Automatyzacja inwentaryzacji w restauracji z wykorzystaniem AI
- case study
KONTEKST
Inwentaryzacja, która przestała być „prostym procesem”
Klientem projektu była firma Adrenaline Hunters, działająca w branży turystycznej prowadząca m.in. restaurację. Jednym z kluczowych procesów operacyjnych w restauracji była comiesięczna inwentaryzacja: określenie stanów magazynowych, zużycia produktów oraz zapotrzebowania na kolejne zamówienia.
Na poziomie założeń był to standardowy proces gastronomiczny. W praktyce jednak z miesiąca na miesiąc stawał się coraz bardziej czasochłonny i obciążający dla zespołu.
Rosnąca liczba faktur, dostawców i produktów powodowała, że przygotowanie danych do inwentaryzacji zaczęło zajmować więcej czasu niż sama analiza wyników.
PROBLEM
Chaos w danych z faktur uniemożliwiał automatyzację
Głównym wyzwaniem nie było liczenie stanów magazynowych, lecz przygotowanie danych wejściowych.
Każda faktura wyglądała inaczej:
- ten sam produkt występował pod różnymi nazwami,
- jednostki były niespójne (kg, g, sztuki, opakowania),
- opisy były skrócone lub niejednoznaczne.
Dla człowieka interpretacja takich danych jest intuicyjna. Dla klasycznej automatyzacji — praktycznie niemożliwa bez setek wyjątków i reguł.
W efekcie zespół co miesiąc wykonywał ręcznie:
- przepisywanie pozycji z faktur,
- interpretację nazw produktów,
- dopasowanie do listy magazynowej,
- przeliczanie jednostek,
- aktualizację arkusza.
Proces był powtarzalny, czasochłonny i podatny na błędy.
PROCES PRZED ZMIANĄ
Ręczna analiza faktur jako wąskie gardło operacyjne
Całość opierała się na jednym rozbudowanym arkuszu Google Sheets.
Zanim możliwe było policzenie stanów magazynowych, zespół musiał:
- przeanalizować każdą pozycję na fakturze,
- „zrozumieć”, jaki produkt się za nią kryje,
- przypisać ją do odpowiedniej pozycji w arkuszu,
- przeliczyć jednostki,
- ręcznie wprowadzić dane.
Kluczowy problem: proces wymagał interpretacji, a nie tylko przetwarzania danych. To blokowało jego automatyzację.
ŹRÓDŁO PROBLEMU
Brak struktury danych zamiast braku narzędzi
Problem nie wynikał z braku systemu do inwentaryzacji.
Źródłem trudności był brak spójnego modelu danych oraz etap „rozumienia” informacji z faktur:
- różne nazwy tego samego produktu,
- niejednoznaczne opisy,
- brak standardu jednostek.
To dokładnie ten typ problemu, w którym klasyczna automatyzacja zawodzi, a AI może wnieść realną wartość biznesową.
ROZWIĄZANIE
Połączenie uporządkowania danych i AI do interpretacji faktur
Centralna baza produktów w Airtable
Pierwszym krokiem nie była automatyzacja, lecz uporządkowanie fundamentu — danych.
Zaprojektowałam centralną bazę produktów w Airtable, w której każdy produkt posiada:
- ustandaryzowaną nazwę,
- przypisane jednostki,
- spójne powiązania z raportami magazynowymi.
Dopiero na tej bazie wdrożyłam automatyzację.
Interpretacja danych przez AI
Kluczowym elementem było wykorzystanie AI do interpretacji pozycji z faktur. Zamiast budować rozbudowany zestaw reguł, system:
- rozpoznaje produkt na podstawie opisu,
- dopasowuje go do bazy,
- przelicza jednostki,
- zapisuje dane w ustandaryzowanej formie.
Automatyzacja działa analogicznie do człowieka — rozumie kontekst, a nie tylko dopasowuje tekst.
Generowanie raportu
Na końcu procesu generowany jest gotowy raport inwentaryzacyjny w Google Sheets. Zespół pracuje już wyłącznie na danych przetworzonych.
REZULTATY
Mniej pracy operacyjnej, więcej kontroli nad danymi
Najważniejsze zmiany po wdrożeniu:
- eliminacja ręcznego przepisywania danych z faktur,
- znaczące skrócenie czasu przygotowania inwentaryzacji,
- redukcja błędów wynikających z manualnej pracy,
- spójna i uporządkowana baza produktów,
- porównywalne raporty miesiąc do miesiąca.
Dodatkowo system:
- skaluje się wraz z liczbą faktur i dostawców,
- może zostać wdrożony w kolejnych lokalizacjach,
- nie zwiększa obciążenia zespołu wraz ze wzrostem skali działalności.
ZAKRES MOJEJ PRACY
Od analizy procesu do wdrożenia działającego systemu
W projekcie odpowiadałam za:
- analizę procesu i identyfikację wąskich gardeł,
- zaprojektowanie architektury danych,
- określenie roli AI w procesie,
- wdrożenie automatyzacji (Make + Airtable + AI),
- testy jakości rozpoznawania danych,
- szkolenie zespołu.
To nie było wdrożenie narzędzia. To było zaprojektowanie systemu operacyjnego dla konkretnego procesu.
PODSUMOWANIE
Kiedy AI ma sens biznesowy (a kiedy nie)
AI nie jest rozwiązaniem do wszystkiego.
Jeżeli proces można opisać jednoznacznymi regułami — klasyczna automatyzacja w narzędziach takich jak Make czy n8n jest wystarczająca.
Natomiast w momentach, gdzie pojawia się:
- interpretacja danych,
- rozpoznawanie wzorców,
- niejednoznaczność informacji,
AI przestaje być dodatkiem, a zaczyna być kluczowym elementem procesu.
W tym projekcie AI nie zastąpiła zespołu.
Zastąpiła najbardziej czasochłonny fragment pracy.
SPOTKANIE
Sprawdź, czy u Ciebie problem wygląda podobnie
Jeżeli w Twojej firmie ludzie tracą czas na ręczne interpretowanie danych — to zwykle nie jest problem narzędzia, tylko procesu i struktury danych.
Umów bezpłatne, niezobowiązujące spotkanie wstępne. W jego trakcie przeanalizuję Twój proces i pokażę Ci konkretne miejsca, w których automatyzacja i AI mogą realnie odciążyć zespół i uporządkować operacje.