FMCG AI: rast koji dolazi iz bolje informisanih odluka, ne većih polica

FMCG i maloprodaja ulaze u fazu u kojoj se rast više ne meri veličinom police, već brzinom i preciznošću odluke\. Veštačka inteligencija \(AI\) i napredna analitika više nisu pilot‑projekti, već sposobnosti koje menjaju P&L: bolje prognoze, pametnije cene, manje otpada ,brži obrt i relevantnije iskustvo kupaca\. --- **Pet najbržih izvora vrednosti** **1\. Prediktivna i generativna analitika \- **od izveštaja ka predlozima akcija: šta naručiti, po kojoj ceni, u kom kanalu i kada\. Generativni asistenti skraćuju vreme od pitanja do odluke \(npr\. „prikaži artikle sa rizikom OOS sledeće nedelje u Beogradu \+ preporuči količine koje štite maržu“\)\. **Efekat:** brže odluke, manje grešaka\. **2\. Dinamičke cene i promocije** \- modeli kombinuju elastičnost potražnje, zalihe, konkurenciju i ciljeve marže\. **Efekat:** manje, ali relevantnije promocije, bolji promo uplift i manja kanibalizacija – posebno u kategorijama sa visokom frekvencijom i kvarljivim asortimanom\. **3\. Retail media i monetizacija 1P/2P podataka** \- podaci trgovaca postaju profitni centar: segmentacija publika, optimizacija oglasa i zatvorena atribucija prodaje\. **Rezultat:** dodatni prihod za trgovce, precizan marketing za proizvođače\. **4\. Planiranje lanca snabdevanja u realnomvremenu**Spajanje signala potražnje \(POS, e‑commerce, vreme,događaji\) sa ograničenjima \(transport, skladišta, proizvodnja\) premeštaplaniranje sa mesečnih ciklusa na kontinuirane odluke\. **Rezultat:** manje OOS, manje viškova, veća stabilnost\.** ** --- **Perspektiva po segmentima** **Trgovci \(retail\)** - **Zalihe: **Prediktivno dopunjavanje smanjuje OOS i „skrivene zalihe“\. - **Cene: **Store‑cluster analitika i mikro‑lokalne cene podižu produktivnost police\. - **Omni‑channel: **Personalizacija i „smart bundling“ podižu prosečnu vrednost korpe\. - **Operacije: **AI planira smene prema toku kupaca i vremenskim uslovima\. **Proizvođači \(CPG\)** - Prognoza potražnje kombinuje POS i marketinške planove → proaktivna proizvodnja\. - RGM i pack‑price arhitektura štite maržu u osetljivim kategorijama\. - Generativni modeli ubrzavaju razvoj varijanti i „virtualne“ testove polica\. **Distributeri** - Optimizacija ruta i kapaciteta smanjuje troškove i vreme isporuke\. - Shelf‑compliance i IoT daju realnu sliku stanja na terenu\. - Prediktivni modeli smanjuju urgentne isporuke\. --- **Srbija danas** - Veliki sistemi i međunarodni lanci već koriste AI u prognozama, planogramima i dinamičkom ceniranju \(u ograničenim kategorijama\)\. - Srednja preduzeća su često između potencijala i realnosti: fragmentisani sistemi \(ERP/WMS/POS\), niska standardizacija procesa, previše „ručnih“ Excel izveštaja\. - Lokalni proizvođači i distributeri najbrže usvajaju operativnu AI – rute, zalihe, planiranje kapaciteta\. **Dobra vest: **ulazne barijere padaju – cloud, industrijski akceleratori i low/no‑code omogućavaju isporuku vrednosti u kvartalima\.** ** **Prostor za unapređenje** 1. **Master data i kvalitet podataka** – najbrži način dase ubrza ROI\. 2. **Standardizacija procesa** pre automatizacije\. 3. **Human‑in‑the‑loop: **AI predlaže, eksperti odobravaju\. 4. **Merljivost: **KPI i baseline pre projekta\. 5. **Privatnost i etika:** naročito u retail mediji\. --- **Šta dobre prakse rade drugačije** - Pilot u jednoj kategoriji i 50–100 radnji → ali, na arhitekturi spremnoj za skalu\. - Brze pobede finansiraju sledeće talase \(dinamičke cene, retail media, end‑to‑endplaniranje\)\. - Kros‑funkcionalni timovi \(komercijala \+ nabavka \+ supply \+ IT\)\. - Povratna informacija sa terena smanjuje model‑drift\. - Privacy‑by‑design kao standard\. --- **Primeri iz prakse ** **1\) Regionalni trgovac **AI‑dopunjavanje \+ dinamičke cene u svežem asortimanu → **‑15–20% OOS** i **\+0,8–1,5 pp marže **u pilot klasterima; širenje za tri meseca\. **2\) Lokalni proizvođač pića **Demand sensing \+ optimizacija promocija → **niži stock‑in‑trade** i **veći promo ROI**\. **3\) Distributer multi‑kanal **Optimizacija ruta i time‑slotova → **‑8–12% logističkih troškova** i stabilniji servis u sezoni\. **4\) Trgovac sa jakim e‑commerce kanalom **Next‑best‑offer i personalizacija → **\+5–8% prosečna vrednost korpe** u e‑commerce segmentu\. **5\) CPG proizvođač \(regionalna prehrana\) **AI prognoze \+ optimizacija proizvodnih serija → **‑10% zaliha gotovih proizvoda**, **\+6% bolja dostupnost** u pik periodima\. **6\) Veliki domaći distributer u sektoru kućne hemije **AI optimizacija prostora u vozilima, kombinovana sa prediktivnim naručivanjem → **‑7% troškovi transporta**, **bolji fill‑rate** bez povećanja flote\. --- **Gde i kako početi: 100‑dnevni plan** **Dan 1–30: **KPI, master data procena, izbor 1–2 use case‑a sa jasnim finansijskim efektom\. **Dan 30–70:** Pilot sa human‑in‑the‑loop, guardrail‑ovi, kontrolnegrupe, nedeljna merenja\. **Dan 70–100:** Dokaz vrednosti, MLOps \(verzionisanje, drift monitoring\), plan širenja na kategorije/kanale\. --- **Najčešće zablude** - „Treba nam savršen podatak pre AI\.“ – Ne, treba minimum koji je dovoljno dobar\. - „AI menja ljude\.“ – Menja rutinu, ne ekspertizu\. - „Model = uspeh\.“ – Uspeh = usvajanje i merljiv finansijski efekat\. - „Svi use case‑ovi vrede isto\.“ – Fokus na brz povrat i jaku sponzorsku podršku\. --- **Šta sledi u narednih 12–24 meseca** - Od generativnih asistenata ka **“decision cockpit”\-u**: prognoze, cene, promocije, zalihe i rute – sve na jednom mestu\. - Retail media 2\.0: precizna atribucija kroz „clean room“ saradnje\. - AI za održivost: waste/CO₂/energija postaju deo standardnih optimizacija\. - Edge AI u prodavnici: „shelf gap“ detekcija, sigurnost i privatnost po dizajnu\. - Ulaganje u citizen‑data veštine i “data product ownership”\. --- **Zaključak** Srbija ima retku priliku da preskoči faze kroz koje su drugi prolazili godinama\. Za tri do šest meseci, moguće je preći od pilota do sistema koji opipljivo podiže maržu i obrt\. Lideri ne pitaju „da li AI“, već: **„Koji slučaj donosi vrednost ove sezone – i kako ga skalirati bez kompromisa na privatnost, etiku i održivost?“ **Oni već vide razliku na polici i u P&L‑u\.