AI order taking в FMCG: защо препоръчаната поръчка е по-важна от автоматичната

В FMCG има една фраза, която звучи модерно, но често е грешно поставена: автоматична поръчка.

На пръв поглед идеята е логична. Ако AI знае историята, наличностите, промоциите, сезонността и поведението на магазина, защо изобщо търговецът да въвежда поръчка? Нека системата я направи сама.

Това звучи добре в презентация. На терен е по-сложно.

Магазинът не е spreadsheet. Собственикът може да няма пари тази седмица. Хладилникът може да е счупен. Конкурентът може да е направил агресивна оферта. Промоционалният дисплей може да не е поставен. Търговецът може да знае, че кварталът има събитие в петък. Или обратното: системата може да вижда сигнал, който човекът пропуска.

Затова в много FMCG процеси най-силната стъпка не е директно “AI поръчва вместо човека”.

По-силната стъпка е:

AI предлага поръчка с причина, а човекът взима финалното решение.

Това е разликата между автоматизация, която звучи впечатляващо, и execution система, която реално се използва.

Проблемът не е във въвеждането на поръчката

Класическата SFA система дигитализира order taking-а. Търговецът вече не пише на хартия. Поръчката влиза по-бързо. Грешките от преписване падат. Мениджърът вижда резултата.

Това е важно, но решава само повърхността.

Истинският проблем не е, че поръчката се въвежда бавно. Истинският проблем е, че поръчката често се взима по навик.

Търговецът влиза в магазина и поръчва “както обикновено”. Собственикът казва “дай същото”. Системата показва история. Всичко изглежда нормално.

Но FMCG рядко е нормално:

• sell-out-ът се е вдигнал, но никой не го е забелязал;
• промоцията започва след два дни, а поръчката не покрива промо седмицата;
• SKU-то е на рафта, но само с един facing и ще изчезне до утре;
• магазинът е високопотенциален, но се обслужва като среден;
• топ продуктът липсва, а поръчката пак е изградена около второстепенни артикули;
• търговецът подценява quantity, защото не иска спор с клиента;
• клиентът отказва част от асортимента, защото не вижда защо му трябва.

Тук се губят продажби. Не във формата за въвеждане.

Защо “както обикновено” е скъп навик

Out-of-stock проблемът е достатъчно добре изследван, за да не го третираме като анекдот.

Класическото изследване на Corsten и Gruen отчита средно световно ниво на out-of-stock около 8.3%. По-важното е как реагира купувачът: част от клиентите сменят магазина, други сменят марката, трети отлагат или изобщо не купуват. Тоест липсата не е просто “ще продадем утре”. Често продажбата отива другаде.

В същото време дистрибуцията не се мери само с това дали продуктът присъства в много обекти. NielsenIQ обяснява разликата между numeric distribution и weighted distribution: важно е не само в колко магазина си, а в кои магазини си и колко тежат те за категорията. Същото важи и за поръчката. Не е важно само “има ли поръчка”. Важно е дали правилният магазин получава правилното количество от правилните SKU-та.

И точно тук “както обикновено” става опасно.

То не разбира потенциал. Не разбира риск. Не разбира промоционален прозорец. Не разбира, че два магазина с еднаква история могат да имат различна седмица.

Автоматична поръчка срещу препоръчана поръчка

Трябва да разграничим три нива, защото в практиката често се смесват.

Order entry е дигиталното въвеждане на поръчката. Това е SFA стандарт: каталог, цени, наличности, отстъпки, потвърждение.

Suggested order или препоръчана поръчка е AI/аналитична препоръка: системата предлага SKU-та и количества, обяснява защо и позволява на търговеца да приеме, коригира или отхвърли.

Autonomous order е поръчка, която системата създава сама в рамките на предварително зададени правила, понякога без човешко потвърждение.

И трите имат място. Но не за едни и същи ситуации.

Автоматичната поръчка е подходяща при стабилни, предвидими, нискорискови сценарии: повторяеми replenishment процеси, ограничен асортимент, ясни минимални и максимални наличности, добри данни за sell-out, нисък бизнес риск при грешка.

FMCG field sales често не е такъв сценарий. Особено в general trade, дистрибуторски канали, малки магазини, HoReCa, сезонни категории, промоционални седмици и пазари с непълни данни.

Там препоръчаната поръчка е по-силен модел, защото комбинира две неща:

• AI вижда повече сигнали от човека;
• човекът вижда контекст, който системата още не знае.

Това не е компромис. Това е правилната архитектура за контролирана автономия.

Какво трябва да чете една добра AI поръчка

Препоръчаната поръчка не трябва да е “миналата поръчка плюс малко”. Това е spreadsheet логика, не AI-native логика.

Добрата препоръка комбинира няколко слоя сигнали.

История на поръчките. Какво е купувал обектът, с каква честота, в какви количества, в кои дни, при какви промоции.

Sell-out или proxy сигнали. Ако има реален sell-out, това е най-силният сигнал. Ако няма, системата трябва да работи с proxy: честота на зареждане, снимки на рафта, drop size, връщания, промо участия, сезонност, сходни обекти.

Наличност и shelf signals. Computer vision може да покаже дали продуктът реално стои на рафта, колко facings има, дали има празно място, дали промо дисплеят е поставен. Това променя поръчката. Ако продуктът е слабо изложен, проблемът може да не е quantity, а execution.

Промо календар. Промоцията променя търсенето, но не еднакво във всички магазини. AI трябва да гледа не само дали има промоция, а дали този магазин исторически реагира на такава промоция.

Сезонност и локален контекст. Вода, бира, сладолед, кафе, personal care, impulse продукти - всяка категория има различен ритъм. Локалният контекст има значение: празници, време, събития, туристически поток, училищен сезон.

Клиентски профил. Магазин с висок потенциал, но ниско текущо покритие, не трябва да получава същата препоръка като магазин с нисък потенциал и стабилен малък оборот.

Търговски правила. Цени, отстъпки, минимални количества, credit limit, просрочени задължения, договорености, наличност в склада, логистичен капацитет.

Цели на компанията. Ако стратегията е да се защити hero SKU, да се разшири must-stock list или да се вдигне penetration на нов продукт, препоръката трябва да го знае.

Точно затова AI order taking не е един модел. Това е decision layer върху sales execution, inventory, trade terms, route-to-market и retail reality.

“12 броя” не е достатъчна препоръка

Големият проблем на много AI системи е, че дават резултат, но не дават причина.

За търговеца това не работи.

Ако системата каже “поръчай 12”, той ще попита: защо 12? Защо не 6? Защо не 24? Защо точно това SKU?

Затова препоръчаната поръчка трябва да бъде обяснима в човешки език:

“Препоръчваме 12 броя, защото последните две посещения показват по-висок sell-out, промоцията започва в петък, а текущата наличност покрива около 4 дни.”

Или:

“Добави този SKU: сходни магазини в същия сегмент продават категорията, а този обект има място на рафта и ниско покритие в must-stock list.”

Или:

“Не увеличавай количеството: проблемът не е търсене, а липса на видимост на рафта. Първо възстанови позицията.”

Това е много различно от “AI каза така”.

Обяснението има три функции:

• помага на търговеца да продаде препоръката на клиента;
• изгражда доверие в системата;
• позволява контрол, когато препоръката е грешна.

Без причина препоръката е черна кутия. С причина тя става инструмент.

Как търговецът трябва да работи с препоръката

Най-добрият UX за AI order taking не е търговецът да гледа огромен dashboard.

Той няма време за това. Той е в магазина.

Правилният интерфейс трябва да е практичен:

• предложени SKU-та и количества;
• причина за всяка важна промяна;
• индикатор за риск: OOS, overstock, промо, credit, low shelf visibility;
• бързи действия: accept, adjust, reject;
• reason code при промяна: “клиент отказа”, “няма място”, “няма бюджет”, “локално събитие”, “конкурентна оферта”;
• видимост за мениджъра къде AI и човекът се разминават.

Това последното е ключово.

Ако търговците постоянно коригират препоръките на системата, това не е провал. Това е data signal. Или моделът греши, или има контекст, който не се събира, или incentive системата бута поведението в друга посока.

AI order taking трябва да учи от разминаването между препоръка и реално действие.

Къде автоматичната поръчка има смисъл

Това не е аргумент срещу автоматизацията. Автоматичната поръчка има място.

Но тя трябва да започва там, където рискът е контролиран.

Например:

• стабилни SKU-та с висока честота и предвидимо търсене;
• вътрешни replenishment сценарии;
• клиенти с ясни min/max правила;
• нискорискови допълващи количества;
• reorder на продукти, които системно се приемат без корекция;
• автоматично draft-ване на поръчка, която човекът само преглежда.

Добрата платформа не третира всички поръчки еднакво. Тя използва различно ниво на автономия според риска.

Една препоръка може да бъде:

• само подсказка;
• предварително попълнена поръчка;
• поръчка за одобрение;
• автоматично изпълнение в зададени граници;
• блокирана препоръка, ако нарушава политика.

Това е по-зрял модел от “всичко ръчно” или “всичко автоматично”.

Как се мери дали работи

AI order taking не трябва да се продава като “по-модерен процес”. Трябва да се мери като търговски резултат.

Няколко метрики са особено важни.

Acceptance rate. Колко често търговецът приема препоръката без промяна. Но това не трябва да е цел само по себе си. Висок acceptance rate може да значи доверие, но може да значи и пасивност.

Override quality. Кога човекът е прав да коригира AI и кога не. Това е по-важно от простото броене на overrides.

OOS reduction. Намаляват ли липсите при ключовите SKU-та и магазини.

Order accuracy. Колко близо е поръчката до реалното търсене след периода.

Drop size и mix. Расте ли средната поръчка там, където има потенциал, без да се пълни каналът с грешен stock.

Returns и overstock. AI не трябва да вдига продажбите на хартия, като мести проблема към клиента.

Time in store. Ако препоръката е добра, търговецът не трябва да прекарва повече време в администриране. Той трябва да прекарва повече време в разговор и изпълнение.

Revenue и gross margin uplift. В крайна сметка препоръката трябва да подобрява продажби и марж, не само да изглежда умна.

McKinsey често описва стойността на AI forecasting именно през по-ниска forecast error, по-добра наличност и по-ниски запаси. Gartner поставя подобна рамка за supply chain: agentic AI ще влиза все повече в решенията, но стойността идва само когато системите са вързани към реален workflow и контрол.

С други думи: AI order taking има смисъл само ако променя поръчката по начин, който се вижда в рафта, склада и приходите.

Най-големият риск: да автоматизираш лош процес

Ако текущият order taking е слаб, AI няма автоматично да го направи добър.

Може дори да го ускори в грешната посока.

Ако master data е неточна, AI ще препоръчва грешни SKU-та. Ако промо календарът не е синхронизиран, AI ще подценява или надценява търсенето. Ако търговецът няма причина да следва препоръката, ще я игнорира. Ако мениджърът гледа само turnover, но не гледа OOS, returns и margin, моделът ще оптимизира грешно поведение.

Затова първата стъпка не е “сложи AI”.

Първата стъпка е да изясниш:

• кои SKU-та са критични;
• кои клиенти са приоритетни;
• кои сигнали са надеждни;
• кои решения може да препоръчва AI;
• кои решения трябва да останат при човека;
• как ще се измерва резултатът;
• как ще се учи системата от откази и корекции.

AI order taking е толкова силен, колкото е силна дисциплината около него.

Как изглежда добрият процес на практика

Представи си посещение в магазин.

Търговецът влиза. Системата вече знае, че този обект е в промо седмица, има висок потенциал за категорията и последните две посещения са показали риск от липса на два hero SKU-та.

Търговецът снима рафта. Computer vision потвърждава, че единият SKU има ниска видимост, а другият е почти изчерпан. AI order taking модулът предлага поръчка:

• увеличи quantity за SKU A, защото наличността покрива по-малко дни от следващото посещение;
• добави SKU B, защото е част от must-stock list и сходни магазини го продават;
• не увеличавай SKU C, защото проблемът е позиция на рафта, не търсене;
• предложи bundle, защото клиентът исторически приема промоционални миксове.

Търговецът приема част от препоръката, коригира друга част и посочва причина: “клиентът има лимит на бюджет тази седмица”.

Мениджърът вижда по-късно не само поръчката, а и разликата между AI препоръка и човешко решение. Ако подобни откази се повтарят в много магазини, това вече е insight: може би промо механиката не работи, кредитните лимити са твърде ниски или моделът надценява категорията.

Това е истинският ефект. Поръчката вече не е единично действие. Тя е feedback loop.

Защо това е по-важно от “пълна автоматизация”

Пълната автоматизация е крайната точка за някои сценарии, но не е най-добрият старт за FMCG sales execution.

Препоръчаната поръчка е по-важна, защото:

• вдига качеството на решението, без да маха човешкия контекст;
• помага на търговеца да аргументира поръчката пред клиента;
• събира данни защо препоръките се приемат или отказват;
• намалява риска от черна кутия;
• позволява контролирана автономия по категории, клиенти и ситуации;
• превръща order taking-а от административна задача в търговско решение.

Автоматичната поръчка пита: може ли системата да поръча вместо човека?

Препоръчаната поръчка пита по-добър въпрос:

Какво трябва да поръчаме, защо точно това, и как да помогнем на човека да вземе по-добро решение сега?

В FMCG това “сега” е всичко.

Защото ако правилният продукт не стигне до правилния рафт навреме, AI стратегията няма значение. Продажбата вече е изгубена.

Свързано в Optimasoft

• AI Order Brain е solution страницата за препоръчани поръчки, reason codes и контролирана автономия в order taking.
• Optimasale връзва препоръчаната поръчка с посещението, клиента, цените и изпълнението на терен.
• On-shelf availability показва защо shelf signal-ът трябва да влияе върху quantity recommendation.
• Route-to-Market поставя order taking-а в по-широкия контекст на покритие, честота и cost-to-serve.

Източници

• Corsten & Gruen - Retail Out-of-Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses
• NielsenIQ - Total Distribution Points and CPG brands
• McKinsey - The State of AI: Global Survey 2025
• McKinsey - Succeeding in the AI-powered supply-chain revolution
• Bain - How advanced analytics is transforming sales execution
• Gartner - Half of supply chain management solutions will include agentic AI capabilities by 2030
• European Commission - AI Act regulatory framework