Planowanie produkcji i prognozowanie popytu z AI

Problem — planowanie produkcji w Excelu

W większości zakładów plan powstaje w arkuszu. Planista bierze średnią z ostatnich tygodni albo sprzedaż z tego samego okresu rok temu, dokłada ręczne korekty — „w maju zawsze jest więcej”, „ten klient zamówi później” — i z tego wychodzą zmiany, zamówienia materiału i obłożenie maszyn. To działa, dopóki popyt zachowuje się tak jak w zeszłym roku.

Słaby punkt jest jeden: taki plan nie mówi, jak bardzo może się pomylić. Każdy tydzień to jedna liczba, bez marginesu. Gdy popyt odjedzie od średniej, zakład dowiaduje się o tym na hali — nadgodzinami i dokupowaną pracą, gdy ludzi brakuje, albo opłaconymi godzinami bez pracy, gdy jest ich za dużo. Oba błędy kosztują, tylko ten koszt jest rozproszony po budżetach i nikt nie widzi go w jednej tabeli.

Plan „jak w zeszłym okresie” kontra prognoza popytu

Ilustracja — dane przykładowe, nie wynik testu.

Rozwiązanie — prognozowanie popytu i sprzedaży na danych zakładu

Prognozowanie sprzedaży mówi, ile sprzedacie. Prognozowanie popytu — ile klienci będą chcieli kupić, także wtedy, gdy wyrobu zabraknie albo zamówienie przesunie się na kolejny miesiąc. Do planowania produkcji potrzebne jest to drugie: sprzedaż ograniczona brakiem towaru zaniża kolejne plany i błąd sam się powiela.

Z naszych testów wynika jedno: najwięcej daje to, co firma już wie o przyszłości. Portfel zamówień — co klienci zamówili na najbliższe tygodnie — mówi o nadchodzącym popycie więcej niż sama historia sprzedaży. Dlatego optymalizacja procesów produkcyjnych zaczyna się od lepszej prognozy, a nie od nowego systemu. Prognoza z zakresem niepewności zasila decyzje, które zakład i tak podejmuje co tydzień — od obsady zmian po prognozowanie zapotrzebowania na materiał i energię.

Dane nie wychodzą poza firmę

Dane zakładu

sprzedaż i zamówienia (ERP)
portfel zamówień
liczniki energii
czujniki i instalacje

Serwer w zakładzie

prognoza z zakresem niepewności
wykrywanie odstępstw

Decyzje

obsada zmian
zapotrzebowanie materiałowe
energia i moc umowna
alarmy dla utrzymania ruchu

planista zatwierdza

Dane zakładu, prognoza i decyzje — w jednej pętli wewnątrz sieci firmy. Ostatnie słowo należy do planisty.

Harmonogramowanie produkcji i planowanie zapotrzebowania materiałowego (MRP)

Prognoza nie jest celem samym w sobie. Zasila harmonogramowanie produkcji — ile i kiedy uruchomić na poszczególnych liniach — oraz planowanie zapotrzebowania materiałowego (MRP): ile surowca i komponentów zamówić, żeby nie zabrakło i żeby nie zamrażać pieniędzy w magazynie.

Uczciwie: ailone nie zastępuje systemu APS ani MRP. Dostarczamy do nich lepszą liczbę wejściową — prognozę z zakresem niepewności — a harmonogram dalej układa Wasz system i Wasz planista. Jeśli zamiast prognozy potrzebujecie odpowiedzi na pytania o przeszłość, np. „dlaczego marża spadła w tej kategorii”, to inne narzędzie: analiza danych firmy po polsku.

Co to zmienia w liczbach — wyniki naszych testów

Zanim zaproponujemy coś zakładowi, sprawdzamy to na danych. Poniżej wyniki naszych testów na publicznych danych rzeczywistych. Za każdym razem porównujemy prognozę z tym, jak planuje się dziś — na okresie odłożonym do samego końca, którego modele wcześniej nie widziały.

Grafik konsultantów (infolinia NYC 311, 51 tygodni)

−20%

Nadmiarowy koszt grafiku — mniej znaczy lepiej.

Obsada zmian (7 magazynów)

−29%

Nadmiarowy koszt grafiku — mniej znaczy lepiej.

Wykrywanie usterek (12 budynków)

6× więcej

Wykryte usterki przy ok. 1 fałszywym alarmie na miesiąc — więcej znaczy lepiej.

Energia — bateria (12 budynków)

+26–36%

Zrealizowana część możliwej oszczędności (z prognozą pogody) — więcej znaczy lepiej.

Testy ailone na publicznych danych rzeczywistych, 2026 (m.in. NYC 311 Call Center Inquiry, NYC Open Data). Wynik dla zakładu sprawdzamy w pilotażu na jego danych.

Planowanie zatrudnienia i obsady zmian

Najbardziej wymierny efekt prognozy to grafik. Gdy zaplanujecie za mało ludzi, brakujące godziny trzeba dokupić — nadgodzinami, dyżurem, pracą tymczasową. Gdy za dużo, płacicie za godziny bez pracy. Planowanie zatrudnienia oparte na prognozie zmniejsza oba błędy naraz. Sprawdziliśmy to na dwóch zbiorach danych.

Przykład: grafik konsultantów infolinii miejskiej Nowego Jorku (311)

Sprawdziliśmy to na publicznych danych NYC 311 — każdym połączeniu obsłużonym przez konsultanta miejskiej infolinii Nowego Jorku od stycznia 2022 do września 2026 roku, zliczonym godzina po godzinie. 311 to infolinia informacyjna miasta (sprawy urzędowe i zgłoszenia), nie numer alarmowy. To średnio 10,8 tys. rozmów dziennie, w szczycie ok. 1 500 na godzinę. Testowaliśmy na ostatnich 51 tygodniach, od września 2025 do września 2026 — na danych nowszych niż te, na których uczono modele.

Co tydzień liczyliśmy prognozę na dwa tygodnie naprzód, godzina po godzinie, a z niej — standardowym w branży wzorem Erlang C — liczbę konsultantów potrzebnych, żeby 80% połączeń odebrać w ciągu 20 sekund. Porównaliśmy to z tym, jak planuje się dziś: średnia z ostatnich czterech tygodni dla tej samej godziny, a święto jak niedziela. Zaplanowana godzina jest płatna zawsze, a brakującą trzeba dokupić za dwukrotność stawki.

Wynik: nadmiarowy koszt grafiku spadł z 12,3% do 9,9% kosztu idealnej obsady — o 20%. W centrum 40 konsultantów z ok. 1,8 mln EUR rocznych kosztów pracy to około 43 tys. EUR rocznie (od 16 do 79 tys. EUR, zależnie od tego, ile kosztuje brak konsultanta). W mniejszym zespole, ok. 17 konsultantów w szczycie, zysk był mniejszy: 14%. Im droższy jest brak konsultanta, tym więcej daje prognoza — przy trzykrotnej dopłacie oszczędność rosła do 24%.

Uczciwie: ok. 10% nadmiarowego kosztu zostaje nawet przy najlepszej prognozie, bo awarii, pogody i wydarzeń w mieście nie da się przewidzieć dwa tygodnie naprzód — to zadanie dla korekt w dniu pracy. Obliczenia zakładają też, że obsadę można dopasować godzina po godzinie; umowy i minimalna długość zmiany zabierają część zysku. Dlatego każdą kwotę sprawdzamy na danych firmy.

Obsada zmian w 7 magazynach e-commerce

Ten sam mechanizm sprawdziliśmy w logistyce magazynowej: 7 magazynów e-commerce, prawie rok testu, grafik układany na drugi tydzień naprzód. Nadmiarowy koszt grafiku spadł z 8,5% do 6,1% kosztu pracy objętej grafikiem, czyli o 29% — i to w każdym z 7 magazynów, nie tylko średnio. Dla magazynu z ok. 2 mln EUR rocznych kosztów pracy to rząd kilkudziesięciu tysięcy EUR rocznie. To szacunek: zależy od tego, ile kosztuje brak pracownika i jak elastyczne są umowy.

Uczciwie: magazyn to nie hala produkcyjna, ale mechanizm jest ten sam — zmienny wolumen pracy i grafik układany z wyprzedzeniem. Na danych produkcyjnych wynik trzeba potwierdzić; od tego jest pilotaż.

Optymalizacja kosztów produkcji: monitoring zużycia energii i moc umowna

Drugi obszar to energia. W teście na 12 budynkach przez cały rok bateria ścinała szczyty poboru mocy, sterowana prognozą zużycia. Prosta reguła bez prognozy zrealizowała 52% możliwej oszczędności, a sterowanie prognozą zużycia uwzględniającą prognozę pogody — 65–70%, czyli o 26–36% więcej. Bez prognozy pogody zysk był znikomy.

Uczciwie: w pieniądzach to niewiele — rzędu 1 tys. EUR rocznie na budynek z ok. 500 kW mocy szczytowej. Monitoring zużycia energii z prognozą to element zarządzania energią w zakładzie, nie samodzielny produkt. Moc umowna i jej przekroczenia to osobna sprawa — tego nie mierzyliśmy osobno. Czy prognoza pomoże uniknąć przekroczenia mocy umownej, sprawdzimy dopiero na odczytach z Waszych liczników.

Wykrywanie anomalii — predykcyjne utrzymanie ruchu (predictive maintenance)

Ta sama prognoza służy do wykrywania odstępstw: jeśli zużycie odbiega od tego, czego model się spodziewał, coś działa inaczej niż zwykle. Na tych samych 12 budynkach wprowadziliśmy do danych typowe usterki — instalację pracującą w nocy, tryb dnia roboczego w weekend, trwały skok zużycia.

Przy ok. jednym fałszywym alarmie na miesiąc wykrywanie oparte na prognozie znalazło 69% usterek, a reguła stosowana dziś — 11%. To 6 razy więcej. Instalację pracującą w nocy wychwytywało w ok. 9 na 10 przypadków, a ponad dwie trzecie alarmów dotyczyło prawdziwych usterek. Bez ręcznego ustawiania progów na każdym obiekcie.

Uczciwie: usterki wprowadziliśmy do danych sami, nie pochodzą z dziennika serwisowego. Przewidywania awarii maszyn z czujników — drgań, temperatury — nie testowaliśmy; to zakres pilotażu na danych zakładu. Jeśli potrzebujecie pomocy przy diagnozie awarii, która już wystąpiła, to inne narzędzie: asystent utrzymania ruchu.

Czym są modele fundacyjne do prognozowania (np. TimesFM, Chronos)

Przez lata prognozę budowało się osobno dla każdego szeregu danych: dobór metody, parametrów, ręczne poprawki. Modele fundacyjne do szeregów czasowych działają inaczej. Zostały wytrenowane na ogromnej liczbie szeregów z różnych dziedzin i prognozują nową serię bez budowy modelu od zera. Przykłady to rodziny TimesFM (Google Research) i Chronos (Amazon). Wiele z nich podaje nie tylko jedną liczbę, ale i zakres niepewności.

Dwie rzeczy warto wiedzieć. Po pierwsze, to nie są modele językowe — nie prowadzą rozmowy, tylko liczą przyszłe wartości. Po drugie, licencje się różnią, czasem nawet między wersjami tej samej rodziny: część modeli wolno używać wyłącznie niekomercyjnie. Zanim model trafi do firmy, trzeba to sprawdzić.

AI w produkcji — czego nie obiecujemy

Sztuczna inteligencja w produkcji ma realne granice. Lepiej znać je przed pilotażem niż po nim. Oto, czego nauczyły nas testy:

Liczy się to, co firma wie o przyszłości — portfel zamówień, prognoza pogody. Kalendarz świąt i historyczna pogoda prawie nic nie dodają.
Mniejsza skala, mniejszy zysk. Nie każdej firmie to się opłaci — i lepiej, żeby wyszło to w pilotażu niż po wdrożeniu.
Zdarzeń bez precedensu nie przewidzi żadna metoda. Pandemii z 2020 roku nie przewidziałaby ani prognoza, ani arkusz.
Prognoza nie zastępuje planisty. Daje liczby i zakres niepewności, a decyduje człowiek. Model językowy może opisać wynik słowami, ale liczby liczy sprawdzony kod.
Wyniki z danych publicznych mogą być nieco optymistyczne. Dlatego każdą liczbę z tej strony sprawdzamy jeszcze raz — w pilotażu na danych firmy.
Nie przewidujemy cen, skutków Waszych własnych decyzji cenowych ani sprzedaży produktów, które nie mają jeszcze historii.

Dla kogo — kiedy optymalizacja procesów produkcyjnych z prognozą się opłaca

Powtarzalne planowanie

Co tydzień układacie grafik zmian, zamawiacie materiał i planujecie linie — w przetwórstwie spożywczym, produkcji opakowań, części, chemii czy w logistyce magazynowej.

Co najmniej rok historii

Sprzedaż albo zamówienia z co najmniej roku, najlepiej z 1–2 lat. Bez historii nie ma z czego liczyć — i nie będziemy udawać, że jest inaczej.

Skala, przy której błąd kosztuje

Dziesiątki osób na zmianach, duże zakupy materiału, wysokie rachunki za energię. Uczciwie: przy małej skali zysk jest mały i pilotaż może pokazać, że wdrożenie się nie opłaci.

Szerszy obraz lokalnego AI na hali — od dokumentacji maszyn po kontrolę jakości — opisujemy na stronie AI w przemyśle 4.0.

Bezpieczeństwo — dane nie wychodzą z zakładu

Serwer w firmie

Model działa na serwerze w Waszej sieci. Historia sprzedaży, portfel zamówień i odczyty liczników nie trafiają do zewnętrznej chmury.

Lekkie obliczenia

Prognoza to nie rozmowa z dużym modelem językowym — obliczenia są lekkie i mieszczą się na sprzęcie w zakładzie.

Tajemnica przedsiębiorstwa

Wolumeny, klienci i koszty pracy to dane, których nie pokazuje się konkurencji. Zostają tam, gdzie powstały. Więcej: lokalne AI zamiast chmury.

Jak wygląda wdrożenie — najpierw pilotaż na danych historycznych

Zanim cokolwiek wdrożycie, liczymy, co dałaby prognoza w przeszłości — w pieniądzach. Sprawdzamy na Waszej historii, jak wypadłaby prognoza, i porównujemy wynik z Waszą obecną metodą planowania. Dopiero wtedy wiadomo, czy wdrożenie ma sens.

Czego potrzebujemy: historii sprzedaży lub zamówień (najlepiej z 1–2 lat), portfela zamówień — co klienci zamówili na kolejne tygodnie — a do energii i wykrywania anomalii odczytów liczników.

Wasze dane historyczne — sprzedaż, zamówienia, liczniki
Sprawdzamy na Waszej historii, jak wypadłaby prognoza
Wynik w złotówkach — porównany z Waszą obecną metodą
Decyzja o wdrożeniu

Pilotaż w czterech krokach: decyzja o wdrożeniu zapada na liczbach z Waszej własnej historii.

Najczęstsze pytania

Czym różni się prognozowanie popytu od prognozowania sprzedaży?

Prognozowanie sprzedaży szacuje, ile sprzedacie. Prognozowanie popytu — ile klienci będą chcieli kupić, także gdy wyrobu zabraknie albo zamówienie przesunie się w czasie. Do planowania produkcji ważniejszy jest popyt: sprzedaż ograniczona brakiem towaru zaniża kolejne plany.

Czy do planowania produkcji wystarczy Excel?

Do ułożenia planu często tak — wiele zakładów robi to w arkuszu. Słabym punktem jest liczba wejściowa: średnia z ostatnich tygodni albo „jak rok temu” nie mówi, jak bardzo plan może się pomylić. Prognoza z zakresem niepewności poprawia właśnie tę liczbę, a narzędzie planisty może zostać to samo.

Jakich danych potrzeba?

Historii sprzedaży lub zamówień, najlepiej z 1–2 lat, oraz portfela zamówień, czyli tego, co klienci już zamówili na kolejne tygodnie. Do energii i wykrywania anomalii — odczytów liczników. Najwięcej daje to, co firma wie o przyszłości.

Czy AI zastąpi planistę produkcji?

Nie. Prognoza daje liczby i zakres niepewności, a decyzję podejmuje planista — zna klientów, maszyny i ograniczenia, których nie ma w danych. Zdarzeń bez precedensu nie przewidzi żadna metoda.

Czym jest predykcyjne utrzymanie ruchu?

To wykrywanie sygnałów, że urządzenie albo instalacja zaczyna działać inaczej niż zwykle — zanim dojdzie do awarii lub zanim urośnie koszt. W naszych testach wykrywanie odstępstw od prognozy zużycia energii znalazło 6 razy więcej usterek niż reguła stosowana dziś. Przewidywania awarii maszyn z czujników drgań i temperatury nie testowaliśmy — to zakres pilotażu.

Czy dane produkcyjne muszą trafić do chmury?

Nie. Model działa na serwerze w zakładzie, a obliczenia prognozy są lekkie. Historia sprzedaży, portfel zamówień i odczyty liczników zostają w Waszej sieci.

Od czego zacząć optymalizację produkcji z AI?

Od pilotażu na danych historycznych: liczymy, co dałaby prognoza w przeszłości, w pieniądzach, i porównujemy to z Waszą obecną metodą planowania. Dopiero na tej podstawie decydujecie o wdrożeniu.

Źródła

NYC Open Data, 311 Call Center Inquiry — połączenia obsłużone przez konsultantów miejskiej infolinii 311 (data, godzina, temat).
Wzór Erlang C — opis w Wikipedii (ang.).
Przykłady modeli fundacyjnych do prognozowania: TimesFM (Google Research; licencje poszczególnych wersji opisane w repozytorium) i Chronos (Amazon).

Powiązane: AI w przemyśle 4.0 · Asystent utrzymania ruchu · Analiza danych firmy po polsku · Lokalne AI zamiast chmury