Metody prognozowania zapasów: 5 sposobów przewidywania popytu
Poznaj 5 sprawdzonych metod prognozowania zapasów, zasady ich działania i sytuacje, w których warto po nie sięgnąć. Porównaj podejścia i wybierz to, które pasuje do Twojej firmy.

Zamówisz za dużo – tracisz gotówkę. Zamówisz za mało – sprzedaż przejmuje ten, kto ma towar na półce. Każda firma magazynująca towary porusza się między tymi dwiema porażkami, a o tym, po której stronie wylądujesz, decyduje jedna rzecz: jaka metoda prognozowania zapasów stoi za Twoimi zamówieniami zakupu.
Zapytaj grupę praktyków, jakiej metody używają, a usłyszysz nazwy produktów. Arkusz kalkulacyjny. Moduł ERP. Dodatek, który kupił ktoś z finansów. Nikt nie nazywa samej matematyki. I właśnie tę lukę warto zamknąć. Narzędzie prognostyczne jest tylko nośnikiem metody, a to metoda decyduje, czy Twój zapas bezpieczeństwa jest dobrany do rzeczywistości, czy do pobożnych życzeń.
Oto pięć metod prognozowania zapasów, potraktowanych jak drabina decyzyjna, a nie rywalizujące obozy. Każda z nich to punkt odniesienia, który musi pokonać następna. Przy każdej dowiesz się, czego wymaga, gdzie zawodzi i w jakich warunkach się sprawdza.
1. Prognozowanie średnią kroczącą
Średnia krocząca to częsty punkt wyjścia i słusznie zajmuje to miejsce. Wybierasz okno (3, 6 lub 12 okresów), uśredniasz w nim rzeczywisty popyt i przyjmujesz wynik jako prognozę na kolejny okres. Gdy zamyka się nowy okres, okno przesuwa się do przodu, a wartość aktualizuje się sama.
Badanie łańcucha dostaw z University of Arkansas opisuje prognozowanie szeregów czasowych jako podstawę większości systemów uzupełniania zapasów, którego celem jest wyodrębnienie trendu i sezonowości spod szumu sprzedażowego. Średnia krocząca realizuje najprostszą wersję tego zadania: usuwa jednorazowe skoki bez potrzeby budowania modelu.
Okna proste i ważone
Proste średnie kroczące nadają każdemu okresowi jednakową wagę. Ważone średnie kroczące dają większy wpływ okresom najnowszym, co ma znaczenie, gdy popyt rośnie lub spada skokowo, zamiast utrzymywać się na stałym poziomie. Sięgnij po wersję ważoną, gdy ostatni miesiąc mówi więcej o następnym niż ostatni kwartał.
Weźmy sklep internetowy z papeterią, który uśrednia sprzedaż notesów z ostatnich trzech miesięcy, aby ustalić punkty ponownego zamówienia dla stabilnej linii produktów, oraz piekarnię, która co poniedziałek uśrednia sprzedaż chleba z czterech tygodni, aby dobrać wielkość zamówienia mąki. Ta sama metoda, różne okna, a obie łatwo wyjaśnić osobie odpowiedzialnej za zakupy.
Zanim wybierzesz jedną długość okna, przetestuj trzy na danych z ostatnich dwunastu miesięcy. Wygrywające okno jest zwykle krótsze, niż podpowiada intuicja.
- Porównaj z metodą naiwną: jeśli sprzedaż z ostatniego okresu prognozuje równie dobrze jak Twoja średnia, średnia nie zasługuje na swoją złożoność.
- Połącz z zapasem bezpieczeństwa: wygładzanie usuwa skok z prognozy, ale nie z popytu.
- Rozdziel rodziny produktów: notes i sezonowy planer nie powinny mieć wspólnego okna.
Stosuj ją, gdy towary sprzedają się równomiernie, masz co najmniej sześć czystych okresów historii i potrzebujesz punktu odniesienia zrozumiałego dla każdego interesariusza. To także wynik, który musi pokonać każda późniejsza metoda. 30-dniowy pilotaż zarządzania zapasami dla detalistów pokazuje, jak szybko taki punkt odniesienia ujawnia, które SKU wymagają czegoś więcej niż średniej.
2. Wygładzanie wykładnicze (metoda Holta-Wintersa)
Wygładzanie wykładnicze zachowuje nawyk uśredniania, ale przestaje traktować stare i nowe dane jednakowo. Każda obserwacja z wiekiem zyskuje wykładniczo mniejszą wagę, dzięki czemu prognoza zwraca się ku temu, co dzieje się teraz, bez nadmiernej reakcji na jeden nietypowy tydzień.
Metoda Holta-Wintersa dodaje dwa składniki: człon trendu i człon sezonowy, stosowane addytywnie lub multiplikatywnie, zależnie od tego, czy wahania sezonowe rosną wraz z wolumenem. Dlatego sezonowe katalogi detaliczne spędzają tu większość czasu.
Dlaczego stawka za dokładność jest wyższa
Ważenie najnowszych danych daje responsywność, a responsywność ma swoją cenę. Przegląd badań nad handlem hurtowym i kontrolą zapasów przywołuje ustalenie Syntetosa i współpracowników, że spadek dokładności prognozy o 1% może odpowiadać wzrostowi kosztów zapasów o 10–15% przy utrzymaniu porównywalnego poziomu obsługi. Parametry ustawione zbyt wolno zostawiają Cię z nadmiarem towaru po zmianie popytu; ustawione zbyt szybko każą gonić szum aż do efektu byczego bicza.

Trzy nawyki pozwalają zachować rzetelność modelu:
- Minimum dwa lata: podaj co najmniej dwa pełne cykle sezonowe, inaczej składnik sezonowy będzie zgadywał.
- Sprawdź optymalizator: pozwól oprogramowaniu wyznaczyć stałe wygładzania, a potem upewnij się, że kształt sezonowości odpowiada temu, co faktycznie się wydarzyło.
- Oznaczaj promocje jako zdarzenia: trzytygodniowa kampania zniekształca punkt odniesienia na wiele miesięcy, jeśli pozwolisz jej przeniknąć do historii.
Stosuj ją, gdy popyt ma powtarzalny wzorzec sezonowy i możesz dostarczyć dwa czyste cykle. O tym, jak w praktyce uruchamia się i porównuje modele wygładzania, przeczytasz w artykule prognozowanie niewypłacalności za pomocą modeli wygładzania.
3. Modele szeregów czasowych ARIMA i SARIMA

Wygładzanie traktuje historię jako średnią ważoną. ARIMA zadaje tym samym danym trudniejsze pytanie: czy dzisiejszy popyt zależy od wczorajszego, od tego samego tygodnia rok temu i od błędów, które model popełnił wcześniej? Krok całkowania różnicuje szereg, aż trend się ustabilizuje, a SARIMA dodaje człony sezonowe dla cykli tygodniowych i rocznych. Tam, gdzie Holt-Winters daje gładszą linię, ARIMA daje model samego procesu popytu.
Najbardziej opłaca się przedział wokół prognozy.
Przedziały są lepsze niż pojedyncze liczby
Badanie poświęcone optymalizacji uzupełniania zapasów modeluje popyt na SKU, czasy realizacji zwrotów i czasy realizacji uzupełnień jako zmienne losowe, opiera się na prognozach kwantylowych zamiast na jednym oszacowaniu i proponuje wskaźnik Ratio of Forecast Uncertainty, który śledzi, jak niepewność przenosi się między etapami łańcucha dostaw. Ta różnica ma znaczenie przy składaniu zamówienia zakupu. Prognoza 1000 sztuk znaczy co innego, gdy wiarygodny przedział wynosi od 850 do 1150, a co innego, gdy wynosi od 500 do 1700.
Dwóch kupców może przeczytać tę samą prognozę i podjąć przeciwne decyzje. Regionalna sieć spożywcza modeluje tygodniowy popyt na nabiał z uwzględnieniem sezonowości tygodniowej i rocznej, dzięki czemu wzrost przed świętami widać już w zamówieniu, a nie dopiero po nim. Dystrybutor elektroniki ustala zapas bezpieczeństwa komponentów na poziomie 90. percentyla przedziału, według docelowego poziomu obsługi, a nie stałych dwóch tygodni zapasu. To samo narzędzie, inne pytanie o politykę zapasów.
Skuteczne stosowanie wymaga dyscypliny:
- Sprawdź stacjonarność za pomocą wykresu i testu formalnego, a następnie różnicuj tylko tyle, ile trzeba. Nadmierne różnicowanie wprowadza szum, który model musi potem wyjaśniać.
- Odłóż najnowsze trzy miesiące i oceń model na tych danych, zanim mu zaufasz.
- Przełóż przedziały na politykę zapasów: wybierz percentyl uzasadniony marżą, płynnością finansową i zobowiązaniem co do poziomu obsługi.
- Zautomatyzuj dobór modelu przy dużych katalogach. Ręczne dostrajanie zamówień nie sprawdza się przy 400 SKU.
Koszt to nakład pracy. ARIMA wymaga danych stacjonarnych, starannego doboru rzędów modelu i wystarczającej historii do oszacowania składników sezonowych, a mimo to opiera się wyłącznie na przeszłości samego szeregu. Dlatego wyznacza poprzeczkę, którą muszą przeskoczyć metody przyczynowe: czynnik taki jak cena czy promocja zasługuje na miejsce w modelu tylko wtedy, gdy prognozuje lepiej niż własna historia popytu.
Stosuj tę metodę, gdy Twój szereg wykazuje autokorelację, której wygładzanie nie wychwytuje, i potrzebujesz rzetelnego przedziału do ustalenia zapasu bezpieczeństwa względem docelowego poziomu obsługi.
4. Prognozowanie przyczynowe z użyciem regresji
Wszystkie dotychczasowe metody odczytują popyt z jego własnej historii. Regresja przyczynowa zadaje inne pytanie: co wpływa na popyt i w jakim stopniu? Podajesz jej czynniki, które Twój zespół już śledzi, takie jak cena, głębokość rabatu, promocje, święta, pogoda i działania konkurencji, a ona szacuje wzrost wywołany przez każdy z nich.
Wynikiem jest współczynnik, z którym można polemizować, i właśnie o to chodzi. Rabat nie tylko podnosi prognozę, ale podnosi ją o określoną wartość, a tego właśnie potrzebuje Twoje zamówienie zakupu.
Włącz kalendarz promocji do modelu
Załóżmy, że sieć sklepów z artykułami do domu chce wiedzieć, jak 20-procentowy rabat wraz z weekendową kampanią mailingową wpłynie na sprzedaż sprzętu AGD. Regresja szacuje łączny efekt, więc kupiec zamawia z myślą o zaplanowanym wydarzeniu, a nie o ubiegłorocznej średniej miesięcznej. Dystrybutor napojów, który uwzględnia prognozowaną temperaturę, może zaopatrzyć się przed falą upałów, zamiast na nią reagować.
Praktyczna zasada: testuj jeden czynnik naraz na okresie testowym. Czynnik, który nie poprawia dokładności na danych, których model nie widział, jest opowieścią, a nie sygnałem.

- Zacznij od tego, co rejestrujesz: znaczników promocji, zmian cen i kalendarzy świąt. Wiele zespołów ma więcej użytecznych czynników, niż zakłada.
- Odświeżaj współczynniki: reakcja klientów zmienia się po zmianie cen lub wejściu nowego konkurenta, a nieaktualne współczynniki mogą prowadzić do nadmiaru zapasów.
- Rozdziel zdarzenia planowane od nieplanowanych: kampanie wchodzą jako dane wejściowe; viralowy post lub odbudowa po braku towaru wchodzą jako znacznik zdarzenia.
Stosuj tę metodę, gdy promocje i ceny odpowiadają za dużą część Twojego wolumenu oraz gdy musisz zaplanować zapas na kampanię przed jej startem, a nie po niej.
5. Prognozowanie popytu z użyciem uczenia maszynowego
Uczenie maszynowe zmienia jednostkę modelowania. Zamiast dopasowywać jeden model do każdego produktu, trenujesz jeden model na tysiącach kombinacji SKU i sklepu i pozwalasz mu uczyć się wspólnych wzorców: które pozycje reagują na pogodę, które na cykle wypłat, a które na promocję sprzed dwóch tygodni.
Gradient boosting dobrze radzi sobie z tabelarycznymi danymi sprzedażowymi. Sieci neuronowe zdają egzamin, gdy katalog jest ogromny, a sygnały oddziałują na siebie w sposób, którego nie da się opisać ręcznie.
Gdzie argument o dokładności się komplikuje
Badanie obejmujące 7500 szeregów popytu i 13 metod prognozowania wykazało, że wartość precyzji prognozy zależy od cech produktu, polityki zapasów, kosztów utrzymania zapasów, kosztów utraconej sprzedaży, interwałów przeglądu i czasów realizacji. Ta sama praca zauważa, że farmaceutyczne MŚP często polegają na prognozowaniu eksperckim, nawet przy znaczących zamówieniach nieregularnych, wskazując jako bariery niedokładne dane historyczne, ograniczoną liczbę specjalistów i niski poziom wdrożenia technologii.
Wniosek jest niewygodny dla każdego, kto goni za pierwszym miejscem w rankingu. Model, który wygrywa pod względem miar błędu, może przegrać pod względem kosztów, gdy koszty utrzymania zapasów są niskie, a braki w magazynie drogie. Z kolei metoda, która wygląda dobrze dla pozycji o popycie nieregularnym, może zawdzięczać wynik temu, że w większości okresów popyt wynosi zero.
- Pokonaj punkt odniesienia: średnia krocząca lub Holt-Winters to Twoja próba kontrolna. Jeśli uczenie maszynowe jej nie pokona na danych testowych, nie wdrażaj go.
- Waliduj według czasu, nie losowo: trenuj na starszych okresach, testuj na nowszych.
- Oceniaj według segmentów: błąd na Twoich 50 najważniejszych SKU waży więcej niż błąd w długim ogonie.
- Traktuj popyt nieregularny osobno: pozycje z dużą liczbą zer wymagają własnych zasad oceny.

ELECTE, platforma analityki danych oparta na AI dla MŚP, uruchamia na Twoich danych sześć metod prognozowania, porównuje ich wyniki i wybiera najdokładniejszą, co zastępuje ręczne porównywanie modeli. W przypadku katalogów z dużą liczbą promocji zobacz uwzględnianie skoków popytu podczas wyprzedaży błyskawicznych.
Stosuj tę metodę, gdy masz bogatą, szczegółową historię dla wielu produktów i dowody, że przewyższa Twój punkt odniesienia pod względem kosztów i poziomu obsługi, a nie tylko na papierze.
5 metod prognozowania zapasów w skrócie
Metoda | Najlepsza do | Wymagane dane | Uwzględnia sezonowość | Trudność |
|---|---|---|---|---|
Prognozowanie średnią kroczącą | Stabilny popyt i proste prognozy bazowe | Niewielka ilość ostatnich danych sprzedażowych | Nie | Łatwa |
Wygładzanie wykładnicze (metoda Holta-Wintersa) | Popyt z trendami i wzorcami sezonowymi | Dane sprzedażowe z co najmniej dwóch cykli sezonowych | Tak | Umiarkowana |
Modele szeregów czasowych ARIMA i SARIMA | Popyt z autokorelacją i wzorcami czasowymi | Długi, czysty szereg czasowy danych historycznych | Tak, w modelu SARIMA | Zaawansowana |
Prognozowanie regresją przyczynową | Prognozowanie wpływu promocji, cen i innych czynników | Historia sprzedaży i wiarygodne dane o czynnikach wpływających na popyt | Może, z użyciem zmiennych sezonowych | Umiarkowana |
Prognozowanie popytu z użyciem uczenia maszynowego | Duże katalogi ze złożonymi czynnikami popytu | Duża, czysta historia sprzedaży i odpowiednie dane wejściowe | Tak, z cechami kalendarzowymi lub sezonowymi | Zaawansowana |
Najważniejsze wnioski: wybierz metodę, którą wspierają Twoje dane
Traktuj każdy szczebel jako punkt odniesienia, który musi pokonać następny. Średnia krocząca jest tania i przejrzysta, więc wyznacza wynik, który musi poprawić każdy kolejny model. Dodaj Holta-Wintersa, gdy ten sam wzorzec sezonowy wraca raz po raz; użyj ARIMA lub SARIMA, gdy potrzebujesz uzasadnionego przedziału prognozy dla poziomów obsługi; przejdź na regresję przyczynową, gdy wolumen napędzają promocje i zmiany cen; po uczenie maszynowe sięgaj dopiero wtedy, gdy wygra na zbiorze testowym.
Stosuj tę drabinę tak samo w każdym cyklu:
- Zbadaj historię sprzedaży: policz czyste okresy i SKU z długimi seriami zer.
- Wybierz najprostszą metodę, która pasuje do wzorca popytu.
- Waliduj na ostatnich trzech miesiącach, bez losowego podziału.
- Zautomatyzuj porównanie, aby zwycięska metoda bazowa zmieniała się wraz ze zmianą warunków.
ELECTE łączy źródła księgowe, bankowe i arkusze kalkulacyjne, utrzymuje je w aktualnym stanie, uruchamia sześć metod prognozowania na bieżących danych, porównuje ich wyniki i wybiera najdokładniejszą. Otrzymujesz prognozy popytu, przepływów pieniężnych i wynagrodzeń z pulpitami, które wyeksportujesz lub udostępnisz jednym kliknięciem. Wejdź na ELECTE i w kilka minut zobacz prognozę własnej historii sprzedaży.

Komentarze
Brak komentarzy — zacznij rozmowę.