Inventarko je rješenje za prediktivnu analitiku i optimizaciju zaliha namijenjeno FMCG sektoru. Njihov je cilj pomoći timovima donositi bolje odluke kroz precizno predviđanje prodaje i potražnje na razini svakog proizvoda i svake trgovine – uz jasan fokus na smanjenje otpisa i povećanje dostupnosti proizvoda.
Sustav omogućuje predikcije do tri mjeseca unaprijed, ali i izradu godišnjih prognoza koje služe za budžetiranje i planiranje kapaciteta. Osim toga, u svakodnevnom radu korisnicima pruža konkretne preporuke – kada nadopuniti police, kada pokrenuti proizvodnju te pravovremeno upozorava na rizik od nestašice zaliha.
Inventarko također nudi operativni modul za planiranje naručivanja koji automatizira ključne procese: od izračuna optimalne točke ponovnog naručivanja, preko slanja narudžbi dobavljačima, do prijedloga količina za internu proizvodnju. Sustav može raditi uz ljudsku kontrolu ili u potpunosti automatizirano.
Kako su krenuli, tko stoji iza softvera, koje su poslovne aktivnosti pokrivene, koje se metode optimizacije koriste, kako su se razvijali i koji su planovi, slijedi u intervjuu s jednim od osnivača, Tomislavom Toplakom.
Kako je nastala ideja za razvoj ovog softvera? Koji je bio konkretan problem koji ste željeli riješiti?
Ideja za Inventarko zapravo je krenula od bivšeg kolege koji se već dulje bavi radom s podacima i predikcijama. Naime, shvatio je da bi se takav pristup mogao primijeniti na operativne probleme poput planiranja proizvodnje i potražnje. U razgovoru o tome kako bi to moglo izgledati u praksi, prisjetio sam se jedne situacije koja mi je baš ostala urezana u pamćenje.
Kasno navečer sam se, sasvim slučajno, našao ispred jedne pekare i zaposlenica je izašla i dala nekoliko punih vreća peciva da se ne bace. Tada sam zapravo iz prve ruke vidio koliko se toga na kraju dana baca. Kad sam to povezao s idejom da se potražnja može bolje predvidjeti, stvari su odjednom počele imati smisla. Brzo mi je postalo jasno koliko potencijala ima takav pristup, pa smo oko toga počeli okupljati mali tim ljudi čije su nam vještine trebale da ideju doista konkretiziramo. Pekarstvo je bio prirodan početak, dijelom zbog te anegdote, a dijelom zato što proizvodi imaju vrlo kratak rok trajanja pa su greške odmah vidljive. Ubrzo nam je postalo jasno da se isti princip može primijeniti puno šire, svugdje gdje planiranje proizvodnje, zaliha ili potražnje igra veliku ulogu.
Što ste studirali i koliko vam je formalno obrazovanje pomoglo u razvoju ovog projekta?
Studirao sam računalnu znanost na FER-u, moji suosnivači su matematičar i fizičar, što se pokazalo kao dobra kombinacija od samog početka – inženjerski način razmišljanja i poznavanje znanstvenog pristupa. Možemo kompleksan problem razbiti na manje, konkretne dijelove i sustavno ga riješiti, a znamo i dizajnirati eksperiment, testirati hipoteze i pronaći pravi način modeliranja. Formalno obrazovanje nam je upravo tu najviše pomoglo, u načinu razmišljanja. Višegodišnje iskustvo u razvoju softvera također je uvelike pomoglo. Danas postoji mnoštvo alata i tehnologija, puno njih se isprepleću u problemima koje rješavaju i sve uvode dodatnu operativnu složenost. Pravi odabir nije trivijalan i dolazi s iskustvom.
Kako je izgledao vaš početak, jeste li odmah imali jasnu viziju ili se ideja razvijala kroz rad s prvim klijentima?
Vizija nam je bila odmah jasna, izgraditi sustav za precizno predviđanje potražnje proizvoda kratkog roka trajanja. Prve korake napravili smo kroz proof-of-concept projekt na javnim podacima, gdje smo testirali naš pristup. U isto vrijeme postali smo svjesni da većina tvrtki već ima potrebne podatke, između ostalog i zbog obveza poput fiskalizacije, pa smo vidjeli priliku da se takav sustav može napraviti široko dostupnim. Dobili smo i stvarne klijentske podatke, što je dodatno ubrzalo razvoj. Tada smo modele nadogradili dodatnim kontekstom poput lokacije, vremenske prognoze, operativnih specifičnosti poslovanja i drugih vanjskih faktora, pa su rezultati bili još i bolji. Kod klijenata koji koriste naš modul potražnje, modeli uzimaju u obzir i povrate, stvarnu dostupnost proizvoda tijekom dana, te kanibalizaciju među proizvodima. Time sustav ide korak dalje od klasične BI analitike jer ne analizira samo prodano, već i propuštenu potražnju. Kod dijela klijenata pokazalo se da im je, uz same predikcije, jednako važna i automatizacija procesa, odnosno mogućnost da se predviđene količine automatski prenesu u njihove računovodstvene sustave, pa smo i taj segment uključili u rješenje. Cijeli proces bio je iterativan i gradili smo rješenje postupno, nadograđujući ga svakim novim uvidom iz prakse.
Kako ste došli do prve pekarnice i kako ste prodali prvu licencu?
Do prve suradnje došlo je preko poznanstva, gdje smo testirali naš proof-of-concept na stvarnim podacima. U toj fazi nismo imali ni web ni mrežu kakvu imamo danas, već smo koristili jednostavnu brošuru s objašnjenjem problema koji rješavamo i načina na koji pristupamo predviđanju. Javljali smo se direktno putem LinkedIna i maila, uz kratak i konkretan opis rješenja. Odaziv je bio bolji nego što smo očekivali, ubrzo smo vidjeli da postoji realna potreba i da se možemo lako uklopiti u svačiji dio rada. Prva licenca prodana je zagrebačkoj pekari Korica. Vlasnica je razumjela problem koji pokušavamo riješiti i shvatila je da joj ovakvo rješenje treba. Uz to, to je mjesto gdje i sami često volimo svratiti nešto pojesti, pa nam je bilo posebno drago da je upravo tamo započela naša prva stvarna implementacija : )
Prodajete li softver kao jednokratnu kupnju ili radite po modelu pretplate (SaaS)?
Softver nudimo kao SaaS rješenje, uz mjesečnu pretplatu. Korisnici mogu krenuti s besplatnim probnim periodom da na vlastitim podacima vide vrijednost prije odluke. Nakon toga se cijena formira prema odabranom modulu i broju poslovnica koje pokrivamo, a dodatno može ovisiti samo ako su potrebne specifične integracije s postojećim sustavima.
Kako danas dolazite do novih klijenata, preporuke, direktna prodaja, društvene mreže, partnerstva?
Naš pristup se s vremenom širio, ali osnova je i dalje direktan kontakt. Najvažnije nam je brzo razumjeti kontekst klijenta i jasno pokazati konkretnu vrijednost jer se odluka na kraju donosi na temelju povjerenja i brojki. Do novih klijenata dolazimo prvenstveno preko maila i LinkedIna, a koristimo i digitalne kampanje, prvenstveno Google Ads, kao podršku za širu prepoznatljivost na tržištu. Sve više klijenata dolazi i putem preporuke. Kako se mreža kontakata širila i kako su se rezultati počeli potvrđivati u praksi, taj organski kanal postao je posebno vrijedan jer dolazi uz već postojeće povjerenje.
(Kako rastemo, kombiniramo više kanala, ali i dalje nam je najvažnije da se vrijednost Inventarka jasno vidi kroz konkretne rezultate i kroz način na koji se uklapa u postojeće procese.)
Koje su najčešće potrebe malih pekarnica kada je riječ o naručivanju i upravljanju zalihama?
Potrebe se razlikuju ovisno o načinu rada. Neke pekare moraju dan unaprijed znati koliko će čega proizvesti, dok druge dio asortimana peku kroz dan, ovisno o prometu. Samim time, ni logika planiranja nije ista. Situacija je slična kod naručivanja, a ovisi o dobavnim rokovima, minimalnim količinama, skladišnim kapacitetima i ritmu proizvodnje. Ne postoji jedno univerzalno pravilo, ali postoji zajednički cilj – smanjiti otpad, imati što punije police i zadržati svježinu proizvoda. To je balans koji nije trivijalan, pogotovo kad imate desetke artikala i dnevne oscilacije u potražnji. Osim toga, mnogima je jako važna i ušteda vremena. Umjesto da svaki dan ručno procjenjuju količine, dobiju referentnu točku temeljenu na podacima, koju mogu prilagoditi vlastitom iskustvu i naknadnim saznanjima.
Koje ključne module (feature-e) trenutno nudite?
Trenutno nudimo tri glavna modula: model prodaje, model potražnje i Pando, odnosno sustav za cjelovito planiranje.
Model prodaje je osnovni modul i temelji se na povijesnim podacima prodaje. Predviđa koliko će se određenog artikla prodati, bez nužnog uvida u stvarnu dostupnost proizvoda. U praksi je to često najjednostavniji i najbrži način implementacije jer nemaju svi klijenti detaljno strukturirane podatke o zalihama. I dalje daje preciznije i stabilnije procjene od klasičnih BI pristupa jer koristi kompleksnije modele i širi skup varijabli. Model potražnje ide korak dalje, procjenjujući stvarnu potražnju, a ne samo realiziranu prodaju. Drugim riječima, velika dnevna prodaja ne znači nužno i veliku potražnju, možda je konkurentski proizvod nestao rano ili je artikl bio rasprodan dio dana. U tom modulu uzimamo u obzir dostupnost kroz dan, povrate i kanibalizaciju među proizvodima. Najveći fokus nam je trenutno na ova prva dva modela jer tu klijenti najbrže vide vrijednost i najlakše je krenuti u implementaciju. Pando je smjer u kojem idemo dugoročno, kao nadogradnja koja uvodi logiku naručivanja i planiranja, uzimajući u obzir poslovna ograničenja poput minimalnih količina, rokova isporuke i internih procesa. Također, kompatibilni smo sa širokim spektrom POS i ERP sustava, a što se tiče isporuke rezultata, u potpunosti se prilagođavamo zahtjevima klijenata (web-aplikacija, isporuke putem maila, WhatsAppa). Osim toga, nudimo i kvantilne predikcije (Kvantilna predikcija je način predviđanja koji ne daje samo jednu “točnu” vrijednost, npr. očekivanu prodaju, nego daje raspon mogućih ishoda i njihovu vjerojatnost). Nekome je važnije minimizirati otpad, dok je drugome veći problem propuštena prodaja. Ovisno o poslovnoj logici, optimiziramo model tako da balansira rizik i potencijalnu maržu.
Koliko je softver standardiziran, a koliko ga prilagođavate specifičnim potrebama pojedinog klijenta?
Već sam nešto rekao o tome, pa ću biti kratak. Softver je u velikoj mjeri standardiziran. Jezgra modela i skup značajki koje koristimo su isti kod svih klijenata. Ono što varira su s jedne strane izvori i struktura podataka iz kojih te informacije prikupljamo (data-engineering), a s druge strane način na koji isporučujemo predikcije pojedinom klijentu.
Je li softver fokusiran samo na naručivanje i zalihe ili uključuje i predviđanje potražnje?
Predviđanje potražnje je zapravo središnji dio sustava. Iako nudimo modul planiranja i logiku naručivanja, sve kreće od kvalitetne procjene potražnje. Ako ona nije precizna, ni naručivanje ni planiranje ne mogu biti optimalni. Zato je naš primarni fokus na predviđanju gotovih artikala i razumijevanju stvarnog ponašanja kupaca, a logika naručivanja dolazi kao nadogradnja na taj temelj.
Rekli ste da koristite umjetnu inteligenciju. Na koji način? Može li vaš softver predvidjeti koliko će se kroasana prodati u kišni utorak?
Koristimo umjetnu inteligenciju, ali ne u smislu u kojem se danas najčešće spominje. Ne “pitamo” generativni model koliko će se čega prodati, već koristimo strojno učenje, što je grana umjetne inteligencije koja iz podataka uči obrasce i kompleksne veze koje je teško ručno modelirati. Za razliku od generativnih jezičnih modela, naš model ne halucinira : )
U praksi, ključ je u tome da povezujemo različite izvore podataka koji utječu na prodaju i pretvaramo ih u konkretne preporuke za operativne odluke. Kod primjera s kroasanima, model uzima u obzir dan u tjednu, vremensku prognozu, sezonalnost, povijesne obrasce, praznike, a po potrebi i utjecaj drugih proizvoda.
Konkretno za pitanje o kroasanu: da, i baš takve situacije su nešto gdje naš proizvod ima smisla, jer se oslanja na puno povijesnih primjera i kombinira ih s aktualnim uvjetima poput prognoze. Uz to, na “kišni utorak” često nije samo kiša bitna. Primjerice, radni dan nakon blagdana ili produženog vikenda često ima drugačiji obrazac potražnje od “običnog” utorka, a to se sve vidi u podacima. Rezultat je procjena koja je stabilnija i konzistentnija od intuicije, a može se odmah koristiti kao vrlo konkretna smjernica za dnevno planiranje.
Kako vaši klijenti organiziraju opskrbu, naručuje li svaki dućan zasebno ili postoji centralno skladište?
Klijenti su organizirani na svakakve načine, neki naručuju centralno, neki po poslovnicama, neki kombiniraju oboje. To nam zapravo nije ni važno jer mi uvijek krećemo od potražnje na razini pojedine poslovnice i pojedinog artikla. Kada to imate precizno, plan proizvodnje i opskrbe se iz toga prirodno izvede, neovisno o tome kako klijent interno funkcionira. Inventarko se uklapa u postojeći način rada, ne traži da ga korisnici mijenjaju.
Koliko često se naručuju proizvodi, dnevno, tjedno? Postoje li razlike između svježih i trajnih proizvoda?
Ovo je jako zanimljivo pitanje. Svježi proizvodi se naručuju dnevno ili nekoliko puta tjedno, trajni na tjednoj ili pak višemjesečnoj bazi i zbog toga se ljudima čini da su to posve odvojeni problemi, no u oba slučaja je posrijedi ista logika. Naime, svaki proizvod ima svoj životni ciklus: lead time (vrijeme potrebno da se nadopune zalihe), rok trajanja (efektivni interval u kojem proizvod može biti prodan) i potražnja kroz ta dva perioda. Ovisno o industriji, jedan od tih faktora postaje dominantan. Tako je u npr. artisan pekarama glavno pitanje koliko će se proizvoda prodati unutar kratkog roka trajanja – tamo dominira potražnja unutar dana ili tjedna. S druge strane, npr. u bijeloj tehnici, rok trajanja praktički nije ograničen, pa je ključno pitanje hoćete li uspjeti nadopuniti zalihu na vrijeme, što znači da je važnija procjena potražnje kroz lead time. Čini se da su to potpuno različiti problemi, ali njihovo modeliranje radi se na isti način. Kvantilnim predikcijama i matematičkom optimizacijom dolazimo do optimalne strategije naručivanja bez obzira na industriju.
Koliki je problem neiskorištenih zaliha i otpada? Pomaže li vaš softver smanjiti bacanje hrane?
Dovoljno je samo spomenuti podatak da poslovni sektor u EU generira preko 27 milijuna tona bačene hrane godišnje. Bilo kroz neefikasnost proizvodnih procesa, pogrešno upravljanje zalihama ili strukturnu logiku maloprodaje gdje je prazna polica skuplja od bačenog proizvoda. No korijeni problema često sežu još dublje: u loše predviđanje potražnje. Kada pekara ne zna koliko štrudli će prodati u subotu, peče “na sigurno” i na kraju dana baca ostatak. Kada distributer ne može pouzdano procijeniti narudžbe za tjedan unaprijed, naručuje s rezervom koja često završi u smeću. Upravo tu Inventarko čini razliku. Točnija prognoza potražnje direktno smanjuje potrebu za “sigurnosnom” prekomjernom proizvodnjom i nabavom – što osim nižih troškova skladištenja i radnog vremena znači i manje bačene hrane.
Koje podatke prikupljate (prodaja, zalihe, sezonalnost, rok trajanja) i u kojim intervalima?
Za model prodaje od klijenata prikupljamo prvenstveno transakcijske podatke, odnosno prodaju po artiklima kroz što dulji vremenski horizont. To je minimalni skup podataka potreban da bi model mogao prepoznati obrasce prodaje. Podaci se koriste agregirano i u skladu s relevantnim pravilima zaštite podataka. Za model potražnje potrebne su nam i dodatne informacije od klijenta, prvenstveno o zalihama ili dostupnosti proizvoda. Time možemo prepoznati situacije kada proizvoda nije bilo na policama i odvojiti stvarnu potražnju od same realizirane prodaje. Osim podataka koje dobivamo od klijenata, u modele uključujemo i kontekstualne podatke iz vanjskih izvora, poput vremenske prognoze, kalendarskih efekata (blagdani, školski rasporedi) te lokalnih događanja kada su relevantna. U pravilu podaci dolaze jednom dnevno, nakon završetka radnog vremena. Kod klijenata koji bi koristili real-time predikcije, podaci se moraju ažurirati i češće tijekom dana. Opcionalno koristimo i podatke o maržama kada klijent želi koristiti kvantilne predikcije koje optimiziraju odnos između rizika otpada i propuštene prodaje.
Kakvi su konkretni rezultati kod postojećih klijenata, je li došlo do smanjenja otpada, boljeg planiranja, većih marži?
Rezultati dosta ovise o stabilnosti prodaje i načinu rada pojedine lokacije. Neke poslovnice imaju vrlo predvidive obrasce potražnje, dok su druge izloženije dnevnim oscilacijama. U praksi donosimo smanjenje otpada u rasponu od otprilike 18% do 20%, uz istovremeno povećanje dostupnosti ključnih artikala za oko 15%. U konačnici, to su vrlo konkretne financijske stavke, manje otpisa i više prodaje onoga što se stvarno traži, što se kod klijenata direktno i mjerljivo vidi na marži i ukupnoj profitabilnosti. Osim toga, bitno je istaknuti i stabilnije planiranje proizvodnje, te manje vremena i stresa utrošenog na dnevne procjene količina.
Vidite li svoj softver kao alat za smanjenje bacanja hrane i povećanje održivosti?
Primarni cilj sustava je bolje planiranje, ali jedan od najvažnijih efekata takvog pristupa je značajno smanjenje bacanja hrane. Kada proizvodi imaju vrlo kratak rok trajanja, i male pogreške u procjeni mogu rezultirati velikim količinama otpada na dnevnoj razini. Kada se proizvodnja preciznije uskladi s realnom potražnjom, taj se otpad može sustavno smanjiti. Smatramo da digitalni alati poput ovoga mogu imati stvaran utjecaj na održivost prehrambenog sustava. Svaki proizvod koji se ne mora baciti znači manje nepotrebne proizvodnje, manje potrošenih sirovina, energije i transporta u lancu opskrbe. U tom smislu, optimizacija potražnje nije samo poslovna optimizacija, nego i vrlo konkretan korak prema smanjenju bacanja hrane.
Imate li podatke o tome koliko se otpada može spriječiti digitalnim planiranjem?
Istraživanja su konzistentna; bolje predviđanje potražnje smanjuje otpad između 15% i 50%, ovisno o sektoru i polaznoj točki. U pekarnicama, koje su nam najbliži primjer, studije bilježe oko 30% manje neprodane robe u prvoj godini primjene. U maloprodaji svježih proizvoda rezultati znaju biti i viši, dok ugostiteljstvo tipično ostvaruje uštede u rasponu od 20% do 30%. Mehanizam je jednostavan: što je prognoza točnija, to je manji pritisak na “sigurnosnu” narudžbu koja u pravilu završi kao otpad. U prehrambenoj industriji, gdje su marže tanke i rok trajnosti kratak, čak se i skromno poboljšanje točnosti planiranja brzo vidi na troškovima.
Planirate li ostati fokusirani na pekarnice ili vidite širu primjenu u malim i srednjim poduzećima?
Pekarnice su nam bile prirodan početni fokus jer je problem vrlo opipljiv. Proizvodi su kvarljivi,
odluke se donose svakodnevno i pogreška je odmah vidljiva kroz otpad ili manjak robe, ali matematička postavka problema puno je šira. Isti pristup može se primijeniti na restorane, fast food sustave, franšize, voćarne, mesnice, ribarnice, ali i na segmente gdje je izazov optimizacija skladištenja i planiranja zaliha trajnih proizvoda kao što su potrošačka elektronika i bijela tehnika. Poslovni kontekst se mijenja, ali logika predviđanja potražnje i optimizacije ostaje ista.
Dogovaramo i suradnje s POS i ERP sustavima, gdje bi se naš modul integrirao kao dodatni sloj za predviđanje i planiranje. Inventarko nije zamjena za ERP, već je specijalizirani modul koji se nadovezuje na postojeću infrastrukturu i rješava vrlo konkretan poslovni problem.
Koji je vaš najveći izazov u skaliranju poslovanja?
Tehnološki dio je u velikoj mjeri skalabilan. Način isporuke preporuka, format podataka i sama logika modela već su automatizirani. Najveći izazov u skaliranju je zapravo kombinacija dvije stvari. Prva je kontekst: svaki klijent ima svoje specifičnosti u strukturi podataka, načinu rada i dostupnim informacijama. Iako je sam model isti, dio posla odnosi se na kvalitetno prikupljanje, razumijevanje i standardizaciju podataka kako bi sve ostalo konzistentno i pouzdano. Druga je tržišna strana: ovakav tip proizvoda još nije “standard” i mnogi jednostavno ne znaju da uopće postoji rješenje koje se može uvesti bez kompletnog mijenjanja načina poslovanja. Skepticizam je normalan dok ljudi ne vide rezultate na vlastitim podacima, a pritom im je važno i da je korištenje jednostavno te da se uklapa u postojeće procese, uz vrlo direktnu i praktičnu vrijednost.
Što biste danas napravili drugačije da ponovno krećete od nule?
Da danas krećemo od nule, vjerojatno bismo ranije izašli na tržište. U početku smo se dosta fokusirali na to da proizvod dovedemo do savršenstva, iako smo relativno rano imali dovoljno dobre rezultate da smo mogli krenuti ranije i paralelno graditi prodaju. Danas bismo ranije i jasnije postavili prioritete – što je stvarno ključno da korisnik odmah dobije vrijednost, a što je “nice to have” koje može doći kasnije. Tehnički razvoj je važan, ali s vremenom postane jasno da se najbolji momentum gradi kad se ranije isporuči verzija koja pouzdano radi posao, pa se onda iterativno nadograđuje kroz stvarnu upotrebu.
Koji vam je bio najteži trenutak u dosadašnjem razvoju?
Jedan od izazovnijih trenutaka bio je sam početak rada s realnim podacima i integracijom s postojećim POS sustavima. Modeli na javnim podacima su jedno, ali operativna stvarnost zna biti drugačija. Postojale su nepoznanice oko strukture i konzistentnosti podataka, te načina njihove razmjene između sustava. Međutim, vrlo brzo smo shvatili da su ti izazovi rješivi uz dobru komunikaciju i strukturiran pristup. Nakon prvih implementacija, taj dio je postao rutinski i danas nam više ne predstavlja ni blizu prepreku kao u početnoj fazi.
Koji je bio trenutak kad ste pomislili: “Ovo stvarno ima potencijala”?
Prvi takav trenutak dogodio se kada smo, relativno brzo nakon proof-of-concept faze, započeli suradnju s prvim većim klijentima. To je bio jasan signal da problem koji rješavamo nije samo tehnički zanimljiv, nego i tržišno relevantan. Drugi, možda još važniji trenutak, bio je kada smo kroz konkretne brojke i povratne informacije klijenata vidjeli mjerljive uštede i operativna poboljšanja. Sve sustavno pratimo i analiziramo, pa kada vidite smanjenje otpada ili stabilniju prodaju, a pritom dobijete direktan feedback da ste nekome olakšali svakodnevni rad, tada postaje jasno da rješenje ima stvarnu vrijednost.