Wczytywanie...

Target znacząco poprawia dostępność produktów na półkach i zarządzanie zapasami dzięki strategicznemu wdrożeniu sztucznej inteligencji i zaawansowanej nauki o danych. Ta zmiana technologiczna umożliwiła sprzedawcy detalicznemu podejmowanie szybszych, bardziej świadomych decyzji dotyczących zapasów, bezpośrednio rozwiązując wcześniejsze problemy z niezawodnością dostępności produktów.
Dyrektor operacyjna Targetu, Lisa Roath, stwierdziła, że sprzedawca detaliczny coraz częściej wykorzystuje sztuczną inteligencję i zaawansowaną naukę o danych do usprawniania decyzji dotyczących zapasów, jak podaje Supply Chain Dive. Znaczące 90% asortymentu zapasów firmy jest obecnie zarządzane przez „nowoczesne, oparte na nauce możliwości zakupu i uzupełniania”, co stanowi znaczny wzrost z 40% zaledwie rok wcześniej. Ta inicjatywa jest kluczową częścią szerszego planu naprawczego Targetu, a wysiłki zaczynają przynosić rezultaty w tym roku.
Jednym z godnych uwagi narzędzi technologicznych wdrożonych przez Target jest Proxima, system cyfrowego bliźniaka zaprojektowany do pozycjonowania zapasów firmy w środkowym etapie łańcucha dostaw. Supply Chain Dive informuje, że Proxima pozwala Targetowi symulować różne scenariusze łańcucha dostaw, co prowadzi do bardziej pewnych i zoptymalizowanych decyzji dotyczących zapasów. Dodatkowo, Target unowocześnił swoje usługi dostawcze, oferując teraz dostawę następnego dnia do prawie trzech czwartych populacji USA. Ta opcja jest prezentowana klientom przy kasie dwukrotnie częściej niż rok temu, co jest możliwe dzięki rozszerzeniu dostawy następnego dnia na nowe obszary metropolitalne, wykorzystując rozległą sieć sklepów i swoją spółkę zależną Shipt.
W III kwartale marże brutto Targetu również skorzystały z poprawy produktywności w jego obiektach łańcucha dostaw, chociaż te zyski zostały częściowo zniwelowane przez podwyższone koszty frachtu i paliwa, zauważa Supply Chain Dive, powołując się na raport finansowy Targetu.
Usprawnienia operacyjne Targetu dzięki AI i nauce o danych oferują jasny wzorzec dla małych i średnich firm skoncentrowanych na efektywności. Przejście z 40% do 90% zapasów zarządzanych przez możliwości oparte na nauce demonstruje mierzalne zaangażowanie w optymalizację procesów, a nie tylko wdrażanie nowej technologii dla samej technologii. Dla mniejszych operacji podkreśla to kluczową wartość wyjścia poza intuicję czy podstawowe arkusze kalkulacyjne w zarządzaniu zapasami. Lepsze decyzje oparte na danych oznaczają mniej kapitału związanego w nadmiernych zapasach, mniej utraconych sprzedaży z powodu braków w magazynie i bardziej przewidywalny przepływ gotówki. Koncepcja „cyfrowego bliźniaka”, nawet w uproszczonej formie, pozwala firmom modelować wpływ zmian w zapasach bez ryzyka w świecie rzeczywistym, optymalizując magazynowanie, transport i realizację zamówień klientów. Bezpośrednio przekłada się to na zwiększoną satysfakcję klienta i lepszy wynik finansowy, co stanowi kluczowe przewagi konkurencyjne dla każdej firmy.
The Home Depot has expanded its flatbed delivery network, acquired distribution assets, and upgraded its order management software to better serve commercial contractors.

Starbucks reports record inventory availability with daily deliveries to almost 90% of its North American stores, after scrapping a nine‑month AI pilot and testing a 24‑hour model.

Amazon adds a 3.5% fuel surcharge to bulk storage services and lifts average FBA fees by $0.19 per unit, reshaping logistics costs for small sellers.

Supply chain leaders are turning excess inventory into margin by moving from resilience‑only metrics to a total‑value framework, per Supply Chain Dive.

Komentarze1
Jumping from 40% to 90% coverage in twelve months is a massive operational bet, but the critical question is how much actual agency Proxima has here. Are these models closing the loop with autonomous purchasing, or is Target still relying on human planners to rubber-stamp every simulation outcome before a truck moves? That distinction makes all the difference between true operational autonomy and an expensive dashboard.
You’re right—Target kept human planners in the loop for the initial rollout, but the system now auto‑generates purchase orders for the majority of SKU‑store combos, flagging only anomalies for review, which has already cut planning labor by roughly 30% while sustaining the 90% coverage goal.