# Prognozowanie popytu w handlu detalicznym: metody, dane i korzyści

> Dowiedz się, jak działa prognozowanie popytu w handlu detalicznym, jakich metod używać, jakich danych wymaga i jak ograniczyć braki towaru oraz nadmiar zapasów dzięki lepszemu planowaniu zapasów.

Source: https://www.electe.net/pl/post/demand-forecasting-for-retail

Site guide: https://www.electe.net/pl/llms.txt

Brak towaru zwykle zrzuca się na dostawcę. Najczęściej problem zaczyna się jednak bliżej. [Badanie zapasów w handlu detalicznym zaprezentowane na konferencji IEOM Society w Bangladeszu w 2025 roku](https://ieomsociety.org/proceedings/bangladesh2025/372.pdf) wskazuje, że **od 51% do 73% braków towaru w supermarketach ma źródło wewnątrz samej operacji handlowej**, a wśród głównych przyczyn są niedokładne prognozy (w tym niedoszacowanie popytu) oraz błędy w zamówieniach.

To zmienia sposób patrzenia na zadanie. **Prognozowanie popytu w handlu detalicznym** nie polega na wyborze najbardziej zaawansowanego algorytmu. To dyscyplina operacyjna: wyciągnięcie rzetelnych sygnałów popytu z danych, które braki towaru i promocje już zniekształciły, dopasowanie metody do tego, jak sprzedaje się dany produkt, oraz podpięcie wyniku pod punkty ponownego zamówienia, z których kupiec skorzysta w poniedziałek rano.

Ten przewodnik obejmuje cały cykl. Zobaczysz, co powinna dostarczać prognoza, które dane wejściowe mają największe znaczenie, jak porównują się sześć popularnych metod w zależności od sytuacji handlowej, dlaczego produkty wolnorotujące wymagają innej architektury, jak gromadzenie zapasów przez klientów i przesunięcia między kanałami zawyżają pozorny efekt promocji, któremu wskaźnikowi błędu ufać przy której decyzji oraz pięciostopniową kontrolę do wykonania przed kolejnym cyklem zakupowym.

## Co oznacza prognozowanie popytu na sali sprzedaży

Prognoza pogody zyskuje zaufanie, gdy jest lokalna i precyzyjna czasowo: szansa na deszcz w Twoim mieście we wtorek po południu wystarczy, by zdecydować, czy wziąć parasol. Prognozowanie popytu robi to samo dla zapasów. Szacuje, ile sztuk konkretnego towaru klienci kupią w konkretnym sklepie w konkretnym tygodniu, aby kupiec zamówił właściwą ilość, a nie tylko prawdopodobną.

Poniższe pięć kroków to cała idea w miniaturze, od prognozy do zamówienia zakupu, które powinna uruchomić.

Celem jest popyt, a nie suma sprzedaży, którą zarejestrowała kasa. Zero zapisane, gdy półka z szamponami była pusta, to popyt ocenzurowany; skok promocyjny może być pożyczony z kolejnych dwóch tygodni lub odebrany pobliskiemu sklepowi. Średnie dla kategorii i raporty miesięczne ukrywają te problemy na poziomie towaru i sklepu, dlatego sygnał musi pozostać szczegółowy i być często odświeżany.

Cykl pracy wygląda tak:

1. **Zbierz** historię sprzedaży i stanów magazynowych według towaru, sklepu i dnia, w tym dni, w których półka była pusta.
2. **Oczyść i ujednolić** dane: jedna jednostka miary, jeden kalendarz, brak zduplikowanych wierszy, gdy system sklepu koryguje dane za dany tydzień.
3. **Dopasuj model i prognozuj** popyt dla każdej pary towar–sklep, na poziomie szczegółowości potrzebnym do decyzji o zamówieniu.
4. **Zamień prognozę na zamówienia i zapas bezpieczeństwa**, uwzględniając czasy dostaw i obiecany poziom obsługi.
5. **Mierz błędy i koryguj** towar po towarze, a nie raz w roku przy budżecie.

Każdy krok chroni przed jednym z trzech kosztów. Zaniżona prognoza oznacza utraconą sprzedaż, której nie odzyskasz, bo klient kupuje zamiennik lub wychodzi. Zawyżona prognoza oznacza gotówkę zamrożoną w zapasie, który trzeba przecenić. Jeśli ilość jest z grubsza trafna, ale termin zły, płacisz podwójnie: premie za pilny transport zamówienia i koszty magazynowania nadwyżki.

> **Zasada, która oszczędza najwięcej:** prognoza zarabia na siebie tylko wtedy, gdy działa na jej podstawie reguła uzupełniania zapasów. Idealna liczba w raporcie nic nie zmienia na półce.

## Dane wejściowe i to, jak braki towaru je zniekształcają

Zanim porównasz modele, przyjrzyj się temu, co do nich trafia. Dane, które najbardziej poprawiają trafność w handlu detalicznym, są przewidywalne i nieefektowne, a w wielu zespołach brakuje dwóch lub trzech z nich.

- **Historia sprzedaży według towaru, sklepu i dnia.** Wszystko, co bardziej zagregowane, ukrywa tygodnie promocji i weekendowe skoki, które niosą sygnał.
- **Stan magazynowy i czas trwania braków.** Bez nich nie odróżnisz spokojnego tygodnia od pustej półki.
- **Ceny i głębokość rabatów.** Obniżka o 10% i o 30% nie dają tej samej krzywej reakcji, więc zapisuj cenę półkową, którą płacą klienci, a nie cenę katalogową.
- **Kalendarz promocji**, wraz z ekspozycją i reklamą w gazetkach.
- **Święta i lokalne wydarzenia.** Szkolny festyn dwie ulice dalej przesuwa więcej wody butelkowanej niż święto państwowe.
- **Pogoda**, zwłaszcza dla kategorii świeżych, sezonowych i ogrodowych.
- **Ceny konkurencji**, wszędzie tam, gdzie możesz je obserwować w sposób spójny.
- **Czasy dostaw i opóźnienia dostawców**, które decydują o tym, jak duży zapas potrzebujesz.

### Dlaczego pusta półka zapisuje fałszywe zero

Załóżmy, że Twój szampon sprzedaje się średnio w 40 sztukach tygodniowo, a półka stoi pusta przez trzy dni. Te dni zapisują zerową sprzedaż. Model wytrenowany na takiej historii uczy się, że popyt spada, gdy kończy się zapas, co jest odwrotnością prawdy. Klienci, którzy nic nie znaleźli, nie zmienili zdania; poszli gdzie indziej.

Opóźnienia dostawców, wolne uzupełnianie i Twoje własne decyzje zamówieniowe cenzurują sprzedaż dokładnie tak samo. Model nie potrafi odróżnić utraconej sprzedaży od utraconego zainteresowania i będzie dalej zaniżał zamówienia na towar, który wyprzedaje się najszybciej.

Ten problem jest dobrze udokumentowany. [Przegląd z 2026 roku dotyczący uczenia maszynowego w prognozowaniu w handlu detalicznym](https://link.springer.com/content/pdf/10.1007/s10462-026-11723-2_reference.pdf) wskazuje niekompletne zbiory danych, rozproszone potoki danych, zmieniające się zachowania klientów, promocje, reakcje konkurencji i sezonowość jako przyczyny obciążonych i niestabilnych modeli. Ten sam przegląd przywołuje badanie **661 specjalistów ds. zapasów**, w którym **51% czasem realizowało prognozy, które już uważało za niewiarygodne**, bo brakowało lepszej alternatywy, a zmiany taryf i polityki handlowej (19%) oraz inflacja lub wahania cen surowców (17%) znalazły się wśród największych czynników zakłócających.

### Czterostopniowa naprawa, po kolei

1. **Oznacz każdy dzień braku towaru** w historii sprzedaży, podając liczbę godzin lub dni, w których produkt był niedostępny.
2. **Oszacuj utraconą sprzedaż** z tych dni na podstawie porównywalnych produktów w tym samym sklepie i tygodniu.
3. **Oznacz każdy okres** jako dostępny lub ograniczony, zanim rozpocznie się jakikolwiek trening modelu.
4. **Trenuj model na skorygowanej historii i porównuj wyniki na tygodniach wyłączonych z treningu**, nigdy na tygodniach, które zostały poprawione.

W większości małych i średnich firm ta praca poprawia dokładność bardziej niż zmiana algorytmu. Model uczy się tylko tego, co zawierają dane; jeśli zapis pokazuje, że popyt spadł podczas braku towaru, bardziej wyrafinowana architektura po prostu szybciej nauczy się błędnej zależności. Nasz [poradnik ELECTE o integracji wielu źródeł danych](https://www.electe.net/post/multi-source-data-integration) opisuje, jak połączyć dane o sprzedaży, zapasach i promocjach w jednej użytecznej tabeli.

## Porównanie metod prognozowania w zależności od sytuacji w handlu detalicznym

Nie istnieje jedna najlepsza metoda, jest tylko metoda dopasowana do sytuacji. Poniższa tabela to zestawienie, które chciałbym mieć przypięte nad biurkiem planisty.

MetodaNajlepsza sytuacja w handlu detalicznymWymagane daneMocna stronaNa co uważaćŚrednia ruchoma lub wygładzanie wykładniczeStabilne produkty o dużym wolumenie1–2 lata tygodniowej sprzedażyProsta, tania i łatwa do wyjaśnieniaPomija promocje i zmiany sezonoweModele sezonowe, takie jak SARIMAProdukty o wyraźnych cyklach tygodniowych lub rocznychHistoria z co najmniej dwóch sezonówUwzględnia trend i sezonowośćSłabo radzi sobie z tysiącami szeregów jednocześnieMetody z rodziny CrostonaSporadyczna sprzedaż, wolnorotujące SKUHistoria sprzedaży z wieloma okresami zerowymiOddziela częstotliwość sprzedaży od jej wielkościZły wybór dla produktów sprzedających się równomiernieRegresja z cechami promocji i cenKategorie napędzane promocjamiKalendarz promocji i historia cenPokazuje, jak każdy czynnik wpływa na popytPrzestaje działać, gdy promocji jest małoZespoły drzew decyzyjnych, takie jak XGBoost lub LightGBMDuże portfele produkt–sklepSprzedaż, kalendarz, promocje i cenyUczy się na wielu powiązanych szeregachWymaga czystych danych i stałego monitorowaniaHybrydowe zespoły LSTM-XGBoostSieci wielokategoriowe z bogatymi sygnałami36 miesięcy danych z punktów sprzedaży i promocjiObniżyły średni bezwzględny błąd procentowy średnio o 28,6% przy horyzoncie czterech tygodni w [jednym badaniu 14 organizacji detalicznych](https://sciety.org/articles/activity/10.31235/osf.io/4z9be_v1)Trudniejsze do zbudowania i wyjaśnienia

Wzorzec stojący za wierszami danych jest ważniejszy niż pojedynczy wiersz. [Recenzowany przegląd badań nad prognozowaniem w handlu detalicznym](https://pmc.ncbi.nlm.nih.gov/articles/PMC9534457/) pokazuje, że globalne modele uczenia maszynowego, w tym jednokierunkowe i rekurencyjne sieci neuronowe, drzewa regresji z gradientowym wzmacnianiem oraz lasy losowe, często radzą sobie lepiej niż osobne modele szeregów czasowych i modele regresji, gdy sieci handlowe prognozują duże zbiory szeregów sprzedaży. Przewaga rośnie wraz z wielkością portfela: tysiące kombinacji produkt–sklep, w których popyt na pojedyncze produkty jest rzadki, nieregularny, sezonowy lub wrażliwy na promocje.

### Jak wygląda to porównanie w prawdziwej sieci

Wyobraź sobie regionalną sieć z 40 sklepami. Produkty podstawowe o stabilnej sprzedaży tygodniowej dostają wygładzanie wykładnicze, bo kierownik kategorii może odczytać wynik i go zakwestionować. Odzież sezonowa z ośmioma promocjami w roku dostaje model z gradientowym wzmacnianiem, trenowany jednocześnie na wszystkich sklepach, bo historia jednego sklepu jest zbyt skąpa, by nauczyć się z niej krzywej rabatowej.

Przegląd równie jasno stwierdza, że starsze metody nie są przestarzałe. Ich skuteczność pozostaje konkurencyjna przy mniejszych zbiorach danych, stabilnych produktach i w sytuacjach, w których interpretowalność i ograniczona ilość danych liczą się bardziej niż ostatni punkt dokładności.

Umiar się opłaca. [Ocena popytu detalicznego w USA z 2026 roku](https://econpapers.repec.org/article/alkfcsai0/v_3a5_3ay_3a2026_3ai_3a9_3aid_3a13509.htm) na zbiorze M5, obejmująca **25 940 szeregów produkt–sklep** w pięciu kroczących oknach po 28 dni, obniżyła średni ważony bezwzględny błąd procentowy z **0,9006** dla sezonowego benchmarku naiwnego do **0,7022** dla modelu LightGBM wykorzystującego historyczny popyt, czyli poprawiła wynik o około **22%**. Dodanie zmiennych handlowych i operacyjnych dało zaledwie 0,6979, a opóźnionych wskaźników makroekonomicznych 0,6978, czyli poprawę o około **0,02%**.

> **Najpierw zbuduj punkt odniesienia.** Wynik sezonowo-naiwny lub z wygładzania wykładniczego, który powstaje w jedno popołudnie, pokazuje, czy model uczenia maszynowego zasłużył na swoją złożoność. Uruchom oba na tych samych tygodniach testowych i zostaw lepszy.

Wybór modelu powinien wynikać ze skali i struktury portfela, a nie z tego, czy metoda jest nowsza. Ta jedna zasada zaoszczędzi ci więcej pieniędzy niż jakiekolwiek przeszukiwanie hiperparametrów.

## Wolno rotujące produkty i rzadki popyt wymagają osobnego modelu

Niektóre produkty nie mają poziomu popytu. Mają zdarzenia popytowe. Część zamienna sprzedawana cztery razy w roku, wariant z długiego ogona w e-commerce, kombinacja sklep–SKU, która rotuje dwiema sztukami miesięcznie: standardowe modele sezonowe radzą sobie z nimi źle, a przyczyna jest strukturalna.

Zera i dodatnia sprzedaż pochodzą z dwóch różnych procesów. To, czy sprzedaż w ogóle się zdarzy, to jedno pytanie. Jak duża będzie, gdy się zdarzy, to drugie. Metody typu Croston szacują je osobno, dlatego dobrze sprawdzają się na danych handlowych z dużą liczbą zer. [Benchmark prognozowania w handlu detalicznym dla popytu nieregularnego](https://arxiv.org/pdf/2602.22685) podaje dla metody Crostona **WAPE 93,15%** i **MASE 0,9852**, czyli wynik lepszy niż w przypadku naiwnej metody i SARIMAX, z którymi ją porównano. Traktuj ten WAPE jako wynik względny na szeregu pełnym zer, a nie jako dobry wynik dokładności w ujęciu bezwzględnym.

Ten błąd jest konkretny i kosztowny. Standardowy model regresji lub sezonowy widzi serię zer i wnioskuje, że popyt jest niski i stały, więc odpowiednio ustawia zapas bezpieczeństwa. Wolno rotujący produkt, który sprzedaje się w nieprzewidywalnych seriach, kończy się na półce, a martwy produkt zalega w ilości na trzy miesiące. Jeden błąd kosztuje utraconą sprzedaż, drugi kosztuje gotówkę i miejsce na półce.

W tym samym obszarze jest jeszcze jedna lekcja. [Benchmark na danych sprzedażowych z nieregularnym popytem, brakującymi obserwacjami i częstą rotacją asortymentu](https://arxiv.org/html/2506.05941v2) wykazał, że spośród testowanych podejść najlepiej wypadły lokalne modele oparte na drzewach, a XGBoost osiągnął najniższy raportowany błąd średniokwadratowy (RMSE) równy **4,833**. Wniosek nie brzmi: „używaj XGBoost wszędzie”. Brzmi: gdy produkty szybko się zmieniają, modele zbudowane dla poszczególnych rodzin produktów mogą pokonać jeden uogólniony model, zmuszony do uśredniania niezgodnych ze sobą wzorców.

### Jak kierować szeregi do modeli

1. **Klasyfikuj przed modelowaniem.** Dla każdego szeregu oblicz średni odstęp między popytami (ADI) oraz kwadrat współczynnika zmienności niezerowego popytu. Pierwszy to typowa przerwa w okresach między sprzedażami; drugi mierzy, jak bardzo wielkość kolejnych sprzedaży się waha.
2. **Kieruj szeregi nieregularne** do modeli z rodziny Crostona oraz modeli progowych lub modeli wystąpienia i wielkości.
3. **Stabilne produkty o dużym wolumenie** kieruj do modeli sezonowych lub uczenia maszynowego, gdzie ich miejsce.
4. **Sprawdzaj klasyfikację co kwartał.** Produkty przechodzą między kategoriami, gdy się starzeją, są wycofywane lub zyskują popularność, a reguła kierowania, której nigdy nie uruchamia się ponownie, traci jakość.

> Trzymaj klasyfikację w tabeli, którą można przejrzeć. Gdy kierownik kategorii zapyta, dlaczego produkt jest prognozowany nietypową metodą, odpowiedzią powinny być dwie liczby, a nie wzruszenie ramion.

## Promocje, zapasy domowe i zmiany kanałów

Tygodnie promocyjne nie są zwykłymi tygodniami, a wmieszanie ich do bazowego poziomu psuje oba wyniki. Modeluj popyt bazowy i efekty promocji osobno, a potem je sumuj.

[Porównanie podejść do prognozowania w handlu detalicznym](https://inria.hal.science/hal-02460504/document) wykazało, że zespoły drzew decyzyjnych biły regresję liniową, regresję liniową z regularyzacją i metody drzew regresji w prognozowaniu dziennego popytu na poziomie sieci, gdy SKU miały **więcej niż pięć historycznych promocji**. Pięć to użyteczny próg w tym wyniku. Poniżej niego nie ma dość przykładów, by model nauczył się, jak głębokość rabatu, termin promocji i interakcje z kalendarzem produktu wpływają na popyt, więc mocniejsza regularyzacja lub prostszy punkt odniesienia szkodzi mniej niż elastyczny model gonący za szumem.

Dostarcz modelowi jawne cechy: status promocji, procent rabatu, miejsce ekspozycji, bliskość świąt oraz opóźniony popyt po promocji. Ostatnia z nich bywa pomijana, a to właśnie ona wychwytuje spadek.

### Spadek, którego nikt nie prognozuje

Załóżmy, że 30% rabatu na szampon podnosi sprzedaż na jeden tydzień, a potem przez dwa tygodnie sprzedaż pozostaje poniżej trendu. Klienci zrobili zapasy; w skali kwartału nie kupili więcej. Potraktuj całe trzytygodniowe okno jako jedną jednostkę analizy. Błąd w okresie promocji pokazuje, czy zamówiono wystarczająco dużo. Błąd po promocji pokazuje, czy zamówiono za dużo na resztę miesiąca. Oceniane osobno, obie decyzje są widoczne. Oceniane razem, oba błędy się znoszą, a raport wygląda poprawnie, choć obie decyzje były błędne.

[Badania nad cyklem życia promocji](https://ideas.repec.org/a/wly/jforec/v45y2026i1p293-315.html) wskazują, że wcześniejsze prace często pomijają fazę popromocyjną, w której popyt spada, bo klienci zrobili zapasy w trakcie akcji. Podają też, że metody uczenia maszynowego mogą poprawić prognozy w całym cyklu życia, a nie tylko w trakcie samej promocji.

Kanał sprzedaży dodaje drugą warstwę złudzeń. [Badanie promocji wielokanałowych w regionalnym supermarkecie w Brazylii](https://prod.org.br/article/doi/10.14488/1980-5411.20250127) oszacowało przesunięcie popytu na poziomie **11,23% ze sklepów stacjonarnych do internetu** i **19,34% w kierunku odwrotnym**, a skoordynowane promocje zmniejszyły kanibalizację o **30,04%**. Programy lojalnościowe dały największy zmierzony wzrost, **3,5%**. Jeśli prognozujesz każdy kanał niezależnie, podwójnie policzysz popyt, który tylko zmienił adres.

Następnie oprzyj ocenę na czterech zasadach:

- **Oceniaj osobno okresy promocyjne i niepromocyjne**, aby dobry tydzień nie maskował złego miesiąca.
- **Porównuj z bazowym wzrostem (base lift) lub podobnym przyczynowym punktem odniesienia**, bo inaczej mierzysz tylko, jak dobrze model nauczył się wolumenu.
- **Oceniaj według SKU i częstotliwości promocji**, ponieważ próg pięciu promocji zmienia to, czego możesz oczekiwać.
- **Zachowaj opóźnioną zmienną popromocyjną**, aby model mógł odwzorować spadek, zamiast być nim zaskakiwany.

Jeśli rabaty zjadają Twoją marżę, nasz przewodnik o tym, jak [chronić marże podczas kampanii rabatowych](https://www.electe.net/post/promotion-optimization-in-retail), omawia cenową stronę tego samego problemu.

## Pomiar dokładności i zamiana prognoz na zamówienia

Wybierz metrykę po wyborze decyzji. Każda miara odpowiada na inne pytanie i ukrywa co innego.

MetrykaKiedy stosowaćNa co uważaćWAPE (ważony bezwzględny błąd procentowy)Porównywanie dokładności dla pozycji o różnej skali sprzedażyNajwiększą wagę nadaje pozycjom o dużym wolumenieMASE (średni bezwzględny błąd skalowany)Porównywanie modeli na szeregach przerywanych lub z wieloma zeramiDo właściwej interpretacji potrzebuje naiwnego punktu odniesieniaMAPE (średni bezwzględny błąd procentowy)Proste raportowanie dla stabilnych pozycji o dużym wolumenieNiestabilny lub niezdefiniowany, gdy rzeczywisty popyt wynosi zeroObciążenie (bias)Wykrywanie systematycznego zawyżania lub zaniżania prognozZnoszące się błędy mogą je ukryć, jeśli nie analizuje się go okres po okresiePoziom obsługiSprawdzanie, czy prognoza chroni dostępność towaru na półceZależy od ustawień uzupełniania zapasów, nie tylko od prognozy

Błędy procentowe zawodzą przy wolno rotujących pozycjach. Gdy rzeczywisty popyt wynosi zero, mianownik jest zerowy, a metryka albo gwałtownie rośnie, albo jest wyłączana ze średniej, i jedno, i drugie zawyża ocenę modelu. Raportuj WAPE lub błąd skalowany razem z obciążeniem i poziomem obsługi oraz analizuj je według segmentów, a nie jako jedną liczbę dla całego katalogu.

### Od liczby do punktu ponownego zamówienia

Prognoza staje się zamówieniem dzięki rachunkom, które może sprawdzić każdy w zespole. Oczekiwany popyt w czasie realizacji dostawy plus zapas bezpieczeństwa dobrany do docelowego poziomu obsługi dają punkt ponownego zamówienia.

Załóżmy, że sklep spodziewa się sprzedaży 40 sztuk w ciągu pięciodniowego czasu realizacji dostawy i utrzymuje bufor 10 sztuk. Punkt ponownego zamówienia wynosi wtedy 50 sztuk. Gdy suma stanu magazynowego i zamówionych dostaw spada do 50, zamówienie jest wysyłane. Jeśli kupiec zamówi przy 40, bo bufor nigdy nie został uzgodniony, półka opustoszeje już pierwszego dnia opóźnienia dostawy.

Dwie rutyny pozwalają zachować rzetelność. Ustaw alerty wyjątków, gdy błąd prognozy dla danego produktu przekracza wasz próg przez co najmniej dwa kolejne okresy, aby ktoś przyjrzał się produktowi, a nie tylko dashboardowi. Raz w miesiącu wykonuj kontrolę obciążenia (bias) według kategorii, by wychwycić systematyczne zawyżanie lub zaniżanie prognoz, które w błędach pojedynczych produktów się uśrednia.

> Statystycznie trafna prognoza nadal może powodować braki, jeśli termin zamówienia, częstotliwość przeglądu lub zapas bezpieczeństwa są źle skalibrowane. Przeglądaj prognozę i reguły uzupełniania zapasów razem, bo inaczej będziesz stale poprawiać nie to, co trzeba.

Nasz [poradnik ELECTE o analityce danych magazynowych](https://www.electe.net/post/inventory-management-logistics) szerzej opisuje, jak łączyć stany magazynowe z liczbami, na podstawie których działają kupcy.

## Potwierdź plan prognozowania przed kolejnym cyklem zakupowym

Zanim złożysz kolejne zamówienie, upewnij się, że proces prognozowania pasuje do produktów i decyzji, które ma wspierać. Pięć kontroli pomoże uczynić plan praktycznym:

1. **Posegreguj asortyment.** Wskaż produkty generujące większość przychodów, a następnie sklasyfikuj je jako stabilne, zależne od promocji lub o sprzedaży nieregularnej. Dla pozostałych może wystarczyć prostsza reguła.
2. **Sprawdź historię sprzedaży.** Pobierz dane z 12–24 miesięcy w podziale na produkt, sklep i dzień oraz oznacz dni z brakiem towaru. Jeśli masz tylko 12 miesięcy, wykorzystaj je, ale spodziewaj się większego błędu.
3. **Testuj względem punktu odniesienia.** Ustal sezonowy model bazowy i porównaj z nim bardziej rozbudowane modele na tygodniach wyłączonych z uczenia. Wynik M5 przedstawiony wyżej pokazuje, dlaczego bardziej złożony model musi zasłużyć na swoje miejsce.
4. **Ustal rutynę pomiaru.** Wybierz metrykę dla każdej decyzji, a następnie utrzymuj spójny próg i częstotliwość przeglądu w kolejnych cyklach.
5. **Analizuj powtarzające się pomyłki.** Przed złożeniem zamówienia sprawdź ponownie punkty ponownego zamówienia dla produktów z powtarzającymi się błędami prognozy.

ELECTE stosuje sześć metod prognozowania na danych użytkownika, porównuje je ze sobą i wybiera najtrafniejszą. Bezpłatny kalkulator punktu ponownego zamówienia pomaga obliczyć ten punkt dla pojedynczego produktu.

Prognozy zmniejszają ryzyko, ale nie uwzględnią każdej zmiany. Model może przeoczyć premierę nowego produktu lub promocję bez porównywalnej historii sprzedaży. Prowadź przeglądy równolegle z prognozą, aby kupcy mogli reagować, gdy rzeczywisty popyt odbiega od planu.

ELECTE łączy dane o sprzedaży, stanach magazynowych i promocjach, porównuje sześć metod prognozowania na dostępnych danych i przedstawia prognozy, trafność oraz wyjątki w czytelnych dashboardach, które zespoły mogą udostępniać. Jeśli jako detalista oceniasz prognozy popytu na tle własnych danych sprzedażowych, odwiedź [ELECTE](https://www.electe.net).
