Gestiune stocuri cu AI (2026): prognoză și stoc de siguranță

Rafturi goale la produsele care se vând și bani blocați în cele care nu se mișcă: aceasta e, aproape întotdeauna, imaginea unui depozit cu 200–5.000 de SKU-uri administrat „din ochi”. Gestiunea stocurilor cu AI nu înseamnă, pentru o astfel de firmă, un proiect de machine learning, ci trei lucruri concrete: date curate din sistemele pe care le ai deja, o prognoză a cererii pe care o poți verifica și un stoc de siguranță calculat cu o formulă, nu cu o senzație. Ghidul de față le parcurge pe toate, cap-coadă, cu un exemplu numeric complet.

Ce înseamnă, de fapt, gestiune stocuri cu AI pentru o firmă fără data scientist

Când un patron de distribuție sau un manager de magazin online caută „gestiune stocuri cu AI”, găsește două lumi care nu comunică: platforme de planificare pentru companii cu zeci de mii de SKU-uri și echipe dedicate, respectiv articole generice despre „cum AI-ul optimizează inventarul”. Între ele lipsește exact zona în care stă majoritatea firmelor din România: câteva sute sau câteva mii de articole, un ERP sau un program de gestiune, un Excel cu comenzile către furnizori și o persoană care decide cât se comandă.

Pentru această zonă, AI-ul folositor are trei niveluri, în ordinea în care merită parcurse:

1. Asistentul AI ca analist de date: îi dai istoricul de vânzări exportat din gestiune și îi ceri să-l curețe, să clasifice produsele, să calculeze deviații și să-ți explice ce vede. Nu are nevoie de cod din partea ta și funcționează de mâine.
2. Funcțiile de prognoză din uneltele existente: Excel are exponential smoothing încorporat, cu detectare automată a sezonalității; programele de gestiune au rapoarte de rotație și de vechime a stocului. Le folosești înainte să cumperi ceva.
3. Modele de prognoză dedicate: abia când ai sute de SKU-uri cu cerere volatilă, mai multe locații și un cost al rupturilor pe care îl poți cuantifica. Aici intervin regresia cu quantile, forecasting-ul probabilistic și reaprovizionarea automată cu garduri de siguranță; sunt tratate pe larg, cu parametrii și capcanele lor, în cursul AI în Operațiuni și Supply Chain, inclusiv modulele despre demand forecasting practic, safety stock inteligent și replenishment cu guardrails.

Contextul contează: în 2025, potrivit Eurostat, doar 5,2 % dintre întreprinderile cu cel puțin 10 angajați din România foloseau tehnologii AI, față de o medie de 20,0 % în UE. Miza nu e mică: estimarea grupului de analiză IHL, citată de Retail Insight Network, pune costul global al rupturilor și al suprastocului în retail la aproximativ 1,7 trilioane USD în 2026, echivalentul a 6,2 % din vânzări. E o medie globală, nu o cifră pentru firma ta, dar arată ordinul de mărime: problema stocului greșit se măsoară în procente din vânzări, nu în erori marginale.

Articolul acesta ține doar de stocuri. Pentru panorama celorlalte zone în care AI-ul intră în operațiuni (rute, depozit, mentenanță, furnizori), vezi ghidul de AI în supply chain pentru manageri de operațiuni.

Datele pe care le ai deja: ERP, SmartBill, eMAG, Shopify

Nicio prognoză nu e mai bună decât istoricul din care pornește, iar istoricul există deja în sistemele tale. Ce ai nevoie este un tabel simplu: SKU, dată (zi sau săptămână), cantitate vândută, stoc la finalul perioadei, preț, flag de promoție. Restul sunt detalii de export.

Două lucruri pe care le uită aproape toți la primul export. Primul: lead time-ul real pe fiecare furnizor nu e cel din contract, ci diferența dintre data lansării comenzii și data recepției, din ultimele 10–20 de comenzi. Ai nevoie de el pentru stocul de siguranță. Al doilea: stocul la finalul fiecărei zile, nu doar vânzările; fără el nu poți ști în ce zile ai vândut zero pentru că nu s-a cerut și în ce zile ai vândut zero pentru că nu aveai.

Cum lucrezi practic cu fișierele exportate, ce poți urca într-un asistent AI și ce nu (date personale ale clienților, prețuri de achiziție confidențiale), ce verifici înainte să te încrezi într-un răspuns: toate sunt tratate în ghidul de analiză de date cu AI fără cod și, pe larg, în cursul Analiză de Date cu AI fără Cod.

Curățarea datelor: cererea reală nu e egală cu vânzările înregistrate

Aici se decide calitatea întregului flux, iar aici sar toți. Istoricul de vânzări are trei distorsiuni sistematice pe care un model, oricât de sofisticat, le va învăța ca pe adevăr dacă nu le corectezi.

Rupturile de stoc ascund cererea. În zilele în care produsul lipsea, vânzările sunt zero, dar cererea nu a fost zero. Dacă lași zerourile în serie, modelul învață o cerere mai mică decât cea reală, comandă mai puțin, produci din nou ruptură și cercul se închide. Procedura simplă: marchezi zilele cu stoc zero (din coloana de stoc la finalul zilei) și înlocuiești vânzările din acele zile cu media zilelor comparabile (aceeași zi a săptămânii, aceeași lună, fără promoție). Nu e perfect, dar e mult mai aproape de adevăr decât zero.

Promoțiile umflă cererea de bază. O reducere de două săptămâni ridică vânzările, apoi le scade sub normal câteva zile, pentru că mulți clienți și-au făcut stoc acasă. Dacă nu marchezi promoția, modelul va prognoza un vârf care nu vine și un gol care nu există. Minimul necesar: o coloană „promoție da/nu” și, dacă ai, adâncimea reducerii. Prognozezi cererea de bază și adaugi separat efectul promoțiilor planificate.

Sezonalitatea are nevoie de cel puțin două cicluri. Pentru un tipar anual (jucării în decembrie, grădinărit în aprilie), ai nevoie de minimum doi ani de istoric ca funcția de prognoză să distingă sezonul de trend. Cu un singur an, orice creștere din toamnă poate fi citită fie ca sezon, fie ca trend, iar cele două duc la comenzi complet diferite.

La acestea se adaugă igiena obișnuită: SKU-uri redenumite sau dublate (același produs sub două coduri, după schimbarea furnizorului), retururi înregistrate ca vânzări negative, comenzi B2B mari care distorsionează media unui produs de retail. Un asistent AI face această curățare bine dacă îi descrii regulile explicit; o face prost dacă îi ceri „curăță datele”.

Checklist: ce pregătești înainte de orice AI

• Export pe SKU și zi (sau săptămână) pentru minimum 24 de luni, cu cantitate vândută, stoc final, preț și flag de promoție.
• Lead time-ul real pe furnizor: media și deviația standard din ultimele 10–20 de comenzi (data lansării → data recepției).
• Zilele cu stoc zero identificate și cererea reconstruită din zilele comparabile.
• Promoțiile marcate; comenzile B2B excepționale separate de vânzarea de retail.
• Un singur cod per produs; retururile și corecțiile de inventar scoase din seria de vânzări.
• Costul unitar de achiziție pe SKU (pentru clasificarea ABC pe valoare și pentru cash-ul blocat).
• Un nivel de serviciu țintă decis de management pe clasă de produs, nu 99 % „ca să fim siguri”.
• Un fișier „adevăr” ținut deoparte: ultimele 3 luni, pe care nu le arăți modelului, ca să-l poți testa.

Fluxul de prognoză fără cod: Excel + un asistent AI

Fluxul de mai jos rulează în Excel pentru Microsoft 365 (desktop) și într-un asistent AI generalist (ChatGPT, Claude, Copilot) și e un punct de plecare solid pentru SKU-urile cu cerere regulată. Nu are nevoie de cod; are nevoie de disciplină.

Pasul 1. Agregă la săptămână. Pentru un SKU vândut de câteva ori pe zi, seria zilnică e zgomot. Agregarea săptămânală netezește zilele și păstrează sezonalitatea. Excepție: produsele proaspete, unde ziua contează.

Pasul 2. Prognozează cu FORECAST.ETS. Funcția folosește exponential smoothing (varianta AAA) și, cu argumentul seasonality lăsat pe valoarea implicită 1, detectează automat lungimea sezonului; documentația Microsoft precizează că acceptă până la 30 % puncte lipsă în cronologie și că funcția nu e disponibilă în Excel pentru web, iOS sau Android. Sintaxa: =FORECAST.ETS(data_țintă; valori; cronologie; [sezonalitate]; [completare_date]; [agregare]). Pentru fiecare SKU obții prognoza pe următoarele săptămâni, iar funcția-soră FORECAST.ETS.CONFINT îți dă intervalul de încredere în jurul ei, adică exact informația de care ai nevoie ca să înțelegi cât de incertă e cererea, nu doar cât e „cel mai probabil”.

Pasul 3. Testează pe trecut înainte să comanzi pe viitor. Rulezi prognoza pe istoricul până acum 3 luni și o compari cu ce s-a vândut efectiv în acele 3 luni (fișierul „adevăr” din checklist). Calculezi eroarea și bias-ul (formulele sunt în tabelul de metrici de mai jos). Dacă modelul subestimează sistematic, ai încă zerouri necorectate în istoric; dacă supraestimează, probabil a învățat promoțiile ca cerere normală.

Pasul 4. Folosește asistentul AI pentru ce nu face Excel singur. Urci fișierul curățat (fără date personale) și îi ceri, explicit: „Calculează pentru fiecare SKU media săptămânală, deviația standard și coeficientul de variație pe ultimele 52 de săptămâni; clasifică ABC după valoarea vânzărilor (80/15/5) și XYZ după coeficientul de variație cu pragurile 0,5 și 1,0; returnează tabelul și explică pe scurt cele 10 SKU-uri cu cea mai mare eroare de prognoză din testul de mai jos”. Cu date structurate în tabel, Copilot în Excel răspunde direct la întrebări despre tendințe, valori aberante și proiecții, folosind analiză bazată pe Python în spate; ChatGPT și Claude fac același lucru pe fișierul încărcat. Rolul tău e să verifici pe 3–5 SKU-uri, manual, că cifrele returnate sunt cele din fișier. Pentru comparația celor trei căi (Copilot nativ, asistent ca ajutor de formule, fișier urcat în chat), vezi ghidul de AI în Excel.

Pasul 5. Transformă prognoza în comenzi. Prognoza spune cât se va cere; comanda depinde de stocul actual, de ce e deja pe drum, de lead time și de stocul de siguranță. Formula punctului de recomandă de mai jos face legătura.

Când ai nevoie de mai mult decât Excel

Excel și un asistent sunt suficiente cât timp SKU-urile au cerere regulată, o singură locație și lead time-uri stabile. Semnalele că ai depășit acest prag: multe SKU-uri cu cerere intermitentă (săptămâni cu zero urmate de o comandă mare), mai multe depozite sau magazine între care ai vrea să muți stoc, promoții frecvente cu efecte încrucișate între produse, sau peste câteva mii de SKU-uri pe care nu le mai poți revizui manual. Atunci ai nevoie de forecasting probabilistic (o distribuție a cererii, din care iei percentila corespunzătoare nivelului de serviciu, nu o singură cifră plus o formulă), de un model care primește promoțiile și calendarul ca variabile și de reguli de reaprovizionare automată cu garduri de siguranță: limită de valoare pe comandă, limită de cantitate pe SKU, alertă când comanda depășește cu mult prognoza. Sunt subiectele modulelor „Forecasting, Inventory și Planning cu AI” din cursul de operațiuni.

Clasificarea ABC/XYZ: politica de stoc pe fiecare celulă

Nu toate produsele merită același efort. ABC le împarte după valoarea vânzărilor (A: primele ~80 % din valoare, B: următoarele ~15 %, C: restul ~5 %), iar XYZ după regularitatea cererii, măsurată prin coeficientul de variație (deviația standard împărțită la medie): X sub 0,5 (stabilă), Y între 0,5 și 1,0 (moderată), Z peste 1,0 (volatilă sau intermitentă). Pragurile sunt convenții, nu legi; ajustează-le la portofoliul tău. Combinația dă nouă celule, fiecare cu propria politică:

Regula pe care o încalcă aproape toate firmele la prima analiză: același nivel de serviciu pentru toate produsele. Costul stocului de siguranță crește neliniar cu nivelul de serviciu (vezi tabelul cu z de mai jos), iar 99 % pe un produs din clasa C e bani aruncați.

Stocul de siguranță: formula explicată corect

Stocul de siguranță (safety stock) e cantitatea ținută peste cererea așteptată din perioada de aprovizionare, ca să acopere două incertitudini: cererea poate fi mai mare decât media, iar furnizorul poate întârzia. Formula statistică standard, așa cum e prezentată în articolul de referință despre safety stock, combină ambele:

SS = z × √( L̄ × σ_D² + D̄² × σ_L² )

z    = factorul nivelului de serviciu (din distribuția normală)
L̄    = lead time-ul mediu (în zile)
σ_D  = deviația standard a cererii zilnice
D̄    = cererea medie zilnică
σ_L  = deviația standard a lead time-ului (în zile)

Sub radical stă varianța cererii din perioada de aprovizionare: prima parte vine din variația cererii pe durata lead time-ului, a doua din variația lead time-ului înmulțită cu cererea medie. Dacă furnizorul livrează întotdeauna în același număr de zile (σ_L = 0), formula se reduce la varianta pe care o vezi cel mai des: SS = z × σ_D × √L̄.

Nivelul de serviciu și z. „Nivel de serviciu 95 %” înseamnă, în această formulă, că în 95 % dintre ciclurile de aprovizionare nu vei rămâne fără stoc înainte de recepție. Factorul z e cuantila distribuției normale pentru acel procent; în Excel îl obții cu =NORM.S.INV(0,95).

Ultimul punct procentual costă cel mai mult: de la 98 % la 99,5 % stocul de siguranță crește cu un sfert pentru un câștig de un procent și jumătate în disponibilitate. De aceea nivelul de serviciu se decide pe celulă ABC/XYZ, nu global.

Limitele formulei, spuse cinstit. Formula presupune că cererea e distribuită normal și că cererea și lead time-ul sunt independente. Sursa citată mai sus avertizează explicit că nu există o formulă universală pentru stocul de siguranță și că aplicarea mecanică a acesteia poate face pagube: cererea reală nu poate fi negativă, ceea ce deformează distribuția la produsele cu variație mare; cererile succesive nu sunt independente; iar pe un produs sezonier calculul pe media anuală produce rupturi vara și risipă iarna. Practic: pentru celulele X și Y formula funcționează bine dacă o recalculezi pe sezon; pentru Z (cerere intermitentă) ea supradimensionează sau subdimensionează grav, iar acolo ai nevoie fie de decizie umană, fie de un model probabilistic.

Punctul de recomandă și un exemplu numeric complet

Punctul de recomandă (reorder point, ROP) e nivelul de stoc la care lansezi comanda următoare, astfel încât marfa să ajungă înainte să consumi stocul de siguranță:

ROP = D̄ × L̄ + SS

Ipotezele exemplului (un SKU din clasa A/Y al unui distribuitor, cifre alese pentru claritate, nu dintr-un caz real):

• cererea medie zilnică D̄ = 40 bucăți, cu deviația standard σ_D = 12 bucăți (calculată pe ultimele 52 de săptămâni, după corectarea zilelor cu stoc zero);
• lead time mediu L̄ = 10 zile, cu deviația standard σ_L = 2 zile (din ultimele 15 comenzi la furnizor);
• nivel de serviciu țintă 95 %, deci z = 1,645;
• cost de achiziție 25 lei/bucată.

Calculul:

L̄ × σ_D²  = 10 × 144   = 1.440
D̄² × σ_L² = 1.600 × 4  = 6.400
suma       = 7.840  →  √7.840 = 88,5
SS  = 1,645 × 88,5 ≈ 146 bucăți
ROP = 40 × 10 + 146 = 546 bucăți

Când stocul disponibil plus cantitatea deja comandată scad sub 546 de bucăți, lansezi comanda. Stocul de siguranță de 146 de bucăți imobilizează 3.650 lei la cost de achiziție; dacă îți costă capitalul și depozitarea, la un loc, 20 % pe an, acest SKU te costă circa 730 lei pe an ca să nu ai rupturi în 19 cicluri din 20.

Trei observații care schimbă decizii:

• Lead time-ul variabil cântărește mai mult decât cererea variabilă. Din cei 7.840 de sub radical, 6.400 vin din cele două zile de deviație ale furnizorului. Dacă ai ignora variația lead time-ului (formula simplificată), ai obține SS = 1,645 × 12 × √10 ≈ 62 de bucăți, adică mai puțin de jumătate, și ai avea rupturi mult mai des decât 1 din 20. Concluzia practică: un furnizor care livrează constant în 12 zile e mai bun pentru stoc decât unul care livrează „în 10, de obicei”.
• 99 % în loc de 95 % costă 41 % mai mult stoc. La z = 2,326, SS ≈ 206 bucăți și ROP = 606. Pentru un produs A merită; pentru un C nu.
• Recalculezi, nu setezi o dată. Deviația cererii se schimbă cu sezonul, lead time-ul se schimbă cu furnizorul. Un parametru calculat în ianuarie și lăsat așa până în decembrie e greșit în ambele direcții pe parcursul anului.

Cum măsori: metrici cu formulă

Fără măsurare, „am implementat AI în stocuri” e o afirmație, nu un rezultat. Tabelul de mai jos e minimul pe care îl urmărești lunar; formulele sunt cele din modulul de forecasting al cursului și se calculează în Excel din aceleași exporturi.

Două reguli de citire. Compară prognoza cu realitatea la aceeași granularitate la care comanzi (dacă comanzi săptămânal, măsoară eroarea săptămânală). Și raportează metricile pe clasă: o WMAPE globală de 25 % poate ascunde 12 % pe A și 60 % pe C, ceea ce e perfect acceptabil, sau 40 % pe A, ceea ce nu e.

Capcane: bullwhip, supra-încredere și alte moduri de a strica un sistem bun

Efectul de bici (bullwhip). Fenomenul a fost descris de Hau Lee, V. Padmanabhan și Seungjin Whang în MIT Sloan Management Review, 1997, pornind de la observația Procter & Gamble că, deși consumul de scutece era stabil, comenzile distribuitorilor oscilau mult mai tare, iar cele către furnizorii P&G și mai tare. Fiecare verigă răspunde la o mică variație cu o comandă mai mare „ca să fie sigură”, iar variația se amplifică în amonte. Într-un IMM, îl produci singur când reacționezi la o săptămână bună mărind comanda și stocul de siguranță, apoi la o săptămână slabă tăindu-le. Antidotul e disciplina parametrilor: recalculezi pe date, nu pe emoția ultimei săptămâni.

Supra-încrederea în model. O prognoză cu două zecimale pare precisă; e doar precisă în afișare. Interval de încredere, test pe trecut și bias pe clasă sunt singurele lucruri care îți spun cât să te încrezi în ea. Dacă un asistent AI îți returnează o prognoză fără să-i fi cerut eroarea pe date istorice, nu ai o prognoză, ai o cifră.

Efectul de clichet. După fiecare ruptură cineva mărește stocul de siguranță; nimeni nu-l reduce când lucrurile merg bine. În câțiva ani parametrii ajung la niveluri fără legătură cu cererea. Regula: revizuire bidirecțională, la interval fix, pe formulă.

Prognoza confundată cu planul de vânzări. Planul comercial are un optimism încorporat; dacă intră în calculul comenzilor, suprastocul e sistematic. Prognoza statistică e input pentru aprovizionare, planul de vânzări e un document comercial; se reconciliază în ședința de planificare, nu în formulă.

Cantitatea minimă de comandă și transportul. Formula spune „comandă 146”; furnizorul acceptă minimum 500, iar paletul are 48. Reaprovizionarea reală înseamnă rotunjire la lot, consolidare pe furnizor și, uneori, amânarea unei comenzi ca să umpli camionul. Aceste constrângeri trebuie scrise explicit în fișierul de comenzi, altfel „AI-ul” va fi corectat manual în fiecare dimineață și nimeni nu va mai avea încredere în el.

Datele personale în asistent. Istoricul de vânzări pe SKU nu conține date personale; exportul de comenzi din marketplace, da (nume, adrese, telefoane). Le scoți înainte să urci fișierul: pentru o prognoză ai nevoie de SKU, dată și cantitate, nu de cine a cumpărat. Iar dacă vinzi online, felul în care stocul se leagă de restul operațiunilor unui magazin (descrieri, căutare, promoții, retururi) e în ghidul de AI pentru magazine online.

Întrebări frecvente

Ce înseamnă gestiune stocuri cu AI pentru o firmă mică, fără specialist în date? Trei pași fără cod: exporți istoricul de vânzări și de stoc din gestiune, îl cureți cu ajutorul unui asistent AI (zile cu stoc zero, promoții, coduri duplicate), apoi prognozezi cererea cu funcțiile de exponential smoothing din Excel și calculezi stocul de siguranță și punctul de recomandă cu formula standard. Modelele dedicate vin abia când portofoliul, locațiile sau volatilitatea depășesc ce poate ține un Excel.

Cum se calculează stocul de siguranță? Cu formula SS = z × √(L̄ × σ_D² + D̄² × σ_L²): z e factorul nivelului de serviciu (1,645 pentru 95 %), L̄ și σ_L sunt media și deviația standard a lead time-ului, D̄ și σ_D media și deviația standard a cererii zilnice. În exemplul din articol (40 buc/zi, σ_D = 12, 10 zile, σ_L = 2, 95 %) rezultă 146 de bucăți, iar punctul de recomandă e 40 × 10 + 146 = 546.

Câte date istorice sunt necesare pentru o prognoză a cererii? Pentru produse cu sezonalitate anuală, minimum doi ani, ca funcția să poată separa sezonul de trend. Pentru produse fără sezonalitate, câteva luni de date săptămânale sunt suficiente pentru un prim model, cu condiția ca zilele cu stoc zero să fie corectate; altfel istoricul reflectă ce ai avut pe raft, nu ce s-a cerut.

Ce nivel de serviciu ar trebui să aleg? Depinde de celula ABC/XYZ: ridicat (97–99 %) pentru produsele cu valoare mare și cerere stabilă, moderat (85–95 %) pentru clasa B, scăzut (80–90 %) pentru clasa C. Costul stocului de siguranță crește neliniar: de la 95 % la 99 % ai nevoie de circa 41 % mai mult stoc pentru același produs, așa că 99 % pe toate SKU-urile blochează bani fără câștig proporțional.

Poate Excel să facă prognoza cererii fără programe suplimentare? Da, în versiunile desktop pentru Microsoft 365: FORECAST.ETS aplică exponential smoothing cu detectarea automată a sezonalității și tolerează până la 30 % date lipsă, iar FORECAST.ETS.CONFINT dă intervalul de încredere. Funcțiile nu sunt disponibile în Excel pentru web, iOS sau Android. Limitele apar la cererea intermitentă și la promoțiile frecvente, unde ai nevoie de modele probabilistice.

Concluzie

Gestiunea stocurilor cu AI, pentru o firmă cu câteva sute sau câteva mii de SKU-uri, începe cu date pe care le ai deja și cu o curățare pe care nimeni nu vrea s-o facă: cererea reconstruită în zilele cu stoc zero, promoțiile marcate, lead time-ul măsurat, nu presupus. Peste ele, un flux în Excel cu un asistent AI dă prognoze verificabile pe testul pe trecut, iar formula stocului de siguranță, cu ambele variabilități și cu nivelul de serviciu decis pe celulă ABC/XYZ, transformă prognoza în puncte de recomandă. Exemplul numeric arată și lecția cea mai puțin intuitivă: variația lead time-ului cântărește adesea mai mult decât variația cererii, iar un furnizor constant valorează mai mult decât unul rapid. Măsori lunar WMAPE, bias, rupturi, rotație și cash blocat, pe clasă, și recalculezi parametrii la interval fix, în ambele direcții. Modelele probabilistice și reaprovizionarea automată sunt pasul următor, nu primul.

Surse

• Eurostat, „20% of EU enterprises use AI technologies” (11 decembrie 2025): https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2
• Retail Insight Network, „How overstock, stockouts, and returns cost retail $1.75tn” (6 august 2026), cu estimarea IHL Group pentru 2026: https://www.retail-insight-network.com/features/how-overstock-stockouts-and-returns-cost-retail-1-75tn/
• Wikipedia, „Safety stock” (formula cu variabilitatea cererii și a lead time-ului, punct de recomandă, limitele ipotezei de normalitate): https://en.wikipedia.org/wiki/Safety_stock
• Microsoft Support, „FORECAST.ETS function”: https://support.microsoft.com/en-us/office/forecast-ets-function-15389b8b-677e-4fbd-bd95-21d464333f41
• SmartBill Gestiune, „Rapoarte pentru gestionarea stocului”: https://ajutorgestiune.smartbill.ro/category/426-rapoarte-pentru-gestionarea-stocului
• Hau L. Lee, V. Padmanabhan, Seungjin Whang, „The Bullwhip Effect in Supply Chains”, MIT Sloan Management Review, 1997: https://sloanreview.mit.edu/article/the-bullwhip-effect-in-supply-chains/

Articol informativ, publicat la 27 septembrie 2026. Cifrele de piață și funcțiile de software citate provin din sursele de mai sus, consultate la aceeași dată; exemplul numeric folosește ipoteze declarate, nu date ale unei firme reale.