidla pro novinky a bližší kontrolu, dokud se historie nenasbírá.
U doplňování prodejen ano, pokud je skladová evidence na prodejnách spolehlivá a dodavatel nebo distribuční centrum dokáže objednávky vykrýt. U doplňování skladů a DC potřebuje systém přesná data o zásobách a pozicích, která v praxi obvykle pocházejí z WMS. Bez něj je přesnost evidence ve skladu první věc, kterou je potřeba vyřešit.
Systém pro doplňování zásob potřebuje jako vstup prognózu promoakcí, ne jen základní prognózu. Když se promoakce plánují v samostatné tabulce, systém nárůst prodejů v akci uvidí až po jejím začátku. Teprve propojení plánování promoakcí s doplňováním zajistí, že zboží dorazí před promoakcí, a ne v jejím průběhu.
Ano, jen budou dělat jinou práci. Místo skládání objednávek položku po položce řeší výjimky, udržují pravidla a data, na kterých stojí, a rozhodují v případech, kdy vědí něco, co systém neví. Týmy, které s touhle změnou počítají, si nejlepší plánovače udrží. V týmech, které s ní nepočítají, plánovači často přepisují systém jen proto, aby byli dál k užitku.
Z našich projektů
Automatizace zásobování sítě maloobchodních prodejen
Logio zavedlo ve společnosti Milk‑Agro systém Veritico STOCK. Automatizací objednávek jsme ulehčili prodejnám od ruční práce a stabilizovali dostupnost čerstvého zboží s řízenou hladinou zásob.
Omezení rutinní práce na prodejnách
Snížení rizika prošlého zboží
Průběžný reporting klíčových KPI
Optimalizace zásob pro slovenského distributora GGT
Automatizace prognózy a doplňování zásob napříč více než 800 pobočkami GGT přinesla nárůst tržeb o 5 %, snížení skladových zásob o 15 % a šedesátiprocentní úsporu času při objednávání.
+5 % tržby
–15 % zásoby
–60 % času na vytvoření objednávek
Další poznatky ze supply chainu

Supply chain slovník
Cross‑docking
Co je cross‑docking, jak se liší varianta s rozdělením u dodavatele a v distribučním centru a proč přesouvá pojistnou zásobu do prodejen.
19. listopadu 2026
3 min

Whitepapery a e‑booky
Vendor‑managed inventory: kdy se vyplatí předat doplňování dodavateli a kdy se to vymstí
Vendor‑managed inventory přesouvá rozhodování o objednávkách na dodavatele, samo o sobě ale zásoby z řetězce neodstraní. Kdy se VMI obchodníkovi vyplatí, kdy se vymstí a co vyřešit před podpisem smlouvy.
19. listopadu 2026
9 min

Supply chain slovník
Slotting (rozmístění zboží ve skladu)
Co je slotting, proč se položky řadí podle vychystávaných řádků a ne podle prodaných kusů a jak velikost pozice určuje počet doplnění.
18. listopadu 2026
3 min