V pondelok o 14:00 prídete k automatu, ktorý podľa telemetrie hlási „nízka zásoba kávy“, hoci ste ho dopĺňali v piatok.
V stredu o 10:00 rovnaký automat vyhodí chybu „prázdny zásobník mlieka“ a vy zistíte, že ste naň mali objednať už pred tromi dňami. Znie to povedome? Mnohí prevádzkovatelia riešia objednávky surovín reaktívne – až keď automat nahlási problém, alebo podľa pevného týždňového kalendára. Pritom moderná telemetria a dáta o návštevnosti vám umožnia plánovať objednávky tak, aby ste minimalizovali výpadky aj zbytočné zásoby.
Prečo pevný harmonogram nefunguje
Pevný týždenný rozvoz má dve zásadné slabiny. Po prvé, nereflektuje sezónne výkyvy – v lete predaj studených nápojov výrazne stúpa, kým predaj teplej kávy klesá. Po druhé, nezohľadňuje lokálne špecifiká. Automat v priemyselnej zóne má iný denný profil návštevnosti ako automat v nákupnom centre alebo pri gyme.
Podľa údajov z telemetrie sa spotreba surovín medzi jednotlivými dňami v týždni citeľne líši. Pondelok a utorok bývajú v kancelárskych lokalitách najsilnejšie, piatok naopak slabší. Ak objednávate v utorok na celý týždeň, v pondelok nasledujúceho týždňa vám môže chýbať práve to, čo potrebujete najviac.
Dáta, ktoré už máte (ale nepoužívate ich)
Väčšina moderných automatov s telemetriou posiela dáta o predaji v reálnom čase. Z týchto dát viete získať:
- Denný a hodinový profil predaja – kedy presne sa automat vyprázdňuje
- Priemernú dávku na jeden predaj – koľko gramov kávy, mlieka či sirupu spotrebujete na jeden nápoj
- Historické dáta za posledných 12 mesiacov – vrátane sezónnych výkyvov
Ak tieto dáta skombinujete s údajmi o návštevnosti (napr. z počtu zamestnancov v budove, otváracích hodín či štatistík z okolitých prevádzok), získate pomerne presný obraz o tom, koľko surovín budete potrebovať.
Počasie ako druhý rozmer predikcie
Počasie je faktor, ktorý dokáže výrazne ovplyvniť predaj. Pri teplote nad 25 °C predaj studených nápojov stúpa, pri poklese pod 10 °C zase rastie dopyt po teplej káve a čaji. Tento vzťah nie je lineárny – najväčší skok nastáva pri zmene počasia o viac ako 5 °C oproti predchádzajúcemu dňu.
Do svojho plánovania preto zahrňte:
- Predpoveď počasia na 3 – 5 dní dopredu (dostupnú cez API, napr. OpenWeatherMap)
- Korekčné koeficienty – napr. +15 % zásoby kávy, ak sa očakáva ochladenie o viac ako 5 °C
- Výnimočné udalosti – sviatky, školské prázdniny, lokálne akcie (jarmok, futbalový zápas)
Praktický postup: Ako na to
1. Zbierajte dáta aspoň 3 mesiace
Predtým, než začnete predikovať, potrebujete dostatočnú dátovú základňu. Ideálne je zbierať dáta o predaji a stave zásob najmenej 90 dní. Z týchto dát si vypočítajte priemernú dennú spotrebu pre každý typ suroviny.
2. Vytvorte si maticu predajných scenárov
Rozdeľte si dni do niekoľkých kategórií podľa očakávanej návštevnosti:
- Bežný pracovný deň – priemerná spotreba
- Pracovný deň po sviatku – spotreba môže byť špecifická v závislosti od typu lokality a charakteru sviatku
- Piatok – spotreba nižšia o 10 – 20 %
- Víkend – spotreba závisí od lokality (priemyselná zóna – minimum, centrum mesta – môže byť vyššia)
3. Aplikujte korekciu na počasie
K základnej predikcii podľa dňa v týždni pridajte korekciu podľa predpovede. Pre kávové automaty platí jednoduché pravidlo: ak teplota klesne o 5 °C oproti predchádzajúcemu dňu, zvýšte objednávku kávy o 15 – 20 %. Pri nápojových automatoch je to naopak – pri náraste teploty nad 25 °C zvýšte zásobu studených nápojov podľa očakávaného dopytu.
4. Počítajte s poistnou zásobou
Nikdy neobjednávajte presne na spotrebu. K predikovanej hodnote si vždy pripočítajte poistnú zásobu na 1 – 2 dni. Táto rezerva vás ochráni pred nečakanými výkyvmi (porucha dodávateľa, dopravné meškanie, náhly nápor zákazníkov).
5. Pravidelne vyhodnocujte presnosť
Každý mesiac si porovnajte predikcie so skutočnou spotrebou. Ak sa odchýlka pohybuje nad 15 %, upravte svoje koeficienty. Postupne sa dostanete na nižšiu odchýlku, čo je pre prax úplne postačujúce.
Čo vám to prinesie v praxi
Fungujúci predikčný model znamená:
- Menej výpadkov – automat nebude prázdny v čase najväčšieho dopytu
- Nižšie viazané zásoby – nebudete držať suroviny na sklade, ktoré sa minú o dva mesiace
- Menej núdzových výjazdov – každý neplánovaný servisný výjazd stojí čas aj peniaze (palivo, práca technika)
- Lepšie vyjednávacie pozície – keď viete presne, koľko a kedy objednáte, môžete si dohodnúť lepšie ceny s dodávateľmi
Nástroje, ktoré vám pomôžu
Ak nemáte vlastný predikčný model, môžete začať s jednoduchými nástrojmi. Excelovská tabuľka s historickými dátami a vzorcami na výpočet priemerov zvládne prvotné predikcie. Pokročilejšie riešenia ponúkajú cloudové platformy, ktoré sa napoja na vašu telemetriu a automaticky generujú odporúčané objednávky.
Niektorí dodávatelia surovín už takéto systémy ponúkajú ako súčasť servisného balíka – vtedy sa oplatí porovnať, či vám ich predikcie vyhovujú, alebo si radšej postavíte vlastný model.
Verdikt
Predikcia spotreby podľa návštevnosti a počasia nie je luxus, ale nevyhnutnosť pre každého prevádzkovateľa, ktorý chce minimalizovať náklady a maximalizovať dostupnosť automatu. Začnite s jednoduchým modelom v Exceli, zbierajte dáta, učte sa z odchýlok a postupne prejdite na sofistikovanejšie riešenia. Už po troch mesiacoch uvidíte rozdiel v počte výpadkov aj vo výške viazaných zásob.
Borisov technický tip: Ak používate telemetriu, nastavte si v nej upozornenie nielen na kriticky nízky stav zásob, ale aj na rýchlosť úbytku. Keď systém zistí, že sa zásoba míňa rýchlejšie, ako je historický priemer pre daný deň a hodinu, upozorní vás skôr, než automat vyhlási „prázdno“. Tých pár hodín navyše vám umožní naplánovať doplnenie v rámci bežnej obchôdzky, nie ako núdzový výjazd.
Zdroje
- OpenWeatherMap – Weather API documentation, openweathermap.org (citované 6. 8. 2026)
- Crane Merchandising Systems – Data-driven vending: Using telemetry to optimize route planning, cranems.com (citované 6. 8. 2026)
