AI w logistyce z SAP: magazyn, transport i prognoza popytu
Opublikowano: 13 października 2026
Jest 13:40, okno na rampie klienta zaczyna się o 15:00, a dyspozytor ma w SAP zlecenie transportowe i kierowcę, który od godziny nie odbiera telefonu. Klient pyta, czy trzymać rampę, i dyspozytor potrzebuje jednej informacji: o której ciężarówka realnie dojedzie, policzonej na danych z drogi.
Cztery zastosowania, które mają oparcie w SAP
Z obietnic AI w logistyce cztery mają dziś pokrycie w standardowych produktach SAP: prognoza popytu i demand sensing w SAP IBP, przewidywany czas przyjazdu (ETA) w SAP Business Network, slotting i planowanie pracy w SAP EWM oraz alerty oparte na uczeniu maszynowym w IBP. Każde z nich pracuje na danych, których SAP sam nie wytwarza, tylko dostaje od dystrybutorów, przewoźników i dostawców. Jak zebrać te dane w jeden obraz, opisujemy we wpisie o widoczności łańcucha dostaw. Tutaj chodzi o to, co modele robią na tym obrazie i w którym miejscu decyzję musi podpisać człowiek.
| Zastosowanie | Gdzie w SAP | Dane spoza SAP | Kto zatwierdza |
|---|---|---|---|
| Prognoza popytu i demand sensing | SAP IBP | sprzedaż u dystrybutorów i w sieciach (POS), kalendarz promocji | planista popytu |
| ETA i opóźnienia w transporcie | SAP Business Network, SAP TM | zdarzenia od przewoźników, telematyka, pozycja GPS | dyspozytor |
| Slotting i planowanie pracy magazynu | SAP EWM | wymiary i opakowania od dostawców, awizacje dostaw | kierownik magazynu, kierownik zmiany |
| Wykrywanie anomalii | SAP IBP | wszystkie strumienie powyżej | właściciel procesu, którego dotyczy alert |
Prognoza popytu: IBP liczy, planista odpowiada
SAP opisuje na stronie o planowaniu popytu w IBP automatyzację całej prognozy statystycznej: klasyfikację historii, wykrywanie i korektę wartości odstających oraz dobór najlepiej dopasowanego algorytmu. W kursie SAP Learning o AI w IBP wśród algorytmów są metody uczenia maszynowego, takie jak gradient boosting, które potrafią uwzględnić czynniki zewnętrzne: cenę, kalendarz promocji i wydarzenia.
Demand sensing działa na krótkim końcu tej prognozy. Według kursu SAP Learning tworzy prognozę dzienną na okres od czterech do ośmiu tygodni, przeliczaną zwykle codziennie na podstawie najświeższych sygnałów popytu, na przykład ilości w otwartych zamówieniach klientów. Punktem wyjścia jest uzgodniony plan popytu i SAP pisze wprost, że demand sensing nie zastępuje planowania popytu ani prognozy statystycznej. Strona produktu IBP dodaje do sygnałów dane POS, czyli sprzedaż z kas po stronie handlu.
Otwarte zamówienia przychodzą z S/4HANA i to jest najłatwiejsza część. Sprzedaż u dystrybutorów i w sieciach to dane partnerów, przysyłane w różnych formatach, czasem raz w tygodniu jako plik, a kalendarz promocji często leży w arkuszu działu sprzedaży albo w CRM. Bez tych dwóch strumieni demand sensing widzi tylko zamówienia, które już wpłynęły.
Planista musi widzieć, co model skorygował. Jednorazowe zamówienie dużego klienta i tydzień, w którym zamówienia nie dotarły do SAP przez awarię interfejsu, wyglądają dla algorytmu tak samo: jak wartość odstająca. Jeśli korekta przejdzie bez przeglądu, prognoza albo zgubi realny popyt, albo nauczy się dziury w danych. Uzgodnienie planu popytu zostaje decyzją ludzi, a model zmienia tylko kilka najbliższych tygodni.
Najmniej pewne jest to, ile demand sensing da firmie bez danych POS. SAP PRESS w opisie tej funkcji wskazuje korzyści przede wszystkim dla produktów szybko rotujących, więc dystrybutor części zamiennych z rzadkim, nieregularnym popytem powinien najpierw sprawdzić model na własnej historii zamówień, zanim zbuduje pod niego nowe interfejsy.
ETA: prognoza jest tak dobra, jak dane od najsłabszego przewoźnika
SAP w opisie dodatków project44 dla SAP Business Network (wersja z lutego 2025 roku) wymienia źródła danych o przewozie: połączenia z systemami przewoźników i operatorów logistycznych, telematykę ciężarówek i elektroniczne rejestratory czasu pracy kierowców. Dla transportu drogowego dostępne jest przewidywane ETA, przeliczane z każdym nowym odczytem i uwzględniające ruch, pogodę i warunki na drodze, a pozycja pojazdu przychodzi domyślnie co 15 minut. Ten sam dokument zastrzega, że zakres informacji zależy od przewoźnika. Podobne dane sprzedają inni dostawcy widoczności transportu, część z nich jako aplikacje w SAP Store.
Model ETA potrzebuje dwóch rzeczy z SAP: zlecenia transportowego z SAP TM albo dostawy z S/4HANA z zaplanowanymi zdarzeniami i oknem czasowym na rampie, oraz powiązania tego zlecenia z konkretnym pojazdem. Najczęściej brakuje drugiego. Numer rejestracyjny albo identyfikator śledzenia musi trafić do zlecenia przed załadunkiem, a przy przewozach zlecanych podwykonawcy dyspozytor często nie zna go do ostatniej chwili.
Druga luka to sami przewoźnicy. Duży przewoźnik z telematyką podłączoną do dostawcy danych daje ciągły strumień pozycji, mały, z dwoma ciągnikami, nie daje nic poza telefonem. Dlatego realny zasięg prognozy ETA mierzy się odsetkiem zleceń, dla których faktycznie przychodzą dane, i ta liczba bywa niższa, niż zakłada projekt.
O tym, co zrobić z prognozą ETA, decyduje dyspozytor. Przesunięcie okna na rampie klienta, zmiana kolejności załadunku czy uprzedzenie klienta o opóźnieniu zależą od reguł magazynu odbiorcy i od kar za spóźnienie zapisanych w umowie, których model nie zna.
Magazyn w SAP EWM: propozycje do zatwierdzenia
Slotting decyduje, gdzie i jak składować produkt. Według kursu SAP Learning o procesach w EWM slotting z użyciem uczenia maszynowego analizuje ustawienia istniejących produktów w danych podstawowych magazynu i proponuje sposób składowania dla produktów nowych lub zmienionych: wskaźnik sterowania przyjęciem, wskaźnik sterowania pobraniem i sekcję składowania. Model uczy się na ustawieniach, które już są, więc jeśli obecne rozmieszczenie jest złe, model je powieli.
Klasyczny slotting w EWM pozwala zapisać wyniki jako wartości planowane albo zapisać je i od razu aktywować, a przy propozycjach z modelu bezpieczniejsza jest pierwsza droga: kierownik magazynu przegląda je, zanim trafią do procesów składowania. Jakość propozycji zależy od danych logistycznych produktu, czyli wymiarów, wagi i jednostek opakowań, które przychodzą od dostawcy i w wielu firmach są uzupełnione tylko częściowo.
Druga funkcja to prognoza pracy. SAP opisuje w kursie o Labor Management w EWM predykcyjne planowanie zapotrzebowania na pracę, wprowadzone w SAP S/4HANA Cloud Private Edition 2023 FPS3 i rozszerzone w wydaniu 2025 FPS0. Prognoza obejmuje kompletację i pakowanie na terminalach RF, uczy się na potwierdzonych zadaniach magazynowych z ostatnich 30 dni i podaje liczbę etatów, czas, wagę, objętość i liczbę pozycji. System łączy ją z pracą już zaplanowaną z dostaw, więc awizacje od dostawców i zamówienia, które sprzedaż przekazuje do SAP z wyprzedzeniem, bezpośrednio poprawiają wynik. Promocja, o której magazyn nie wie, nie pojawi się w żadnej z tych liczb.
Decyzję o zamówieniu pracowników tymczasowych podejmuje kierownik zmiany, bo to koszt rezerwowany z wyprzedzeniem u agencji. Dostępność obu funkcji zależy od wydania i wersji EWM, więc sprawdź je w dokumentacji dla własnego systemu.
Anomalie: najpierw odróżnij awarię interfejsu od zmiany na rynku
Alerty w IBP działają klasycznie na progach, które ktoś ustawił, na przykład minimalny zapas w danej lokalizacji. SAP opisuje na stronie o alertach z uczeniem maszynowym wariant, w którym system sam analizuje dane łańcucha dostaw, żeby ustalić, gdzie te progi powinny leżeć.
W pierwszych miesiącach większość anomalii, które wykryje taki mechanizm, pochodzi z integracji: brakujący plik od dystrybutora wygląda jak spadek sprzedaży, zdublowany komunikat jak podwojone zamówienie, a zmiana jednostki miary u przewoźnika jak skok wolumenu. Model nie ma jak tego odróżnić. Zanim włączysz alerty oparte na uczeniu maszynowym, upewnij się, że monitoring interfejsów mówi, czy dany strumień danych dotarł w całości, a alert biznesowy pokazuje to obok wyniku.
Każdy typ alertu potrzebuje też właściciela po stronie procesu. Alert o ryzyku braku zapasu, który trafia do wspólnej skrzynki planowania, zwykle zostaje odłożony, bo każdy zakłada, że zajmie się nim ktoś inny.
Chcesz poznać więcej praktycznych rozwiązań?
Dołącz do nas na bezpłatnej konferencji "Zintegrowany Biznes" 25.11.2026 w Warszawie (ADN Centrum Konferencyjne). Udział jest bezpłatny, a liczba miejsc ograniczona.
Zarejestruj się za darmo ↗FAQ
Czy demand sensing w SAP IBP zastępuje planistę popytu?
Nie, SAP pisze to wprost w materiałach szkoleniowych: demand sensing koryguje prognozę na najbliższe od czterech do ośmiu tygodni, a jego punktem wyjścia jest uzgodniony plan popytu. Plan średnio i długoterminowy dalej powstaje w procesie planowania, a planista przegląda korekty, które model wprowadził.
Skąd SAP bierze dane do prognozy przyjazdu ciężarówki?
Od przewoźników i dostawców danych o widoczności transportu, którzy zbierają pozycje z telematyki pojazdów i systemów przewoźników i przekazują je do SAP Business Network. Po stronie SAP potrzebne jest zlecenie transportowe z oknem czasowym i przypisanym pojazdem. Dla przewoźników bez podłączonej telematyki ani systemu przekazującego zdarzenia prognoza ETA nie powstanie.
Czy AI w SAP EWM sama ustawi miejsca składowania produktów?
Proponuje je, a decyzja o aktywacji należy do magazynu. Slotting z uczeniem maszynowym wyznacza ustawienia składowania dla nowych lub zmienionych produktów na podstawie produktów już skonfigurowanych, więc warto przejrzeć propozycje przed aktywacją, szczególnie gdy obecne rozmieszczenie budzi zastrzeżenia.