Ako pomocou AI analyzovať reklamácie a opakujúce sa chyby

Profesia: Manažér kvality (20. profesia zo 100) Výstup: Vyčistený register reklamácií, Pareto analýza, hypotézy príčin a plán overenia Situácia: Výrobná firma dodávajúca kartónové obaly. Všetky čísla sú modelové.

1. Sto sťažností ešte neznamená sto rôznych problémov

Manažér kvality dostáva každý mesiac reklamácie od obchodného oddelenia, skladu a zákazníckej podpory. Zákazník napíše „krabica sa sama otvára“, skladník označí problém ako „lepidlo“ a predajca ho zapíše ako „zlé uzatvorenie“. Tri záznamy môžu opisovať rovnaký typ vady – alebo tri odlišné situácie, ktoré sa podobajú len slovami.

Ak firma pošle do AI nevyčistenú tabuľku a opýta sa „Čo nám najviac zlyháva?“, dostane ľahko presvedčivú, no nepresnú odpoveď. Prvým cieľom je vybudovať konzistentnú klasifikáciu. Až potom možno zisťovať frekvenciu, závažnosť, súvislosti so šaržou a možné príčiny. ISO 10002:2018 opisuje spracovanie podnetov a reklamácií ako súčasť systému zlepšovania; metodika ASQ odporúča Pareto diagram pri určovaní, ktoré opakujúce sa problémy sú najvýznamnejšie.

AI pomôže spojiť podobné slovné opisy a odhaliť chýbajúce údaje. Nemá však z textu reklamácie sama stanoviť technickú príčinu výrobnej chyby ani rozhodovať o uznaní reklamácie.

2. Pripravte dátový súbor, ktorý sa dá skontrolovať

Pre každý podnet zaznamenajte jedinečné ID, dátum, produkt, výrobnú šaržu, popis od zákazníka, typ predbežne pozorovanej vady, závažnosť, počet dotknutých kusov, stav preverenia a odkaz na fotodokumentáciu. Pridajte informáciu, či ide o novú udalosť, doplnenie pôvodnej reklamácie alebo duplikát. Mená kontaktných osôb, adresy a ďalšie identifikátory nie sú potrebné pri prvom tematickom triedení; použite anonymizované pracovné exporty alebo firemne schválené prostredie.

Dohodnite aj jednotku analýzy. Počet reklamácií nie je počet chybných výrobkov. Jeden zákazník môže reklamovať 500 kusov v jednom podaní, iný jeden kus v troch správach. Zároveň nie každé opakované hlásenie znamená nový prípad. Všetky následné percentá musia mať jasne uvedený menovateľ.

3. Zjednoťte slovník vád, ale zachovajte pôvodný text

Pripravte pracovné kategórie: nedostatočné lepenie, nesprávna etiketa, deformácia obalu, oneskorená dodávka, iné a neurčené. Kategória „neurčené“ je potrebná: niektoré podnety neobsahujú dosť informácií. Pôvodné opisy neprepisujte natrvalo podľa návrhu modelu. Uložte originál aj novú kategóriu, prípadne mieru istoty.

Prompt 1 – Predbežné triedenie reklamácií

Pracuj ako asistent manažéra kvality. Vstupom sú
anonymizované reklamácie a schválený číselník vád.
Každému ID priraď najpravdepodobnejšiu kategóriu
iba podľa uvedeného dôkazu. Vráť: ID, pôvodný opis,
kategóriu, konkrétne slová podporujúce zaradenie,
istotu a potrebnú otázku na doplnenie.
Ak opis nestačí, použi 'neurčené'. Duplicitné záznamy
len označ na kontrolu; automaticky ich neodstraňuj.
Neurčuj koreňovú príčinu a nevymýšľaj chyby výrobných
liniek či pracovníkov. Oddeľ vadný výrobok od problému
dopravy a zákazníckej komunikácie.

Kvalitár porovná návrh AI s pôvodnými záznamami. Zmysluplný pilot je vzorka napríklad 30 prípadov, z toho časť zámerne nejasných. Ak model zamieňa poškodenie pri preprave s deformáciou vzniknutou vo výrobe, upravte definície kategórií alebo doplňte kontrolnú otázku. Nesnažte sa nepresné triedenie zakryť za celkovú percentuálnu zhodu.

4. Modelová Pareto analýza: kde sa hromadia podnety

Po manuálnom overení máme v ukážke 120 jedinečných reklamácií za sledovaný mesiac. Nasledujúce rozdelenie je vymyslené na demonštráciu výpočtu.

Prvé dve kategórie tvoria 80 zo 120 podaní, teda 66,7 % reklamácií. Súčet zaokrúhlených podielov v stĺpci môže byť 100,1 %; celkových 100,0 % je vypočítaných z nezaokrúhlených hodnôt. Nevyplýva z toho, že 66,7 % všetkých vyrobených obalov je chybných ani že presne dve príčiny vysvetľujú všetky ostatné. Ide o koncentráciu podnetov, nie o automatický dôkaz príčinného mechanizmu. Pareto diagram môže použiť aj náklady či čas, ale jednotky sa nesmú miešať bez vysvetlenia.

Pri každej kategórii skúmajte aj dopad. Dvadsať drobných estetických vád môže stáť menej než jedna vážna chyba, ktorá spôsobí poškodenie tovaru. Ak chyba predstavuje bezpečnostné riziko, eskalujte ju podľa interného krízového postupu bez ohľadu na nízku frekvenciu.

5. Porovnajte výskyt s objemom výroby

Samotný počet reklamácií rastie aj vtedy, keď firma predá viac výrobkov. Preto si zistite počet expedovaných alebo vyrobených kusov v zhodnom období a jednotke, prípadne šarži. Napríklad pri 40 prípadoch na 200 000 expedovaných kusov ide o 20 prípadov na 100 000 kusov, nie o 20 chybných kusov. Ak podanie obsahuje viac chybných kusov, na výpočet skutočnej miery kusovej chybovosti potrebujete osobitný údaj o počte overene chybných kusov.

Porovnávajte obdobia s rovnakou definíciou prípadu. Pri oneskorených reklamáciách nezabudnite na to, že sťažnosť môže prísť týždne po expedícii. Kvalitár by mal preveriť, či zmena výsledku nepochádza zo zmeneného spôsobu evidencie alebo z nástupu nového významného odberateľa.

6. Z podobnosti opisov ešte nevyplýva príčina

Šarža B24 môže mať viac podnetov na lepenie. Hypotézy sú napríklad nastavenie lepiacej linky, vlastnosť materiálu, teplota prostredia, čas skladovania alebo preprava. Jazykový model môže pomôcť s ich zoznamom, ale na výber jednej potrebujete dôkazy: záznamy nastavenia strojov, výsledky kontroly spojov, dáta o materiáli a časovú os výroby.

Prompt 2 – Podklady na odborné preverenie

Z overenej tabuľky reklamácií a výsledkov kontrol
vytvor analytický list pre tri najčastejšie kategórie.
Pri každej uveď frekvenciu, závažnosť, šarže, trend,
preukázané fakty a najviac päť hypotéz možnej príčiny.
K hypotéze priraď meranie alebo dokument, ktorý ju
môže potvrdiť alebo vyvrátiť. Navrhni vlastníka kontroly
a termín iba ak sú súčasťou podkladov; inak nechaj
pole na doplnenie. Označ nejednoznačné záznamy.
Nevyhlasuj koreláciu za príčinu a neurčuj vinníka.

Takto pripravený list poslúži na stretnutí výroby, kvality a technológie. Ak sa preukáže závada konkrétneho procesu, až potom navrhnite nápravné opatrenie podľa interného systému kvality. Hromadné preškolenie všetkých pracovníkov len preto, že je to rýchly návrh AI, môže problém skôr zakryť.

7. Overujte účinnosť, nie iba počet vybavených tiketov

Pri potvrdenej chybe lepenia môžete zaviesť dočasnú rozšírenú kontrolu a následne technickú úpravu procesu. Pred zmenou si určte základný stav, definíciu vady, sledované šarže a dĺžku pozorovania. Po zmene sledujte rovnaký ukazovateľ. Ak počet podaní klesne zo 48 na 15, ale objem predaja súčasne klesne na tretinu, nemožno hovoriť o rovnakom poklese rizika bez prepočtu na objem.

Zvlášť evidujte počet otvorených podnetov, priemerný čas riešenia a opakovaný výskyt po uzavretí opatrenia. Meranie účinnosti by malo mať vlastníka a dátum následnej kontroly. Uzavretá reklamácia nie je dôkazom, že sa technická chyba už nebude opakovať.

8. Čo má manažér kvality na konci dostať

Odovzdajte číselník vád s príkladmi, vyčistený register s dohľadateľnými pôvodnými zápismi, tabuľku podielov, porovnanie s objemom výroby a list hypotéz s návrhom overenia. AI šetrí čas najmä pri triedení voľného textu a príprave analytických pohľadov. Odborné posúdenie príčiny a účinnosti opatrení zostáva úlohou kvality, výroby a zodpovedného vedenia.

Odborné a overiteľné zdroje (23. 10. 2026)

1. ISO 10002:2018, Quality management – Customer satisfaction – Guidelines for complaints handling: https://www.iso.org/standard/71580.html
2. ASQ, What is a Pareto Chart?: https://asq.org/quality-resources/pareto
3. ASQ, Fishbone Diagram / Cause-and-Effect Diagram: https://asq.org/quality-resources/fishbone
4. EDPB, Anonymisation / pseudonymisation: https://www.edpb.europa.eu/topics/ai-and-technology/anonymisation-pseudonymisation_en