Previziunea cererii în retail: metode, date și beneficii
Aflați cum funcționează previziunea cererii în retail, ce metode puteți folosi, de ce date are nevoie și cum reduceți lipsa de stoc și surplusul cu planuri de inventar mai bune.

De o lipsă de stoc este de obicei învinuit furnizorul. De cele mai multe ori, problema începe mai aproape de casă. Un studiu despre inventarul din retail, prezentat la conferința IEOM Society din Bangladesh, 2025, indică faptul că între 51% și 73% dintre lipsurile de stoc din supermarketuri își au originea în interiorul operațiunii de retail, iar printre cauzele principale se numără previziunile inexacte (inclusiv cererea subestimată) și erorile de comandare.
Această constatare schimbă perspectiva. Previziunea cererii în retail nu este o competiție pentru alegerea celui mai avansat algoritm. Este o disciplină operațională: extragerea unor semnale de cerere realiste din date deja distorsionate de lipsurile de stoc și de promoții, alegerea metodei potrivite pentru modul în care se vinde fiecare produs și integrarea rezultatului în puncte de reaprovizionare pe care un cumpărător le va folosi luni dimineață.
Acest ghid acoperă întregul ciclu. Veți vedea ce trebuie să producă previziunea, care date contează cel mai mult, cum se compară șase metode uzuale în funcție de situația din retail, de ce produsele cu rotație lentă cer o arhitectură diferită, cum fac stocarea de rezerve și schimbările de canal să pară mai mare efectul promoțiilor, ce indicator de eroare merită încredere pentru fiecare decizie și o verificare în cinci pași de făcut înaintea următorului ciclu de achiziții.
Ce înseamnă previziunea cererii în magazin
O prognoză meteo câștigă încredere atunci când este locală și precisă în timp: șansa de ploaie în orașul dvs. marți după-amiază e suficientă pentru a decide dacă luați umbrela. Previziunea cererii face aceeași treabă pentru inventar. Estimează câte unități dintr-un anumit articol vor cumpăra clienții într-un anumit magazin, într-o anumită săptămână, astfel încât cumpărătorul să comande cantitatea potrivită, nu una doar plauzibilă.
Cei cinci pași de mai jos conțin întreaga idee în miniatură, de la previziune până la comanda de achiziție pe care trebuie să o declanșeze.

Ținta este cererea, nu totalul vânzărilor pe care l-a înregistrat casa de marcat. Un zero înregistrat cât timp raftul de șampon era gol reprezintă cerere cenzurată; un vârf generat de o promoție poate fi împrumutat din următoarele două săptămâni sau luat de la un magazin din apropiere. Mediile pe categorii și rapoartele lunare ascund aceste probleme la nivel de articol și magazin, așa că semnalul trebuie păstrat detaliat și actualizat des.
Ciclul de lucru arată astfel:
- Colectați istoricul vânzărilor și al stocurilor pe articol, magazin și zi, inclusiv zilele în care raftul a fost gol.
- Curățați și aliniați datele: o singură unitate de măsură, un singur calendar, fără rânduri duplicate atunci când un sistem de magazin rectifică o săptămână.
- Modelați și previzionați cererea pe articol și magazin, la granularitatea de care are nevoie decizia de comandă.
- Transformați previziunea în comenzi și stoc de siguranță, folosind timpii de livrare și nivelul de serviciu promis.
- Măsurați erorile și ajustați, articol cu articol, nu o dată pe an la bugetare.
Fiecare pas protejează împotriva unuia dintre trei costuri. Dacă previzionați prea puțin, pierdeți vânzări care nu se mai recuperează, pentru că cumpărătorul alege un substitut sau pleacă. Dacă previzionați prea mult, banii rămân blocați în stoc care trebuie ieftinit. Dacă cantitatea e aproximativ corectă, dar momentul greșit, plătiți în ambele feluri: taxe suplimentare de transport pentru comanda urgentă și depozitare pentru surplus.
Regula care economisește cei mai mulți bani: o previziune își justifică costul doar atunci când o regulă de reaprovizionare acționează pe baza ei. Un număr perfect dintr-un raport nu schimbă nimic pe raft.
Datele de intrare și de ce lipsurile de stoc le distorsionează
Înainte de a compara modelele, uitați-vă la ce intră în ele. Datele care îmbunătățesc cel mai mult acuratețea în retail sunt previzibile și banale, iar multor echipe le lipsesc două sau trei dintre ele.
- Istoricul vânzărilor pe articol, magazin și zi. Orice nivel mai agregat ascunde săptămânile de promoție și vârfurile de weekend, care poartă semnalul.
- Stocul disponibil și durata lipsei de stoc. Fără ele nu puteți deosebi o săptămână liniștită de un raft gol.
- Prețurile și adâncimea reducerilor. O reducere de 10% și una de 30% nu produc aceeași curbă de răspuns, așa că stocați prețul de raft plătit de clienți, nu prețul de listă.
- Calendarul promoțiilor, inclusiv amplasarea în magazin și publicitatea.
- Sărbători și evenimente locale. Un festival școlar la două străzi distanță mută mai multă apă îmbuteliată decât o sărbătoare națională.
- Vremea, în special pentru categoriile de produse proaspete, sezoniere și de grădinărit.
- Prețurile concurenței, acolo unde le puteți observa constant.
- Timpii de livrare ai furnizorilor și întârzierile, care stabilesc cât stoc de acoperire vă trebuie.
De ce un raft gol înregistrează un zero fals
Să presupunem că șamponul se vinde în medie în 40 de unități pe săptămână, iar raftul rămâne gol trei zile. Acele zile înregistrează vânzări zero. Un model antrenat pe acest istoric învață că cererea scade ori de câte ori stocul se epuizează, adică exact opusul adevărului. Clienții care nu au găsit nimic nu și-au schimbat părerea; au mers în altă parte.
Întârzierile furnizorilor, reaprovizionarea lentă și propriile decizii de comandă cenzurează vânzările în exact același fel. Modelul nu poate deosebi o vânzare pierdută de un interes pierdut și va continua să comande prea puțin din articolul care se epuizează cel mai repede.
Problema este bine documentată. O analiză din 2026 a învățării automate în previziunea pentru retail identifică seturile de date incomplete, fluxurile de date fragmentate, schimbările în comportamentul clienților, promoțiile, reacțiile concurenților și sezonalitatea drept cauze ale unor modele părtinitoare și fragile. Aceeași analiză citează un sondaj realizat în rândul a 661 de specialiști în inventar, în care 51% au mers uneori mai departe cu previziuni pe care le considerau deja nesigure, pentru că nu exista o alternativă mai bună, în timp ce modificările tarifelor și ale politicilor comerciale (19%) și fluctuațiile inflației sau ale prețurilor materiilor prime (17%) s-au numărat printre cei mai mari factori perturbatori.
Remediul în patru pași, în ordine
- Marcați fiecare zi de stoc epuizat din istoricul vânzărilor, cu orele sau zilele în care produsul nu a fost disponibil.
- Estimați vânzările pierdute pentru acele zile pe baza unor produse comparabile din același magazin și din aceeași săptămână.
- Etichetați fiecare perioadă drept disponibilă sau limitată, înainte de începerea oricărui antrenament.
- Antrenați modelul pe istoricul ajustat și comparați rezultatele pe săptămâni de control, niciodată pe săptămânile pe care le-ați corectat.
Pentru majoritatea IMM-urilor, această muncă îmbunătățește acuratețea mai mult decât schimbarea algoritmului. Un model poate învăța doar ceea ce conțin datele; dacă datele arată că cererea a scăzut brusc în timpul unui stoc epuizat, o arhitectură mai sofisticată doar învață mai repede un lucru greșit. Ghidul ELECTE despre integrarea mai multor surse de date descrie infrastructura necesară pentru a aduce datele despre vânzări, stoc și promoții într-un singur tabel utilizabil.
Metode de prognoză comparate în funcție de situația din retail
Nu există o metodă cea mai bună, ci doar una potrivită situației. Tabelul de mai jos este comparația pe care mi-aș dori-o afișată deasupra biroului de planificare.
Metodă | Cea mai potrivită situație în retail | Datele necesare | Punct forte | La ce să fii atent |
|---|---|---|---|---|
Medie mobilă sau netezire exponențială | Produse stabile, cu volum mare | 1-2 ani de vânzări săptămânale | Simplă, ieftină și ușor de explicat | Ratează promoțiile și schimbările sezoniere |
Modele sezoniere precum SARIMA | Produse cu cicluri clare săptămânale sau anuale | Istoric de cel puțin două sezoane | Surprinde tendința și sezonalitatea | Face față greu la mii de serii simultan |
Metode din familia Croston | SKU-uri intermitente, cu rotație lentă | Istoric de vânzări cu multe perioade fără vânzări | Separă frecvența vânzărilor de mărimea lor | Alegere greșită pentru produsele cu vânzări constante |
Regresie cu variabile de promoții și preț | Categorii dependente de promoții | Calendarul promoțiilor și istoricul prețurilor | Arată cum influențează fiecare factor cererea | Nu funcționează bine când promoțiile sunt rare |
Ansambluri de arbori precum XGBoost sau LightGBM | Portofolii mari produs-magazin | Vânzări, calendar, promoții și prețuri | Învață din multe serii înrudite | Necesită date curate și monitorizare continuă |
Ansambluri hibride LSTM-XGBoost | Lanțuri multi-categorie cu semnale bogate | 36 de luni de date de la punctul de vânzare și despre promoții | A redus eroarea procentuală absolută medie cu 28,6% în medie, la un orizont de patru săptămâni, într-un studiu pe 14 organizații de retail | Mai greu de construit și de explicat |
Tiparul din spatele rândurilor contează mai mult decât oricare rând luat separat. O trecere în revistă evaluată de specialiști a cercetărilor privind prognoza în retail arată că modelele globale de machine learning, inclusiv rețelele neuronale feed-forward și recurente, arborii de regresie cu gradient boosting și pădurile aleatorii, depășesc adesea modelele separate de serii de timp și de regresie atunci când retailerii prognozează colecții mari de serii de vânzări. Avantajul crește odată cu portofoliul: mii de combinații articol-magazin în care produsele individuale au cerere rară, intermitentă, sezonieră sau sensibilă la promoții.
Cum arată comparația într-un lanț real
Imaginați-vă un lanț regional cu 40 de magazine. Articolele de bază, cu vânzări săptămânale stabile, primesc exponential smoothing, pentru că un category manager poate citi cifra și o poate contesta. Îmbrăcămintea sezonieră, cu opt promoții pe an, primește un model cu gradient boosting antrenat simultan pe toate magazinele, pentru că istoricul unui singur magazin este prea scurt pentru a învăța o curbă a reducerilor.
Studiul este la fel de clar că metodele mai vechi nu sunt perimate. Performanța lor rămâne competitivă pe seturi de date mai mici, la produse stabile și în situațiile în care interpretabilitatea și datele limitate contează mai mult decât ultimul punct de acuratețe.
Reținerea se răsplătește. O evaluare din 2026 a cererii din retailul american pe setul de date M5, care acoperă 25.940 de serii articol-magazin pe cinci ferestre glisante de 28 de zile, a redus eroarea procentuală absolută medie ponderată de la 0,9006 pentru un benchmark seasonal-naive la 0,7022 cu un model LightGBM care folosește cererea istorică, o îmbunătățire de aproximativ 22%. Adăugarea variabilelor de retail și operaționale a ajuns doar la 0,6979, iar indicatorii macroeconomici cu decalaj la 0,6978, un câștig de circa 0,02%.
Construiți mai întâi baseline-ul. O cifră seasonal-naive sau exponential smoothing, care se obține într-o după-amiază, vă arată dacă modelul de machine learning și-a meritat complexitatea. Rulați ambele pe aceleași săptămâni de test și păstrați câștigătorul.
Alegerea modelului ar trebui să urmeze scara și structura portofoliului, nu faptul că metoda e mai nouă. Acest singur principiu vă va economisi mai mulți bani decât orice căutare de hiperparametri.
Produsele cu rotație lentă și cererea rară au nevoie de propriul model
Unele produse nu au un nivel al cererii. Au un eveniment de cerere. O piesă de schimb care se vinde de patru ori pe an, o variantă din coada lungă a unui magazin online, o combinație magazin-SKU care mișcă două unități pe lună: modelele sezoniere standard le tratează prost, iar motivul este structural.
Zerourile și vânzările pozitive provin din două procese diferite. Dacă are loc o vânzare este o întrebare. Cât de mare este ea, când are loc, este alta. Metodele de tip Croston le estimează separat, de aceea rezistă bine pe date de retail pline de zerouri. Un benchmark de prognoză în retail pentru cererea intermitentă raportează pentru Croston un WAPE de 93,15% și un MASE de 0,9852, înaintea alternativelor naive și SARIMAX cu care a fost comparat. Citiți acest WAPE ca pe un rezultat relativ, pe o serie plină de zerouri, nu ca pe un scor bun de acuratețe în termeni absoluți.

Modul de eșec este specific și costisitor. Un model standard de regresie sau sezonier vede o succesiune de zerouri și concluzionează că cererea este mică și constantă, așa că stabilește stocul de siguranță în consecință. Produsul cu rotație lentă, care se vinde în explozii imprevizibile, rămâne apoi fără stoc, în timp ce articolul mort ține acoperire pentru trei luni. O eroare costă o vânzare, cealaltă costă bani și spațiu pe raft.
Același domeniu oferă o a doua lecție. Un benchmark pe date de vânzări cu cerere intermitentă, observații lipsă și rotație frecventă a asortimentului a constatat că modelele localizate bazate pe arbori au performat cel mai bine dintre abordările testate, XGBoost obținând cea mai mică eroare pătratică medie raportată, de 4,833. Concluzia nu este „folosiți XGBoost peste tot”. Este că, atunci când produsele se schimbă rapid, modelele construite pe familii de produse pot depăși un model generalizat unic, forțat să facă media între tipare incompatibile.
Cum direcționați o serie
- Clasificați înainte de a modela. Calculați intervalul mediu dintre cereri și pătratul coeficientului de variație al cererii nenule pentru fiecare serie. Primul este intervalul tipic, în perioade, dintre vânzări; al doilea măsoară cât variază mărimea vânzărilor de la una la alta.
- Direcționați seriile intermitente către metode din familia Croston, modele hurdle sau modele de apariție-mărime.
- Trimiteți articolele stabile, cu volum mare către modele sezoniere sau de machine learning, unde le este locul.
- Reverificați clasificarea trimestrial. Articolele migrează între categorii pe măsură ce îmbătrânesc, sunt retrase sau prind, iar o regulă de direcționare care nu mai este rulată se degradează.
Păstrați clasificarea într-un tabel pe care îl puteți inspecta. Când un category manager întreabă de ce un produs este prognozat cu o metodă neobișnuită, răspunsul ar trebui să fie două cifre, nu o ridicare din umeri.
Promoții, stocare în exces și schimbări de canal
Săptămânile promoționale nu sunt săptămâni obișnuite, iar amestecarea lor în baseline le strică pe amândouă. Modelați cererea de bază și efectele promoțiilor ca lucruri separate, apoi adunați-le.
O comparație a abordărilor de prognoză în retail a constatat că ansamblurile de arbori de decizie au depășit regresia liniară, regresia liniară penalizată și metodele cu arbori de regresie pentru cererea zilnică la nivel de lanț, atunci când SKU-urile aveau mai mult de cinci promoții istorice. Cinci este pragul util în acest rezultat. Sub el nu există suficiente exemple ca un model să învețe cum adâncimea reducerii, momentul promoției și interacțiunile cu calendarul produsului mișcă cererea, așa că o regularizare mai puternică sau un benchmark mai simplu face mai puțin rău decât un model flexibil care urmărește zgomotul.
Oferiți modelului variabile explicite: statutul promoției, procentul de reducere, amplasarea în magazin, apropierea de sărbători și cererea decalată de după promoție. Ultima este adesea omisă, deși este variabila care surprinde scăderea.
Scăderea pe care nu o prognozează nimeni
Să presupunem că o reducere de 30% la șampon crește vânzările timp de o săptămână, iar apoi vânzările rămân sub trend două săptămâni. Clienții au făcut stocuri; nu au cumpărat mai mult pe parcursul trimestrului. Tratați întreaga fereastră de trei săptămâni ca pe o singură unitate de analiză. Eroarea din perioada promoțională arată dacă ați comandat suficient. Eroarea de după promoție arată dacă ați comandat prea mult pentru restul lunii. Evaluate separat, se văd ambele decizii. Evaluate împreună, cele două erori se anulează reciproc, iar raportul arată bine, deși ați greșit în ambele cazuri.
Cercetarea privind ciclul de viață al promoțiilor observă că studiile anterioare trec adesea cu vederea faza post-promoțională, în care cererea scade pentru că明 clienții au făcut stocuri în timpul evenimentului, și arată că metodele de învățare automată pot îmbunătăți prognozele pe întregul ciclu de viață, nu doar în timpul promoției.
Canalul adaugă un al doilea strat de iluzie. Un studiu despre promoțiile multicanal la un supermarket regional din Brazilia a estimat o deplasare a cererii de 11,23% de la magazinele fizice către online și de 19,34% în sens invers, în timp ce promoțiile coordonate au redus canibalizarea cu 30,04%. Stimulentele de loialitate au generat cea mai mare creștere măsurată, de 3,5%. Dacă prognozați fiecare canal independent, veți număra de două ori cererea care doar și-a schimbat adresa.
Apoi aplicați patru reguli de evaluare:
- Evaluați separat perioadele promoționale și cele nepromoționale, ca o săptămână bună să nu poată ascunde o lună proastă.
- Comparați cu o bază de referință de tip base-lift sau o altă bază cauzală similară, altfel măsurați doar cât de bine a învățat modelul volumul.
- Evaluați pe SKU și pe frecvența promoțiilor, deoarece pragul de cinci promoții schimbă ce puteți aștepta.
- Păstrați activă o variabilă decalată pentru perioada post-promoțională, astfel încât modelul să poată exprima scăderea, în loc să fie surprins de ea.
Dacă reducerile vă erodează marja, ghidul nostru despre protejarea marjelor în campaniile de reduceri abordează partea de prețuri a aceleiași probleme.
Măsurarea acurateței și transformarea prognozelor în comenzi
Alegeți metrica după ce ați ales decizia. Fiecare măsură răspunde la o altă întrebare și ascunde altceva.

Metrica | Când se folosește | La ce să fiți atenți |
|---|---|---|
WAPE (eroarea procentuală absolută ponderată) | Compararea acurateței pentru articole de dimensiuni diferite | Dă cea mai mare pondere articolelor cu volum mare |
MASE (eroarea absolută medie scalată) | Compararea modelelor pe serii intermitente sau cu multe valori zero | Are nevoie de un reper naiv pentru a fi interpretată corect |
MAPE (eroarea procentuală absolută medie) | Raportare simplă pentru articole stabile, cu volum mare | Instabilă sau nedefinită când cererea reală este zero |
Bias (părtinire) | Depistarea supraprognozării sau subprognozării sistematice | Erorile care se compensează o pot ascunde, dacă nu este citită pe perioade |
Nivel de serviciu | Verificarea faptului că prognoza protejează disponibilitatea pe raft | Depinde de setările de reaprovizionare, nu doar de prognoză |
Erorile procentuale cedează la produsele cu rotație lentă. Când cererea reală este zero, numitorul este zero, iar metrica fie explodează, fie este exclusă din medie, iar ambele variante avantajează modelul. Raportați WAPE sau o eroare scalată alături de bias și nivelul de serviciu și citiți-le pe segmente, nu ca un singur număr pentru tot catalogul.
De la un număr la un punct de reaprovizionare
O prognoză devine comandă printr-un calcul pe care îl poate verifica oricine din echipă. Cererea așteptată pe durata livrării, plus stocul de siguranță dimensionat pentru nivelul de serviciu țintă, dă punctul de reaprovizionare.
Să presupunem că un magazin estimează o cerere de 40 de unități pe durata de aprovizionare de cinci zile a furnizorului și păstrează un stoc tampon de 10 unități. Punctul de comandă este de 50 de unități. Când stocul disponibil plus cel comandat scade la 50, comanda se trimite. Dacă cumpărătorul comandă la 40 pentru că stocul tampon nu a fost niciodată convenit, raftul se golește din prima zi în care camionul întârzie.
Două rutine mențin acuratețea. Setați alerte pentru excepții atunci când eroarea de prognoză pentru un articol depășește pragul stabilit în două sau mai multe perioade consecutive, astfel încât cineva să analizeze articolul, nu doar tabloul de bord. Faceți lunar o verificare a erorii sistematice (bias) pe categorii, pentru a depista supraestimarea sau subestimarea sistematică pe care erorile pe articole individuale o maschează prin mediere.
O prognoză exactă din punct de vedere statistic poate totuși provoca lipsuri de stoc dacă momentul comenzii, frecvența de revizuire sau stocul de siguranță sunt calibrate greșit. Analizați împreună prognoza și regulile de reaprovizionare, altfel veți continua să remediați elementul greșit.
Ghidul ELECTE despre analiza datelor de stoc detaliază modul în care poziția stocurilor se leagă de cifrele pe baza cărora acționează cumpărătorii.
Confirmați planul de prognoză înainte de următorul ciclu de achiziții
Înainte de plasarea următoarei comenzi, verificați dacă procesul de prognoză se potrivește produselor și deciziilor pe care trebuie să le susțină. Cinci verificări fac planul practic:
- Triați sortimentul. Identificați articolele care aduc cea mai mare parte a veniturilor, apoi clasificați-le ca stabile, dependente de promoții sau intermitente. Pentru restul poate fi suficientă o regulă mai simplă.
- Verificați istoricul vânzărilor. Extrageți 12–24 de luni de vânzări pe articol, magazin și zi și marcați zilele cu stoc epuizat. Dacă aveți doar 12 luni, folosiți datele, dar așteptați-vă la o eroare mai mare.
- Testați față de un reper. Stabiliți un reper sezonier și comparați modele mai complexe pe săptămâni excluse din antrenare. Rezultatul M5 de mai sus arată de ce un model mai complex trebuie să își justifice locul.
- Stabiliți rutina de măsurare. Alegeți o metrică pentru fiecare decizie, apoi păstrați același prag și aceeași frecvență de revizuire de la un ciclu la altul.
- Analizați erorile repetate. Reverificați punctele de comandă pentru articolele cu erori de prognoză recurente înainte de a plasa comanda.

ELECTE rulează șase metode de prognoză pe datele utilizatorului, le evaluează comparativ și o alege pe cea mai precisă. Calculatorul gratuit de punct de comandă ajută la calcularea punctului de comandă al unui articol.
Prognozele reduc riscul, dar nu pot ține cont de orice schimbare. Un model poate rata lansarea unui produs nou sau o promoție fără istoric de vânzări comparabil. Păstrați o rutină de revizuire alături de prognoză, astfel încât cumpărătorii să poată reacționa când cererea reală diferă de plan.
ELECTE conectează datele despre vânzări, stoc și promoții, compară șase metode de prognoză pe datele disponibile și prezintă prognozele, acuratețea și excepțiile în tablouri de bord vizuale pe care echipele le pot partaja. Dacă evaluați prognozele de cerere împreună cu propriile date de vânzări, vizitați ELECTE.

Comentarii
Niciun comentariu încă — începe conversația.