Asystent AI po lewej prowadzi Cię przez zakupy. Po prawej — rzeczy, ktore wymagaja Twojej uwagi dzisiaj.
Wybierz typ zakupu — Direct (produkty do sprzedaży) lub Indirect (wydatki operacyjne) — a nastepnie kategorie UNSPSC.
| # | Nazwa produktu / usluga | Kod UNSPSC | Ilosc | JM | Cena jedn. | Wartosc | |
|---|---|---|---|---|---|---|---|
| Razem: | 0.00 PLN | ||||||
Dostawcy zostali dopasowani automatycznie na podstawie wybranych produktow z katalogu.
Ustaw priorytety (koszt, czas dostawy, jakosc, ESG) i znajdz optymalna alokacje zamówień miedzy dostawcami.
| Dostawca - | Indeks / Produkt - | Zapotrzebowanie - | Alokacja - | Udzial % - | Koszt jedn. - | Lead-time - | SLA - | ESG - |
|---|
Porownaj scenariusze — zmien wagi lub budzet i zobacz jak zmienia sie alokacja.
Przejrzyj pozycje z koszyka, zatwierdz alokacje dostawców i wygeneruj Purchase Orders.
Tworzenie i monitoring aukcji odwroconych. Dostawcy skladaja oferty w portalu, system automatycznie ocenia i rankuje.
Sledz zamówieńia, alerty systemowe, analize procesow P2P i ryzyka dostawców.
Komórka = średnia/p95 latencja A→B w godzinach. Czerwone = najdłużej.
Model predykcyjny analizuje historie P2P (ladowanie..., 24 miesiace, 10 dostawców) i buduje profile wydajnosci. Composite scoring: historyczna terminowosc (35%), ryzyko sezonowe (20%), trend (15%), wielkosc zamówień (10%), jakosc/rework (15%). Dataset zawiera naturalny declining-trend signal na 1 dostawcy (LUMAG-001, OTR spada rok-do-roku) + Q4 seasonal multiplier.
Linia zolta = ile zamówień zrealizowane w danym miesiacu. Linia czerwona = % zamówień z opoznieniem. Widoczne Q4 seasonal spikes (pazdziernik-grudzien).
Kazda komorka = % opoznien dla danego dostawcy w danym miesiacu. Zielona = niskie ryzyko, czerwona = wysokie. Model uzywa tego jako 20 % wagi composite score.
Radar 5-wymiarowy (on-time 35 % · seasonal 20 % · trend 15 % · volume 10 % · quality 20 %). Porownanie top-3 vs bottom-3 dostawców — widac ktore wymiary decyduja o pozycji.