Sklep rowerowy z Lublina. 3 głównych dostawców polskich (rowery i akcesoria, części i smary, odzież), plus 2 importerów z Niemiec (premium akcesoria) i 1 z USA (custom części). 4500 SKU w bazie, 800 tysięcy obrotu rocznie.

Cotygodniowa decyzja: co zamówić, ile, od którego dostawcy. Stary workflow zajmował właścicielowi 3-4 godziny w czwartek wieczorem:

  1. Eksport sprzedaży z Subiekta do Excela (15 min)
  2. Filtrowanie po kategoriach (20 min)
  3. Otworzyć cennik dostawcy A, VLOOKUP cen do listy SKU (45 min)
  4. To samo dla B, C (60 min)
  5. Cenniki importerów (mail, PDF, tabele z różnych dni, 30 min)
  6. Porównanie cen, decyzja per SKU (40 min)
  7. Złożenie 4-6 zamówień osobno (mail / B2B panel / telefon, 30 min)

3-4 godziny pracy. Plus nadzieja, że właściciel pamiętał o sezonowości (jest marzec, peak rowerowy za 4 tygodnie), rabatach objętościowych (powyżej 5000 zł u dostawcy B jest -8%), preferencjach klientów (Shimano Deore zawsze schodzi, Acera tylko w niskich modelach).

Z AI ten sam workflow zajmuje 30-45 minut. Lepsze decyzje, mniej pomyłek, AI nie zapomni o sezonowym SKU.

Dlaczego sklep specjalistyczny ma trudniej niż sklep ogólny

Sklep ogólny (np. Castorama) zarządza zamówieniami systemowo: minimum stanu, automatyczne propozycje, decyzje algorytmiczne. Sklep specjalistyczny (rowerowy, sportowy, hobby, niche) nie pasuje do tego modelu.

Powód 1: Mnóstwo dostawców z różnymi cennikami. Sklep rowerowy ma 6-15 dostawców. Każdy ma inny system zamówień: B2B panel, mail z PDF, telefon, EDI. Cenniki w różnych formatach (Excel, PDF, online).

Powód 2: Asortyment sezonowy. W marcu kupujesz pod peak letni. We wrześniu pod jesienny. Decyzja “ile zamówić ramki rowerów MTB” wymaga predykcji 8-12 tygodni naprzód.

Powód 3: Rabaty objętościowe. Dostawca A daje -8% przy zamówieniu powyżej 5000 zł. Próg trzeba osiągnąć w 1 zamówieniu, nie miesięcznie. Decyzja: “zamówić teraz 6 SKU dodatkowo, żeby trafić na próg” wymaga liczenia.

Powód 4: Expertyza klienta. Klient w sklepie rowerowym pyta o “zestaw napędowy Shimano dla touring 28 km/h średnio”. Sprzedawca-mechanik odpowiada. AI nie umie tego doradzić, ale potrzebuje wiedzieć, że właśnie ten model napędu się dobrze sprzedaje (i go zamówić więcej).

Wynik: właściciel sklepu specjalistycznego pracuje na intuicji plus Excelu. Często zamawia złe rzeczy (za dużo niesprzedających, za mało top sellers).

Co Subiekt GT już ma

  • 4500 SKU z aktualnym stanem
  • Sprzedaż per SKU w ostatnich 12-24 miesiącach
  • Cenniki dostawców (jeśli wprowadzasz faktury)
  • Minimum stanu (jeśli ustawione)
  • Sezonowość per SKU (gdy patrzysz historycznie)

Czego Subiekt nie pokazuje wprost: predykcji sprzedaży SKU na 30-60 dni, porównania cen dostawców per SKU, sugestii rabatów objętościowych, kalendarza zamówień bazującego na sezonowości.

AI łączy te dane plus dodaje kontekst (jaki sezon, jaki tygodnie do peaku).

Workflow AI: 4 prompty zakupowe

Prompt 1: Lista do zamówienia w tym tygodniu (czwartek rano)

Zaproponuj listę SKU do domówienia w tym tygodniu. Bazuj na:
- Stany poniżej minimum z Subiekta
- Predykcja sprzedaży 30 dni na podstawie:
  - Sprzedaży ostatnich 3 miesięcy
  - Sezonowości (jaki teraz mamy miesiąc, jaki sezon)
  - Trendów wzrostowych ostatnich 2 tygodni
- Marża per SKU w ostatnich 30 dniach

Per SKU pokaż:
- Nazwa, kategoria
- Aktualny stan
- Predykcja sprzedaży 30 dni
- Sugerowana ilość do zamówienia (zapas na 45 dni)
- Top dostawca dla tego SKU (z cenników w bazie)
- Cena u tego dostawcy
- Marża prognozowana

Posortuj po pilności (najpierw SKU które wyzerują się za <14 dni).

Co dostajesz (przykład czwartek marca):

PILNE (zerują się za <14 dni, top 8 SKU): - Dętka Continental MTB 27.5: stan 4, predykcja 12 szt / 30 dni. Zamówić 15 szt u Hurtowni A (cena 18 zł, marża 22 zł = 55%). Termin dostawy 3 dni. - Łańcuch Shimano HG54: stan 2, predykcja 8 / 30 dni. Zamówić 12 szt u Hurtowni B (52 zł, marża 38 zł = 42%). Termin 2 dni. - (lista 6 pozostałych)

NORMALNE (zerują się za 15-30 dni, top 18 SKU): - Kask Bell Hexa: stan 8, predykcja 15 / 30 dni. Zamówić 18 szt u Hurtowni C (cena 220 zł, marża 130 zł = 37%). - (lista 17 pozostałych)

SEZONOWE (zalecane teraz pod peak kwiecień-czerwiec): - Opony letnie Schwalbe Marathon Plus 28: stan 12, predykcja peak 60-80 szt / mc. Zamówić 150 szt u Niemieckiego Importera (cena 89 zł, marża 41 zł = 31%). Termin dostawy 14 dni, zamówić teraz żeby zdążyć przed peakiem. - (lista 10 sezonowych)

Właściciel ma 36 SKU w jednej propozycji. 15 minut review, akceptuje 90%, modyfikuje 10% (“kasków Bell mam za dużo z zeszłego sezonu, zamów tylko 8”).

Prompt 2: Sprawdzenie progów rabatów objętościowych

Per dostawca, do którego zamierzamy złożyć zamówienie:
- Suma wartości netto zamówienia
- Progi rabatów objętościowych (powyżej których wartości jaki rabat)
- Czy obecne zamówienie trafia na próg
- Jeśli brakuje 200-1000 zł do progu, zaproponuj 3-5 dodatkowych SKU,
  które warto dodać (top sellers, niskie stany)

Przykład:

Hurtownia A: zamówienie 4 320 zł. Próg -8% przy 5 000 zł. Brakuje 680 zł. Sugestia dodać: - Kable hamulcowe Shimano: 12 szt x 18 zł = 216 zł (top seller, stan 6, dorzucić warto) - Smary Finish Line: 6 szt x 32 zł = 192 zł (sezonowo, peak za 3 tygodnie) - Linki przerzutek: 8 szt x 28 zł = 224 zł (top, stan 4)

Łączny dodatek: 632 zł, daje 4 952 zł. Nadal brakuje 48 zł do progu. Dorzucić 1 linkę więcej (28 zł) lub 1 smar (32 zł). Oszczędność z -8% rabatu: 396 zł.

Bez tego promptu właściciel zamawiałby 4 320 zł i tracił 8% (346 zł) bo nie wiedział że jest tak blisko progu.

Prompt 3: Generowanie zamówień per dostawca (5 sekund)

Z zatwierdzonej listy SKU wygeneruj zamówienia per dostawca:
- Hurtownia A: PDF z listą SKU + ilości + cenami, gotowe do mailowej wysyłki
- Hurtownia B: CSV w formacie do wgrywki w ich B2B panel
- Importer Niemcy: mail po niemiecku z listą plus uwagą o terminie dostawy
- Importer USA: mail po angielsku z listą plus shipping address

5 sekund. Właściciel ma 4 gotowe zamówienia, kopiuje do maili, wysyła.

Prompt 4: Audyt jakości decyzji zakupowych (raz na kwartał)

Audyt decyzji zakupowych za ostatnie 3 miesiące:
- SKU zamówione które dobrze się sprzedały (predykcja AI vs realne)
- SKU zamówione które zalegają (przeszacowane)
- SKU których brakowało (niedoszacowane, stockout)
- Dostawcy, którzy dostarczali na czas vs spóźniali się
- Średnia marża zrealizowana vs prognozowana

Sugestie jak poprawić predykcje na następny kwartał:
- Które kategorie wymagają większego bufora
- Które dostawcy zmienić na alternatywnych
- Które SKU wycofać z asortymentu (niska rotacja, niska marża)

To strategiczny prompt. Właściciel siedzi z kawą, czyta, planuje kolejny kwartał.

Sezonowy kalendarz decyzji zakupowych

Sklep rowerowy, realny przykład cyklu rocznego z Lublina:

Styczeń-luty: zatowarowanie ubrań zimowych (resztki) plus zamówienia części serwisowych (popytu na serwis pre-sezonowy luty-marzec). AI proponuje 60% zamówień typu “serwis i uzupełnianie”, 40% “akcesoria zimowe”.

Marzec: peak preparation. Zamówienia: 20-30 rowerów nowej kolekcji plus 200-400 SKU akcesoriów plus opony letnie. AI proponuje predykcję sprzedaży 8-12 tygodni naprzód.

Kwiecień-czerwiec: peak sezon. Mniejsze zamówienia uzupełniające (klienci kupują codziennie). AI alarmuje stockout krytycznych SKU.

Lipiec-sierpień: spadek (urlopy klientów). Czas na rozdysponowanie zapasu plus przygotowanie pod jesienny peak.

Wrzesień-październik: drugi peak (po wakacjach klienci wracają, sezon szkolny). AI predykuje plus zamawia trening, ubrania jesienne.

Listopad-grudzień: prezenty świąteczne plus ubrania zimowe. AI proponuje hot SKU plus cross-sell akcesoria.

Realne rezultaty po 6 miesiącach (sklep rowerowy Lublin)

Wskaźnik Pre-AI Po 6 mc Różnica
Czas na zamówienia tygodniowe 3-4h 45 min -75%
Stockout krytycznych SKU 18 zdarzeń / mc 4 / mc -78%
Zalegający stock (powyżej 90 dni bez sprzedaży) 12% magazynu 6% -50%
Trafienie progów rabatów objętościowych 40% zamówień 85% +45 pp
Średnia marża brutto magazynu 32% 38% +6 pp

Dla sklepu z obrotem 800 tysięcy: +6 pp marży = +48 tysięcy zł rocznie. Plus oszczędność czasu właściciela (3 godziny tygodniowo to ~150 godzin rocznie, można zrobić inne rzeczy).

Słownik dla osób spoza retail specjalistycznego

  • SKU = unikalny kod produktu. Łańcuch Shimano HG54 to jeden SKU, ten sam łańcuch w opakowaniu 6 sztuk to drugi SKU.
  • B2B panel = strona internetowa dostawcy, gdzie hurtowi klienci sami składają zamówienia bez maila.
  • Rabat objętościowy = zniżka, którą dostawca daje powyżej progu wartościowego zamówienia (np. -8% powyżej 5000 zł).
  • Stockout = sytuacja, gdy SKU jest na zero i nie można sprzedać klientowi.
  • Peak sezon = okres najwyższej sprzedaży w roku (dla rowerów: kwiecień-czerwiec plus wrzesień-październik).
  • EDI = elektroniczna wymiana dokumentów handlowych między systemami (mało popularne u małych dostawców).

Co AI nie zrobi za właściciela

  • Nie wybierze nowych modeli rowerów. AI pokaże trendy sprzedaży modeli z ostatnich 2 lat. Decyzja “którego producenta nowego wziąć na kolekcję” zostaje przy właścicielu plus branżowej intuicji.
  • Nie negocjuje cen z dostawcami. Telefon do Niemiec zostaje przy właścicielu.
  • Nie zarządza relacjami z importerami. Targi branżowe, custom prezentacje, networking zostają przy właścicielu.
  • Nie doradzi klientowi w sklepie. Pytanie “który zestaw napędowy Shimano dla mojego stylu jazdy” wymaga sprzedawcy-mechanika. AI tego nie umie.

AI robi predykcje sprzedaży, porównania cen, generowanie zamówień. Właściciel robi strategie i relacje. Setup zachowuje pełną kontrolę przy człowieku.