Predviđanjem potrošnje električne energije, elektrodistribucije mogu efikasnije da planiraju režim upotrebe generatorskih postrojenja, redovna održavanja elemenata mreže kao i potencijalnu trgovinu na marketu električne energije. Algoritmi mašinskog učenja mogu poslužiti kao alat za precizno predviđanje potrošnje u elektroenergetskim sistemima. Kroz ovaj rad implementirana su dva softverska rešenja za prognozu potrošnje električne energije na osnovu podataka vremenskih prilika koristeći LGBM algoritam u ML.NET-u i Pythonu-u, dok su rezultati predikcija su opisani i analizirani.

U ovom radu predstavljeni su osnovni pojmovi vezani za logistiku i skladište. Primenom Išikava dijagrama identifikovani su svi uzroci koji utiču na kvalitet usluge preduzeća DOO Uniprogres. Proces skladištenja je identifikovan kao najvči uzrok i za njega je dat predlog za unapređenje u vidu magacinskog softvera.