AI alapú készletkezelés: így előzheted meg a beragadt árut

 

Ismerős a helyzet? A legnépszerűbb termékedből épp a kampány közepén fogy ki a raktár. Közben a polcon hónapok óta porosodik egy tétel, amibe komoly pénzt fektettél. A két probléma ugyanabból fakad, mert a beszerzés többnyire megérzésen múlik. Pontosan erre ad választ az AI alapú készletkezelés.

Nem varázsgombról van szó, hanem egy előrejelző rétegről, amely a webshopod adataiból számol. Tapasztalataim szerint a legtöbb hazai webshopban már ott vannak a szükséges adatok. Csak éppen senki nem dolgozza fel őket rendszerezetten.

Ebben a cikkben megmutatom, hogyan jósolja meg az AI a keresletet. Azt is látni fogod, hogyan előzheted meg a beragadt árut. Végül kitérünk arra is, hogyan kapcsolódik mindez a fulfillment rendszerekhez Shoprenter, UNAS és WooCommerce alatt.

Mit jelent valójában az AI alapú készletkezelés?

 

Sokan összekeverik az automatikus készletlevonást a mesterséges intelligenciával. Pedig a kettő nem ugyanaz. Ha a webshop eladáskor csökkenti a darabszámot, az egyszerű, szabályalapú automatizmus. Ugyanez igaz a fix minimumkészletre figyelmeztető e-mailre is.

Az AI akkor lép be, amikor a rendszer előre néz. Vagyis nem azt mondja meg, mennyi van most, hanem azt, mennyi kell majd. Ráadásul nem egyetlen számot ad, hanem egy valószínű tartományt is. Egy kiszámítható alapterméknél ugyanis más biztonsági készlet indokolt, mint egy szeszélyes szezonális slágernél.

 

A harmadik szint azért hasznos, mert a beszerző így nem egy fekete dobozt kap. Például így szólhat egy javaslat: „Rendelj 40 darabot, mert jön a karácsonyi kampány, és a beszállító lassabb.” Ettől lesz a döntés ellenőrizhető és érthető.

Miért éppen most érdemes foglalkozni vele?

 

A hazai piacon azt látom, hogy a webshopok egyre több csatornán értékesítenek egyszerre. Van webshop, piactér, és sokszor fizikai bolt is. Emiatt a készlet több helyen fogy, így egyre nehezebb fejben tartani. Közben a beszállítói átfutási idők is kiszámíthatatlanabbak lettek.

Ráadásul a készletben álló pénz egyre drágább. Minden beragadt termék lekötött tőke, amit nem tudsz hirdetésre vagy fejlesztésre fordítani. Ezért a kérdés már nem az, hogy kell-e AI alapú készletkezelés. Sokkal inkább az, hogy melyik ponton éri meg bevezetni.

 

Hogyan jósolja meg az AI a keresletet?

 

Az AI alapú készletkezelés alapja nem egy okos algoritmus, hanem a rendezett adat. A modell minden termékre, raktárra és időszakra külön becslést készít. Ehhez egyszerre több forrásból dolgozik.

 

Milyen adatokból dolgozik az AI?

 

A legfontosabb források a következők. Mindegyik mellé leírom azt is, miért számít.

• Rendelési előzmények: mikor, miből, mennyi fogyott, milyen áron és kedvezménnyel.
• Lemondások és visszáruk: ezek nélkül a modell túlbecsülné a valós keresletet.
• Aktuális, foglalt és úton lévő készlet: így látja, mi érkezik még a következő hetekben.
• Beszállítói adatok: szállítási idő, minimális rendelési mennyiség és csomagolási egység.
• Kampány- és ártörténet: egy akciós kiugrást nem szabad normál keresletnek venni.
• Webes viselkedés: termékoldal-megtekintés, kosárba tétel, „értesíts, ha újra kapható” feliratkozás.

Külső adatok is bekerülhetnek, például ünnepnapok vagy az időjárás. Ezeket azonban csak akkor érdemes használni, ha valóban hatnak a termékeidre. Egy esernyőboltnál például az eső számít, egy könyvesboltnál kevésbé.

 

Miért csal a múltbeli eladás?

 

Itt jön az a csapda, amibe a legtöbben beleesnek. Ha egy termék két héten át „elfogyott” státuszban volt, abban az időszakban nulla volt az eladás. Ez azonban nem jelenti azt, hogy nulla volt a kereslet. Egyszerűen nem tudtad kiszolgálni a vevőket.

Egy jó rendszer ezért külön jelöli, mikor nem volt rendelhető a termék. Ugyanígy figyeli a kampányokat, az árváltozásokat és a beszállítóváltást. Így lesz a becslés reális, nem pedig a múlt vak másolata.

Sokszor merül fel a kérdés, mennyi adat kell az induláshoz. Nincs kőbe vésett minimum. A több tiszta előzmény persze segít felismerni a szezonalitást. Ugyanakkor az új termékek is kezelhetők, mégpedig a hasonló termékek fogyási mintái alapján.

 

Hogyan előzi meg az AI a beragadt árut?

 

A beragadt árut nem akkor kell észrevenni, amikor már fél éve áll a polcon. Akkor ugyanis csak a végkiárusítás marad. Az AI alapú készletkezelés legnagyobb előnye, hogy hetekkel korábban jelez.

Korai figyelmeztető jelek

 

A rendszer folyamatosan figyel néhány mutatót. Ilyen a készletfedezet, vagyis hogy hány hétre elég a mostani készlet. Ha ez a szám hétről hétre nő, az intő jel. Hasonlóan árulkodó a lassuló fogyás és az utolsó eladás óta eltelt idő.

Érdemes azt is figyelni, mekkora része fogyott el egy beérkezett szállítmánynak. Ha egy hónap után még a kétharmada megvan, a következő rendelést csökkenteni kell. Így a probléma nem nő tovább, mielőtt bármit akcióznál.

 

Nem minden termék egyforma

 

A teljes kínálatot felesleges ugyanazzal a szabállyal kezelni. Erre szolgál az ABC és XYZ elemzés. Az ABC azt mutatja, mennyi bevételt hoz egy termék. Az XYZ pedig azt, mennyire kiszámítható a fogyása.

Mit tegyél, ha már túl sok a készlet?

 

Ha a rendszer túlkészletet jelez, nem az akció az első lépés. Először állítsd le vagy csökkentsd az új beszerzést. Utána nézd meg, át tudod-e tenni a terméket másik értékesítési csatornára.

Ezt követheti a termékcsomag vagy egy célzott ajánlat. Ez ott működik igazán, ahol a személyre szabott vásárlói élmény már be van állítva. A túlkészletes termékekre szabott hírlevelet pedig az AI alapú marketing és hírlevél automatizáció automatikusan kiküldheti. Csak ezután jöjjön a fokozatos árcsökkentés.

 

Mit tud a Shoprenter, az UNAS és a WooCommerce?

 

Először érdemes tisztázni egy gyakori félreértést. Az AI alapú készletkezelés esetén a webshopmotor önmagában ritkán az előrejelző „agy”. Sokkal inkább adatforrás, és a végrehajtási lánc egyik láncszeme.

Shoprenter

A Shoprenter rendeléskor automatikusan csökkenti a készletet, és termékenként legfeljebb négy készletmezőt kezel. A 2026-os AI-kínálata főként chatbotra, termékajánlásra és tartalomgyártásra épül. Natív kereslet-előrejelző modul jelenleg nem szerepel benne. Az AI réteg ezért külső rendszerből érkezik, API kapcsolaton keresztül.

Egyedi API kapcsolathoz Gold vagy Platinum csomag szükséges. Jó hír viszont, hogy a Shoprenter webhookkal azonnal értesíti a külső rendszert egy új rendelésről. Kiszervezett logisztikához kész alkalmazások is elérhetők, például a Boxy, a Webshippy és az iLogistic.

UNAS

Az UNAS egy lépéssel közelebb van a célhoz. Van beszerzési funkciója, amely a korábbi készletcsökkenés alapján javasol rendelendő mennyiséget. Ez hasznos, adatvezérelt segítség. A nyilvános leírás ugyanakkor nem tanuló AI modellként mutatja be, ezért érdemes reálisan kezelni.

Az UNAS API a PREMIUM és VIP csomagban érhető el, óránkénti hívási limitekkel. Az automata folyamatok webhookot is küldhetnek egy külső alkalmazásnak. Fulfillment oldalon a Webshippy, az iLogistic és a Logify is szóba jöhet.

WooCommerce

A WooCommerce alapból követi a készletet, figyelmeztet alacsony készletnél, és lefoglalja a rendelt mennyiséget. A bővítmények között előrejelző és utánpótlás-kezelő megoldások is vannak. Ez a legrugalmasabb út, mert szinte bármi hozzáépíthető. Cserébe a frissítések, a tárhely és a bővítmények összehangolása a te felelősséged.

Ha nem szeretnél havidíjat fizetni, egy egyedi WooCommerce rendszer hosszú távon kifizetődő lehet. Ilyenkor a készlettervező logika közvetlenül a saját rendszeredbe épül, bérleti díj nélkül.

 

A csomagfeltételek és funkciók változhatnak, ezért bevezetés előtt mindig nézd meg az aktuális szolgáltatói leírást. Ha mélyebben érdekel, hogyan beszélgetnek egymással a rendszerek, olvasd el a webshop API kapcsolatokról szóló útmutatómat.

 

Hogyan kapcsolódik az AI a fulfillment rendszerhez?

 

A fulfillment azt jelenti, hogy egy külső partner raktároz, csomagol és szállít helyetted. Ez a fizikai munkát automatizálja. Az előrejelzést viszont nem végzi el. A fulfillment és az AI alapú készletkezelés együtt adja ki a teljes képet.

A gyakorlatban így néz ki a folyamat. A webshop átadja a rendelést a fulfillment partnernek. A partner raktárrendszere visszaküldi a valós készletet és a csomagstátuszt. Az AI ezekből és az eladási adatokból kiszámolja, mit kell utánrendelni. Végül te jóváhagyod a javaslatot, és elindul a beszállítás.

Ha inkább magad raktározol, ugyanez a logika működik. Ilyenkor a saját nyilvántartásod a kiindulópont. A saját raktár és a kiszervezett logisztika közötti döntésről külön cikkben írtam részletesen.

 

Ki a főnök a készlet felett?

 

Ez a legfontosabb technikai döntés, mégis sokan kihagyják. Ha a webshop, a számlázó és a raktár is írja a készletet, előbb-utóbb káosz lesz. Jönnek a negatív készletek, a duplán levont tételek és az eltérő számok.

Ezért mindig jelölj ki egyetlen hiteles forrást, jellemzően a raktárrendszert. A webshop ebből kapja vissza, mi rendelhető éppen. Az AI pedig javasol, de nem ír korlátlanul minden rendszerbe.

A pontos készletadat egyébként az ügyfélszolgálatnak is aranyat ér. Ha a vásárló megkérdezi, mikor lesz újra kapható egy termék, a chatbot azonnal válaszolhat. Erről az AI alapú ügyfélszolgálatról szóló cikkben olvashatsz bővebben.

 

AI alapú készletkezelés bevezetése öt lépésben

 

A bevezetés nem egy nagy ugrás, hanem fokozatos építkezés. Az alábbi sorrendet minden projektnél bevált alapnak tartom.

1. Tedd rendbe a cikkszámokat. Minden méretnek, színnek és variációnak legyen saját, állandó cikkszáma. Ezen múlik minden szinkron, a Shoprenter is a cikkszám alapján egyeztet a külső rendszerekkel.
2. Jelöld ki a készlet gazdáját. Döntsd el, melyik rendszer mondja meg a valós darabszámot. Írd le azt is, melyik rendszer olvas és melyik ír adatot.
3. Tisztítsd meg az előzményeket. Szűrd ki a lemondott rendeléseket, és jelöld a kampányokat meg a készlethiányos napokat. A rossz adat ugyanis többet árt, mint a kevés adat.
4. Indíts kis pilotot. Válassz ki egyetlen kategóriát, ne a teljes kínálatot. Az AI először csak javasoljon, ne rendeljen. Közben hasonlítsd össze a javaslatait a saját döntéseiddel.
5. Automatizálj fokozatosan, limitekkel. Csak a stabil, kiszámítható termékeknél engedd az automatikus rendelési javaslatot. Állíts be összeg- és mennyiségi korlátot. Az új és szezonális termékek maradjanak emberi jóváhagyáson.

Ez a folyamat jellemzően két-három hónapot vesz igénybe. Az első hónap az alapozásé, a második a próbáé, a harmadik pedig a fokozatos élesítésé.

Így néz ki a gyakorlatban: egy hazai példa

 

Vegyünk egy anonimizált, de nagyon tipikus esetet. Péter háztartási kiegészítőket árul Shoprenteren, nagyjából 1200 termékkel. A raktározást egy fulfillment partner végzi. Korábban táblázatból, hetente egyszer döntött a beszerzésről.

A gond az volt, hogy a téli bestsellerek rendre elfogytak decemberben. Közben a nyári termékekből tavasszal is bőven maradt a raktárban. A webshop és a raktár adatai ráadásul naponta eltértek egymástól.

Először rendbe tettük a cikkszámokat, és a raktárrendszert jelöltük ki fő forrásnak. Utána egy külső előrejelző réteg naponta feldolgozta a rendeléseket, kampányokat és szállítási időket. Péter ettől kezdve hetente három listát kapott.

• Hiányveszély: ezekből a várható fogyás meghaladja a meglévő és úton lévő készletet.
• Túlkészlet: ezekből több van raktáron, mint amennyi a kategóriában indokolt.
• Döntést igényel: új termék, rendkívüli kampány vagy kevés adat miatt emberi mérlegelés kell.

Minden javaslat mellé rövid indoklás is érkezett. Péter így nem vakon bízott a rendszerben, hanem értette, miért kell rendelni. A beszerzésre szánt heti ideje érezhetően csökkent, és a decemberi hiány is mérséklődött. Fontos azonban, hogy ez a példa a folyamatot szemlélteti, nem garantált eredményt.

 

Gyakori hibák, amelyek pénzbe kerülnek

 

A legtöbb AI projekt nem a technológián bukik el, hanem apró, elkerülhető hibákon. Ezeket látom a leggyakrabban a magyar webshopoknál.

1. A készlethiányos napok keresletnek számítanak. Ha a nulla eladás nulla keresletként marad az adatokban, a modell épp a legjobb termékeket becsüli alá. Emiatt a hiány a következő szezonban újra előfordul.
2. Két rendszer egyszerre írja a készletet. Ilyenkor a számok felülírják egymást, és senki nem tudja, mi az igazság. A vásárló pedig olyan terméket rendel meg, ami valójában nincs raktáron.
3. Az AI jóváhagyási limit nélkül rendel. Egyetlen hibás adat így egy raklapnyi felesleges árut jelenthet. Ezért mindig legyen összeg- és mennyiségi korlát.
4. Minden termékre ugyanaz a szabály vonatkozik. Egy stabil bestseller és egy ritkán fogyó különlegesség teljesen más kezelést kíván. Az egységes szabály az egyiknél hiányt, a másiknál túlkészletet okoz.
5. A kapcsolatot „valós idejűnek” hiszik. Sokszor csak óránként vagy naponta fut egy adatcsomag. A webhook mellé ezért mindig kell egy rendszeres ellenőrzés is, arra az esetre, ha egy értesítés elveszne.

Honnan tudod, hogy jól működik?

 

Az AI alapú készletkezelés sikerét nem az méri, hogy használsz-e AI-t. Kizárólag az üzleti eredmény számít. Éppen ezért már a pilot előtt rögzítsd a kiinduló értékeket.

Egy modell lehet matematikailag pontosabb, miközben a raktárkészlet értéke nő. Ezért mindig együtt nézd a pontosságot, a kiszolgálást és a lekötött tőkét.

 

Összegzés: az AI alapú készletkezelés a döntéseidet teszi biztosabbá

 

Az AI alapú készletkezelés nem vezeti helyetted a raktárt. Viszont hamarabb és következetesebben mutatja meg, hol fenyeget hiány vagy túlkészlet. A siker alapja minden platformon ugyanaz. Tiszta cikkszámok, egyetlen hiteles készletforrás, kis pilot és folyamatos visszamérés.

Shoprenter és UNAS esetén a megoldás külső előrejelző réteggel, API-n és webhookon keresztül épül fel. WooCommerce alatt ugyanez közvetlenül a saját rendszeredbe integrálható, havidíj nélkül. A készlet ráadásul csak egy elem a teljes webshop automatizálás AI alapon képében.

Szeretnéd, hogy a készleted, a számlázásod és az ügyfélszolgálatod egy rendszerként működjön? Nézd meg, hogyan építem ki a Shoprenter és UNAS webshopok AI alapú automatizálását. Ha WooCommerce alapon gondolkodsz, havidíj-mentes, egyedi rendszert is készítek. Ha pedig még csak most indulsz, a kulcsrakész, AI-ra felkészített webshop indítás során eleve így rakjuk össze az adatszerkezetet.

 

Gyakran ismételt kérdések

 

1. Van beépített AI készletkezelés a Shoprenterben?

A Shoprenter rendelkezik készletkezeléssel, API-val, webhookokkal és fulfillment alkalmazásokkal. A nyilvánosan felsorolt 2026-os AI-megoldásai között azonban nincs natív kereslet-előrejelző modul. Az AI réteg ezért jellemzően külső rendszerből érkezik.

2. Tud az UNAS automatikus beszerzési javaslatot adni?

Igen, az UNAS beszerzési funkciója a korábbi készletcsökkenés alapján javasol rendelendő mennyiséget. A nyilvános leírás ezt viszont nem tanuló AI rendszerként mutatja be. Komolyabb előrejelzéshez itt is külső réteg ajánlott.

3. Kis webshopnak is megéri az AI alapú készletkezelés?

Akkor éri meg, ha sok terméked van, rendszeresen rendelsz utánpótlást, vagy több csatornán értékesítesz. Kevés terméknél először az egységes cikkszámok és a pontos készletszinkron hozzák a legtöbbet. Az AI erre az alapra épülhet később.

4. Megszünteti az AI a készlethiányt?

Nem szünteti meg, de jelentősen csökkentheti a kockázatát. Egy rendkívüli kereslet, egy beszállítói késés vagy egy hibás adat továbbra is okozhat hiányt. Az AI előnye, hogy ezeket a helyzeteket hamarabb jelzi.

5. Mennyi adat kell az induláshoz?

Nincs kötelező minimum. Egy-két év tiszta rendelési előzmény segít a szezonalitás felismerésében. Új termékeknél a modell a hasonló termékek fogyásából is tud becsülni.

6. Mi a különbség a fulfillment és az AI készletkezelés között?

A fulfillment a fizikai munkát végzi: raktároz, csomagol és kiszállít. Az AI a jövőbeli keresletet és a készletkockázatot becsüli. A kettő API-n vagy webhookon keresztül kapcsolódik össze.

7. Rendelhet az AI automatikusan helyettem?

Technikailag igen, de csak szigorú korlátok között javaslom. Stabil, kiszámítható termékeknél működhet automatikus rendelési javaslat összeg- és mennyiségi limittel. Az új és szezonális termékeknél maradjon emberi jóváhagyás.

Források

A cikkben szereplő platformadatok a szolgáltatók 2026 októberében elérhető leírásain alapulnak. A csomagfeltételek és funkciók változhatnak, ezért bevezetés előtt mindig ellenőrizd az aktuális dokumentációt.

Shoprenter

• Shoprenter Súgó: Készletkezelés: készletlevonás, külső rendszerek és a cikkszám alapú szinkron.
• Shoprenter Súgó: Shoprenter API: termékek és rendelések elérése külső rendszerből.
• Shoprenter fejlesztői dokumentáció: Webhook: automatikus értesítés új rendelésről és státuszváltozásról.
• Shoprenter: AI megoldások: a platform aktuális mesterséges intelligencia kínálata.
• Shoprenter Blog: Webshippy alkalmazás: kiszervezett logisztika automatikus rendelésátadással.
• Shoprenter Súgó: Boxy: cikk- és rendelésszinkron fulfillment partnerrel.

UNAS

• UNAS: Webáruház funkciók: készletkezelés és a korábbi fogyásra épülő beszerzési javaslat.
• UNAS Tudástár: Raktárkészlet API: készletadatok lekérése és módosítása, hívási limitek.
• UNAS Tudástár: Automata folyamatok: webhook küldése külső alkalmazásnak egy esemény után.
• UNAS: Integrációk, alkalmazások: Webshippy, iLogistic és más kapcsolódó szolgáltatások.
• UNAS: Csomagküldés a webáruházban: Webshippy kapcsolat és készletszinkron.

WooCommerce

• WooCommerce: Inventory Management (angol): előrejelzés és automatikus utánpótlás bővítménnyel.
• WooCommerce: Webhooks (angol): eseményalapú értesítések külső rendszereknek.

Nemzetközi szakmai források (angol nyelvű)

• AWS: Demand Forecasting for Retail: kiskereskedelmi kereslet-előrejelzés felépítése és adatigénye.
• AWS Supply Chain Blog: Machine learning alapú készlettervezés: beszállítói átfutási idő becslése bizonytalansági sávval.
• ASCM: The XYZs of Inventory Management: az XYZ elemzés és az ABC elemzés együttes használata.
• Sage: What is dead stock and how to avoid it: a beragadt készlet okai és megelőzése.
• Springer: Retail Promotion Forecasting: kutatás a promóciók miatti előrejelzési nehézségekről.