Symulowana firma · dane syntetyczne · 3 dashboardy

Symulowana firma. Prawdziwe decyzje biznesowe.

OldCamp Inc. to fikcyjny producent lodów z kompletem danych: dwa zakłady, cztery linie, dwadzieścia produktów i pięć sieci handlowych jako klienci. Każde studium przypadku bierze jedno pytanie, od którego zależą pieniądze, i kończy się rekomendacją z policzonym efektem.

Zobacz projekty Jak to działa

1,21 mln zł

rocznie do odzyskania na stratach produkcyjnych, bez inwestycji w linie

Waste Analytics

1,72 mln zł

sprzedaży utraconej w dwa lata, bo zamówione kartony nie dojechały do sieci

Case Fill Rate Monitor

20produktów 6marek 2zakłady 4linie produkcyjne 5sieci handlowych 104tygodnie danych

Łańcuch wartości

Od linii produkcyjnej do zamrażarki w sklepie

Każdy projekt obejmuje inny odcinek tego samego łańcucha. Najedź na pasek, aby zobaczyć jego zasięg, albo kliknij, aby przejść do projektu.

Produkcja

Ełk i Kalisz, 4 linie. Przezbrojenia, rozruchy, moce produkcyjne.

WasteFill rate

Magazyn mroźniczy

Zapas, minimalny termin dla sieci, odpisy po sezonie.

WasteFill rate

Dostawy do sieci

5 sieci, 8 centrów dystrybucyjnych, kary za braki.

Fill rate

Półka w sklepie

Cena, gazetka, ekspozycja i pogoda.

Waste Analytics · ile kosztuje wyprodukowanie Case Fill Rate Monitor · czy towar dojedzie do sieci

Studia przypadku

Trzy pytania, trzy interaktywne dashboardy

Każdy dashboard działa w przeglądarce, po polsku i angielsku, z filtrami, drill-downem, symulatorem i dostępem do danych źródłowych.

waste.konradkasperek.pl

Dashboard Waste Analytics: koszt strat tydzień po tygodniu

01Produkcja

Waste Analytics

Gdzie OldCamp traci lody i ile z tego da się odzyskać planowaniem?

Każdy kilogram straty z dwóch sezonów jest przypisany do etapu, linii, produktu i przyczyny, a potem wyceniony. Optymalizator sprawdza wszystkie kolejności smaków na każdej linii w każdym tygodniu, a odtworzenie zapasu tydzień po tygodniu pokazuje, kiedy zakończyć produkcję SKU sezonowych.

7,03 mln złkosztu strat w dwa sezony

62%kosztu wynika z planu produkcji

1,21 mln złrocznie do odzyskania, 34% strat

Model, który nie widział tygodni pilotażu, przewidział 84,4 kg straty na przezbrojenie. Pilotaż w Kaliszu zmierzył 84,1 kg.

PrzeglądOptymalizacjaDane źródłowe

Otwórz dashboard ↗

cfr.konradkasperek.pl

Dashboard Case Fill Rate Monitor: fill rate tydzień po tygodniu i braki według przyczyny

02Dostawy do sieci

Case Fill Rate Monitor

Ile zamówionych kartonów faktycznie dojeżdża do sieci i dlaczego reszta nie?

Zamówienia, prognoza, produkcja i zapasy w jednym modelu. Każdy niedostarczony karton dostaje przyczynę wyznaczoną z danych, bo kody z ERP niczego nie mówią, a każdy alert trafia do zespołu, który może go naprawić. Symulator alokacji wycenia regułę, według której sieci dostają towar, gdy go brakuje.

97,3%case fill rate przy celu 97,7%

87%braków to błąd prognozy i moce produkcyjne

−31%kar umownych przy innej regule alokacji

Prawdziwa przyczyna każdego braku jest wyznaczona kontrfaktycznie: symulacja jest powtarzana bez danego problemu. Reguły modelu trafiają w 67% kartonów, a dashboard pokazuje, gdzie się mylą.

PrzeglądMonitoring tygodniowySymulator alokacjiDane źródłowe

Otwórz dashboard ↗

Wspólne wątki

Te same siły wracają w każdym projekcie

Projekty dzielą produkty, pogodę i zakłady, więc jedna przyczyna zostawia ślad w kilku miejscach naraz. Dopiero razem widać pełny koszt.

Upał

PromocjeW tygodniach o ponad 2°C cieplejszych niż norma mediana wzrostu sprzedaży to +93% wobec +80%. Promocja wygląda lepiej, niż jest.
DostawyW upalne tygodnie lata kompletne dostawy spóźniają się w 11,5% przypadków, poza nimi w 1,5%.
StratyKoszty łańcucha chłodniczego i zwrotów rosną dwukrotnie, ale to tylko 5% strat. Nie tu jest priorytet.

Prognoza

DostawyPrognoza roślinnej marki Wild Oat jest o 23% za niska, bo nie nadąża za wzrostem marki. Jej fill rate to tylko 84,9%.
StratyPod koniec września prognozy trzech SKU sezonowych są ok. 14 razy wyższe niż zamówienia. W styczniu trafia to do odpisu: 789 tys. zł.

Linia patyczków w Ełku

DostawyLatem 2025 linia nie nadążała. Trzecia zmiana od kwietnia 2026 podniosła fill rate jej produktów w sezonie z 91,5% do 100%.
StratyPrzezbrojenie na tej linii kosztuje dziś 162 kg lodów. W najlepszej kolejności smaków: 44 kg.

Warstwa produktowa

Od wniosku do decyzji z właścicielem i ceną

Analityka OldCamp jest prowadzona jak produkt. Każdy wniosek przechodzi ten sam proces, trafia do backlogu albo do dziennika decyzji i kończy się pomiarem efektu.

kroków procesu

Sygnał, diagnoza, opcje z ceną, decyzja, pomiar. Na trzech prawdziwych przykładach.

pozycji na roadmapie

Ułożonych według efektu dla firmy, nie według funkcji. Teraz: prognoza popytu.

historyjek w backlogu

Z kryteriami akceptacji i priorytetem WSJF. Każda wyrasta z konkretnego wniosku.

decyzji w dzienniku

Z opcjami, właścicielem i efektem. Także te odłożone i te, które czekają.

Zobacz roadmapę, backlog i decyzje →

Jak to działa

Jeden szkielet, od surowych danych do decyzji

Wszystkie trzy projekty przechodzą tę samą drogę. Każdy krok jest zautomatyzowany i da się go odtworzyć jednym poleceniem.

Dane

Generator w Pythonie tworzy dwa lata tygodniowych danych z sezonem, pogodą i bałaganem jak w prawdziwym ERP. Stałe ziarno losowania daje powtarzalny wynik.

generator/generate.py

Model

DuckDB i SQL: reguły jakości danych, model gwiazdy i warstwa KPI. Każda metryka ma jedną definicję.

sql/01..08 · kpi_definitions.md

Analiza

Przyczyny braków, optymalizator kolejności smaków, symulatory promocji i alokacji, wszystko na parametrach oszacowanych z danych.

optimise.py · sql/07

Dashboard

Statyczny HTML, CSS i JavaScript z wykresami w SVG, bez frameworka i kroku build. Po polsku i angielsku.

dashboard/ · Vercel

Sprawdzone względem prawdy zaszytej w danych

Dane są syntetyczne, więc prawdziwe odpowiedzi są znane. Model ich nie czyta, a jego wyniki są z nimi porównane.

67%kartonów z trafnie wskazaną przyczyną braku, mierzone kontrfaktycznie

84,4 / 84,1 kgstrata na przezbrojenie: prognoza modelu wobec pomiaru w pilotażu

PythonSQLDuckDBJavaScriptSVGGitHub ActionsVercel