Forecasting cu AI pentru distribuție: cum reduci stocul mort și rupturile cu 30%

Problema: stocul tău spune două minciuni în același timp

Orice distribuitor cu peste 500 de SKU-uri trăiește aceeași contradicție: are prea mult din ce nu se vinde și prea puțin din ce se cere. Stocul mort blochează capital de lucru pe rafturile depozitului. În același timp, comercialul sună săptămânal cu "nu avem produsul X, am pierdut comanda".

Cifrele reale dintr-un distribuitor B2B mediu din România:

• 8-15% din valoarea stocului = produse care nu s-au vândut de peste 90 de zile
• 3-7% din comenzi pierdute lunar din cauza rupturilor
• 2-4 ore/zi petrecute de team-ul de achiziții pe ajustări manuale în Excel

La un distribuitor cu 4 milioane EUR rulaj anual și 25% marjă, asta înseamnă 80.000-150.000 EUR/an pierdute prin combinația stoc blocat + vânzări ratate. E mai mult decât salariul anual al întregului departament de achiziții.

Forecasting-ul cu AI nu este o jucărie de big-tech. În 2026, e una dintre cele mai rapide investiții cu ROI măsurabil pentru orice distribuitor cu peste 300 de SKU-uri active.

De ce Excel-ul nu mai e suficient

Majoritatea distribuitorilor folosesc o variantă din următoarele metode:

1. Media mobilă pe 3 luni — comanzi cât s-a vândut, în medie, în ultimele 90 de zile

2. Pragul minim/maxim — când stocul scade sub X, comanzi Y

3. Intuiția achizitorului — "Vine sezonul, mărim cu 20%"

Aceste metode funcționează rezonabil pentru produse cu cerere stabilă. Dar pierd complet în 4 situații:

• Sezonalitate complexă — produse care variază nu doar pe luni, ci pe zile ale săptămânii sau evenimente
• Cauzalitate externă — vremea, sărbători locale, lansări la concurență
• Produse noi — primele 6 luni, niciun istoric statistic relevant
• Cerere intermitentă — produse care se vând rar dar imprevizibil

AI-ul nu rezolvă magic toate aceste cazuri. Dar combinarea modelelor statistice clasice cu machine learning crește semnificativ acuratețea — în special pe produsele unde Excel-ul dă greș sistematic.

Ce înseamnă "forecasting cu AI" în practică

Un sistem de forecasting modern nu este un singur model. Este un pipeline care alege automat ce model funcționează mai bine pentru fiecare SKU:

1. Modele statistice clasice (ARIMA, ETS, Prophet)

Pentru produsele cu istoric stabil și sezonalitate clară. Rapide, ieftine, interpretabile.

2. Modele de machine learning (XGBoost, LightGBM)

Pentru produse unde cererea depinde de mai mulți factori: preț propriu, preț concurență, promoții, sezonalitate, vreme. Aici intervine valoarea reală a AI-ului.

3. Modele specializate (DeepAR, Temporal Fusion Transformer)

Pentru portofolii mari cu sute de produse similare. Învață pattern-uri comune între SKU-uri și transferă cunoștințele între produse.

Cheia: sistemul rulează toate aceste modele lunar, măsoară performanța reală pe fiecare SKU și alege automat ce funcționează cel mai bine pentru fiecare produs în parte. Nu există "un model" pentru toată compania.

Datele de care ai nevoie (mai puține decât crezi)

Mulți distribuitori amână forecasting-ul cu AI gândind că "nu avem destule date". În realitate, ai nevoie de minimum:

• 18-24 luni de istoric vânzări la nivel zilnic sau săptămânal
• Catalog de produse cu categorii și atribute
• Calendar de promoții și prețuri din ultimele 12 luni
• Date master pentru clienți (segmente, zone geografice)

Asta e tot. Vreme, evenimente publice, indicatori macro — toate îmbunătățesc acuratețea, dar nu sunt obligatorii pentru a începe.

Ce nu e nevoie: o "platformă de big data". Pentru un catalog sub 5.000 de SKU-uri active, întregul sistem poate rula pe un singur server PostgreSQL cu 16GB RAM.

Studiu de caz: distribuitor FMCG cu 1.800 SKU-uri

Un distribuitor cu care am lucrat la NEXVA SYSTEM avea următoarea situație:

• Rulaj anual: 6,2 milioane EUR
• 1.800 de SKU-uri active în 4 depozite regionale
• Stoc mort: 11% din valoarea stocului = ~340.000 EUR blocați
• Rupturi: 5,2% din liniile de comandă, în special pe produse "long tail"

Ce am implementat:

• Pipeline care extrage zilnic vânzări, stocuri și comenzi din ERP-ul lor
• Forecasting săptămânal pe orizont de 12 săptămâni, per SKU per depozit
• Integrare directă cu modulul de achiziții — propuneri automate de comenzi
• Dashboard de excepții: produse cu trend de scădere, supraestimări sistematice
• Override manual permis pe orice produs, cu logging pentru învățare

Rezultate după 6 luni:

• Stoc mort: de la 11% → 7,2% (eliberare de 120.000 EUR capital de lucru)
• Rupturi: de la 5,2% → 3,1% (recuperare ~85.000 EUR vânzări anuale)
• Timp achiziții: de la 3-4 ore/zi → 45 min/zi (verificare propuneri AI)
• ROI investiție: 9 luni

Important: AI-ul nu a înlocuit achizitorul. A eliminat partea repetitivă (recalculare pentru 1.800 de SKU-uri) și a lăsat omului decizia finală pe cazurile non-evidente.

Unde dă greș forecasting-ul cu AI

Fii realist când evaluezi tehnologia:

Produse noi

Primele 8-12 săptămâni după lansare, modelul nu are nimic de învățat. Aici tot intuiția comercială bate AI-ul. Soluție: hibrid — om pentru luna 1-3, AI după ce există suficient istoric.

Shock-uri externe

Pandemia, război, schimbări legislative bruște. Niciun model nu prezice ce nu s-a mai întâmplat. Sistemul trebuie să aibă mecanisme de detecție a anomaliilor și de "reset" controlat.

Date proaste

"Stocul fantomă" (în sistem, dar nu fizic), retururi neînregistrate corect, transferuri între depozite tratate ca vânzări — toate corup forecasting-ul. Investiția în calitatea datelor e o pre-condiție, nu un nice-to-have.

Produse cu cerere foarte mică

Sub 5 mișcări/lună, modelele statistice devin nesigure. Aici e mai util un sistem simplu de praguri decât un AI complex.

Costul real al implementării

Pentru un distribuitor cu 500-3.000 SKU-uri active:

| Componentă | Cost |

|-----------|------|

| Audit date și pipeline ETL | 4.000-7.000 EUR |

| Modele forecasting + tuning | 6.000-10.000 EUR |

| Integrare cu ERP / modul achiziții | 3.000-6.000 EUR |

| Dashboard de excepții și override | 2.000-4.000 EUR |

| Total inițial | 15.000-27.000 EUR |

| Infrastructură lunară | 80-200 EUR |

| Re-tuning și mentenanță | 400-700 EUR/lună |

Compară cu costul muncii manuale + pierderile actuale: pentru distribuitorul mediu, economiile anuale depășesc investiția în 8-12 luni.

Cum începi practic

1. Auditează stocul mort actual — câți bani sunt blocați și pe ce SKU-uri?

2. Cuantifică rupturile — câte linii de comandă pierzi lunar și ce valoare au?

3. Începe cu un segment — 200-300 SKU-uri din categoria cea mai sensibilă la stoc

4. Pilot de 3 luni — rulează forecasting-ul în paralel cu metoda actuală, compară rezultatele

5. Extinde după validare — adaugă categorii noi după ce primul segment funcționează stabil

Cea mai mare greșeală e să încerci forecasting-ul "pe tot catalogul deodată". Începe focusat, dovedește valoarea pe un segment, apoi extinde.

Concluzie

Forecasting-ul cu AI nu e un proiect de cercetare. Pentru orice distribuitor cu peste 300 de SKU-uri și 2 milioane EUR rulaj, este astăzi una dintre cele mai concrete oportunități de eliberare de capital și creștere de vânzări — cu ROI vizibil în primul an.

Cheia nu e modelul. Cheia e pipeline-ul: date curate, integrare cu sistemele existente, propuneri automate cu override uman, măsurare continuă a acurateței reale.

Vrei să evaluăm împreună unde ai cele mai mari pierderi prin stoc mort și rupturi? Programează o consultanță gratuită.