Dlaczego prognozowanie popytu stało się krytyczne w e‑commerce
Od „kupuję na oko” do decyzji opartych na danych
Przy niewielkiej skali działalności wiele sklepów internetowych radzi sobie, zamawiając towar „na wyczucie”. Właściciel zagląda w panel sklepu, widzi ogólną sprzedaż z ostatnich dni, dogaduje się z dostawcą telefonicznie – i jakoś to działa. Problem zaczyna się wtedy, gdy rośnie asortyment, liczba zamówień oraz koszty błędów magazynowych. Pomyłka w decyzji zakupowej nie oznacza już kilku nieudanych kartonów, tylko zamrożenie kapitału na poziomie, który realnie hamuje rozwój firmy.
Prognozowanie popytu w e‑commerce to odpowiedź na pytanie: ile sztuk danego produktu w danym czasie klienci realnie kupią. Im trafniejsza prognoza, tym lepiej można planować stany magazynowe pod wysyłkę, harmonogram dostaw, pracę zespołu pakującego i politykę cenową. Decyzje „na oko” w środowisku, gdzie marginesy są coraz bardziej ściśnięte, szybko przeradzają się w realny koszt: nadwyżki zapasów, braki towaru, niepotrzebnie wynajęte dodatkowe miejsce w magazynie.
Oparcie się na danych nie oznacza od razu wdrożenia skomplikowanych modeli statystycznych. W wielu sklepach wystarczy konsekwentne zbieranie informacji o sprzedaży, zwrotach, stanach magazynowych i czasie dostaw, a następnie przełożenie ich na kilka prostych wskaźników. Kluczowe jest to, by decyzje zakupowe przestały być efektem intuicji jednego człowieka, a stały się powtarzalnym procesem opartym o liczby.
Skutki braku prognoz dla logistyki wysyłek
Prognozowanie popytu ma bezpośredni wpływ na logistykę wysyłek. Jeśli sklep nie przewidzi wzrostu zamówień, pojawiają się typowe problemy:
Opóźnienia w realizacji – gdy stany magazynowe są zbyt niskie, towar trzeba szybko domawiać. Czas oczekiwania się wydłuża, a deklarowany na stronie termin wysyłki przestaje być realny.
Anulacje zamówień – gdy system sprzedał więcej, niż jest dostępne fizycznie, część zamówień trzeba anulować lub rozbijać na kilka przesyłek, co generuje dodatkowe koszty i irytację klientów.
Spiętrzenia pracy pakowalni – brak równomiernego planowania zapasu i dostaw powoduje, że magazyn przez kilka dni „stoi”, a potem przez kolejne trzy pracuje ponad siły, nadrabiając zaległości.
Z drugiej strony, przeszacowanie popytu prowadzi do przepełnionego magazynu. Paczki nie mają gdzie czekać na kuriera, ścieżki transportowe się zacieśniają, rośnie liczba błędnych kompletacji. Dodatkowo pojawia się presja, by „wypychać” zalegający towar promocjami, co psuje marżę i utrudnia prognozowanie popytu w kolejnych okresach.
Wpływ prognoz popytu na doświadczenie klienta
Dla klienta detalicznego liczy się przede wszystkim to, czy produkt jest dostępny, w jakim czasie zostanie dostarczony i czy otrzyma dokładnie to, co zamówił. Prognozowanie popytu w e‑commerce przekłada się na te trzy elementy w bardzo prosty sposób: pozwala utrzymać odpowiednie zapasy, zapobiega sytuacjom „produkt chwilowo niedostępny” oraz umożliwia realne komunikowanie terminu wysyłki.
Jeśli sklep deklaruje wysyłkę w 24 godziny, a później okazuje się, że produkt jest u dostawcy i potrzeba kilku dni na jego sprowadzenie, zaufanie klienta spada. Przy kolejnych zakupach wybierze konkurencję, która ma mniejszy asortyment, ale wysyła szybko i zgodnie z obietnicą. Z kolei właściwe zaplanowanie zapasów pod kampanie marketingowe pozwala uniknąć sytuacji, gdy promocja generuje ruch i zainteresowanie, ale większość produktów jest już wyprzedana.
Dobre prognozy popytu ułatwiają także zarządzanie komunikatami na stronie: informacją o liczbie sztuk w magazynie, przybliżonym terminie wysyłki, a nawet o ograniczonych stanach w przypadku produktów limitowanych. Dzięki temu klient widzi spójny obraz – to, co sklep pokazuje na stronie, ma pokrycie w realnym magazynie i możliwościach logistycznych.
Różnica między klasycznym handlem a e‑commerce
W klasycznym handlu stacjonarnym cykle zamówień są zwykle dłuższe, a zmienność popytu – choć istnieje – jest mniej gwałtowna. Sklep fizyczny rzadko doświadcza nagłego, kilkukrotnego wzrostu zainteresowania jednym produktem w ciągu 24 godzin. W e‑commerce takie skoki są normą: kampania w social media, wzmianka u influencera, krótka promocja w Google Ads – i sprzedaż potrafi zmienić się drastycznie w ciągu jednego dnia.
Do tego dochodzi specyfika operacyjna. W handlu stacjonarnym klient sam „pakuje” produkt i wynosi go ze sklepu. W e‑commerce każdy dodatkowy order to dodatkowa jednostka pracy magazynu: kompletacja, pakowanie, generowanie etykiety, przekazanie kurierowi. Prognozowanie popytu musi więc uwzględniać nie tylko ilości produktów, ale i wydolność procesów wysyłkowych. Nawet najlepiej zatowarowany magazyn nie poradzi sobie z wysyłką, jeśli liczba zamówień przekroczy możliwości przerobowe zespołu i systemów.
Krótki przykład: Black Friday bez prognoz
Jeden z polskich sklepów z elektroniką przez kilka lat podchodził do Black Friday bez specjalnego planowania. Najpierw organizował promocje, a później zamawiał towar u dostawców „po fakcie”, licząc na szybkie dostawy. W pierwszym roku sprzedaż wzrosła umiarkowanie, więc problemy były ograniczone. W kolejnym, dzięki agresywnej kampanii reklamowej, liczba zamówień skoczyła kilkukrotnie w ciągu dwóch dni.
Magazyn nie był przygotowany: brakowało kluczowych produktów, część stanów w systemie nie zgadzała się ze stanem fizycznym, kurierzy nie byli poinformowani o planowanym zwiększeniu liczby przesyłek. W efekcie wysyłki opóźniły się o kilka dni, obsługa klienta została zasypana pytaniami o status zamówień, a wiele zamówień trzeba było anulować z powodu braku towaru. Straty wizerunkowe okazały się większe niż zysk ze sprzedaży.
W kolejnym roku ten sam sklep zaczął przygotowania od prognozowania popytu: przeanalizował poprzednie kampanie, ustalił plan sprzedaży dla konkretnych produktów, zamówił zwiększone stany z dużym wyprzedzeniem i dostosował grafik pracy magazynu. Efekt – mniej nerwów, mniejszy chaos w pakowalni i znacznie lepsze opinie klientów, mimo porównywalnej lub wyższej liczby zamówień.
Co to jest popyt w sklepie internetowym i z czego się bierze
Popyt rzeczywisty a popyt obserwowany
Pojęcie popytu w sklepie internetowym bywa mylone ze sprzedażą. Popyt rzeczywisty to liczba sztuk produktu, które klienci chcieliby kupić przy danej cenie i dostępności. Popyt obserwowany to liczba sztuk, które faktycznie zostały sprzedane – czyli to, co widać w raporcie sprzedaży.
Różnica między tymi pojęciami pojawia się zawsze wtedy, gdy produkt był niedostępny lub miał długi czas realizacji. Jeśli popularny wariant kolorystyczny butów jest przez dwa tygodnie wyprzedany, sprzedaż spada niemal do zera. Czy to znaczy, że klienci nagle przestali chcieć ten produkt? Nie – popyt rzeczywisty nadal istniał, ale sklep nie był w stanie go zaspokoić, więc zaczęły się zakupy u konkurencji.
Prognozowanie popytu w e‑commerce powinno opierać się nie tylko na surowej sprzedaży, ale także na analizie okresów, w których produkt był niedostępny. Inaczej model „wciąga” w siebie spadki sprzedaży wynikające z braków magazynowych i traktuje je jak realny spadek zainteresowania klientów.
Czynniki kształtujące popyt w e‑commerce
Na poziom popytu wpływa szereg czynników, z których część jest pod kontrolą sklepu, a część nie. Wśród najważniejszych źródeł zmienności znajdują się:
Sezonowość – pewne kategorie, takie jak odzież, sport, zabawki czy artykuły ogrodnicze, mają wyraźne szczyty sprzedaży w określonych miesiącach. Prognozy popytu muszą uwzględniać te cykle.
Cena i promocje – obniżka ceny, pakiety 2+1, darmowa dostawa, kody rabatowe dla newslettera – wszystkie te działania potrafią mocno podbić popyt w krótkim okresie.
Kanały reklamowe – intensyfikacja kampanii Google Ads, social media, influencerzy, marketplace’y – źródła ruchu potrafią gwałtownie zmienić liczbę zamówień na konkretnych produktach.
Trendy i rekomendacje – nagły wzrost mody na dany produkt, recenzja na popularnym blogu, film na YouTube – to czynniki trudne do przewidzenia, ale widoczne w danych po czasie.
Dostępność u konkurencji – jeśli konkurent ma braki lub znacząco podnosi ceny, część klientów przenosi się do innego sklepu, podnosząc tam popyt.
Każdy z tych elementów zaburza obraz „średniej sprzedaży”. Sklep, który patrzy wyłącznie na przeciętną miesięczną liczbę zamówień, nie widzi, że połowa sprzedaży w danym miesiącu pochodziła z dwudniowej promocji, a w pozostałym czasie ruch był znacznie niższy. Taka uproszczona perspektywa prowadzi do błędnych prognoz i niewłaściwych decyzji magazynowych.
Czas realizacji, warianty i ich wpływ na popyt
W e‑commerce ważny jest nie tylko sam produkt, ale i jego wariant: rozmiar, kolor, wersja techniczna. Klient nie kupi koszulki w rozmiarze S, jeśli potrzebuje L, nawet jeśli S jest dostępne od ręki. Z punktu widzenia prognozowania popytu kluczowa jest więc analiza na poziomie SKU (konkretnego wariantu), a nie wyłącznie na poziomie ogólnego indeksu produktowego.
Dodatkowo klienci reagują na czas realizacji. Produkt dostępny „wysyłka w 24h” będzie miał wyższy popyt niż ten sam produkt z informacją „wysyłka w 7 dni”, nawet przy tej samej cenie. Długie czasy dostaw sygnalizują niepewność i skłaniają część kupujących do wyboru innego sklepu. Jeśli prognozowanie popytu ignoruje tę zależność, wyniki będą zaniżone w okresach, gdy sklep operował na wydłużonych czasach realizacji.
Dlaczego „średnia sprzedaż z ostatnich miesięcy” często fałszuje obraz
Wielu sprzedawców zaczyna prognozowanie od prostego założenia: skoro w ostatnich trzech miesiącach sprzedało się średnio 100 sztuk produktu, to w następnym też będzie około 100. Problem w tym, że taka średnia często maskuje to, co istotne: sezonowość, promocje, out of stock i działania marketingowe.
Przykładowo: w jednym miesiącu sprzedaż wyniosła 160 sztuk (dzięki promocji), a w dwóch pozostałych po 70 sztuk. Średnia 100 sztuk sugeruje „stabilny” popyt, tymczasem w praktyce 160 sztuk było jednorazowym skokiem, a typowy poziom sprzedaży to okolice 70 sztuk. Jeśli sklep zamówi 100 sztuk na kolejny miesiąc, może okazać się, że przez część czasu magazyn jest przeładowany, a przez inną – znowu brakuje towaru, bo promocja została powtórzona, ale w mniejszej skali.
Zbyt uproszczona analiza sprzedaży ignoruje także fakt, że w niektórych dniach produkt był niedostępny. Średnia dzienna sprzedaż liczona z całego miesiąca, w którym przez tydzień produkt był out of stock, będzie zaniżona i nie odzwierciedli realnego popytu w dniach z pełną dostępnością.
Co widać, a czego nie widać w historii zamówień
Historia zamówień to cenne źródło informacji, ale pokazuje tylko jedną stronę obrazu. Co wiemy? Znamy liczbę sprzedaży według dnia, tygodnia, miesiąca, widzimy korelację z ceną, promocjami, częściowo z kanałami ruchu. Można z niej wyczytać trendy rosnące lub malejące, podstawową sezonowość oraz reakcję klientów na zmiany oferty.
Czego nie wiemy? Historia zamówień rzadko mówi wprost, ile zamówień zostało utraconych przez brak towaru, ile osób zrezygnowało z zakupu z powodu długiego czasu realizacji, ile wyszło ze strony, widząc brak ulubionego wariantu. Dane analityczne (np. z Google Analytics) pomagają częściowo uzupełnić ten obraz, pokazując porzucone koszyki, kliknięcia w niedostępne rozmiary czy nagłe spadki konwersji przy braku stanów.
Prognozowanie popytu w e‑commerce powinno więc łączyć dane sprzedażowe z informacjami o dostępności produktów, działaniach marketingowych oraz ruchu na stronie. Tylko wtedy widać, które spadki sprzedaży wynikają z braku zainteresowania, a które z braków magazynowych lub innych barier po stronie sklepu.
Dane potrzebne do sensownego prognozowania popytu
Podstawowe źródła danych w sklepie internetowym
Aby prognozowanie popytu w e‑commerce miało sens, trzeba zidentyfikować i spiąć ze sobą kilka kluczowych źródeł danych. Typowo są to:
Platforma sklepu – główne źródło historii zamówień, dane o produktach, wariantach, cenach, rabatach, statusach zamówień.
Marketplace’y (Allegro, Amazon, Empik itd.) – dodatkowe kanały sprzedaży, często z własnymi raportami sprzedaży i prowizji.
Dane o ruchu i zachowaniu użytkowników
Historia zamówień pokazuje, co zostało kupione. Dane o ruchu wskazują, co mogło zostać kupione, gdyby nie bariery po stronie sklepu. Zestawienie tych dwóch perspektyw pozwala zbliżyć się do popytu rzeczywistego.
Podstawowe źródła to narzędzia analityczne (np. Google Analytics, Matomo) oraz systemy do analityki produktowej. Przydatne są w szczególności:
Wyświetlenia kart produktu (product views) – liczba sesji, w których dany SKU był oglądany. Gwałtowny wzrost wyświetleń przy stabilnej sprzedaży często oznacza problem z ceną, dostępnością lub prezentacją oferty.
Dodania do koszyka – pokazują, ilu klientów było blisko zakupu. Wysoki udział „add to cart” przy niskiej liczbie zamówień może świadczyć o problemie w ścieżce zakupowej lub o tym, że produkt często jest wybierany w wariancie chwilowo niedostępnym.
Porzucone koszyki – lista produktów, które regularnie pojawiają się w porzucanych koszykach, to sygnał: popyt istnieje, ale coś zatrzymuje klientów.
Kliknięcia w niedostępne warianty – jeśli system śledzi próbę wyboru rozmiaru/koloru „niedostępny”, powstaje bezpośrednia miara utraconego popytu na poziomie konkretnego SKU.
Z punktu widzenia prognozowania popytu istotne jest, by te dane były spięte z kalendarzem dostępności. Dopiero wtedy można stwierdzić, czy spadek sprzedaży wynikał z mniejszego zainteresowania, czy z braku towaru przy niezmiennym ruchu.
Informacje z systemu magazynowego i zakupowego
Prognoza popytu bez danych magazynowych jest oderwana od realiów. System WMS/ERP dostarcza informacji, które przekładają się na to, ile towaru da się realnie sprzedać w danym czasie.
Przy prognozowaniu szczególnie przydatne są:
Historia poziomów zapasów – kiedy produkt był dostępny, kiedy zabrakło go całkowicie, a kiedy stan był symboliczny. Umożliwia korektę sprzedaży o okresy out of stock.
Czasy dostaw od dostawców – średni lead time, odchylenie od średniej, sezonowe opóźnienia. To one później zadecydują, jak długi okres trzeba „przeżyć” na magazynie.
Wielkości minimalnych zamówień (MOQ) – prognoza może sugerować potrzebę 15 sztuk, ale jeśli dostawca sprzedaje w kartonach po 50, trzeba inaczej ustawić politykę zapasu.
Retury i reklamacje – produkty z wysokim wskaźnikiem zwrotów lub uszkodzeń zaburzają obraz sprzedaży netto i popytu. W prognozach można je traktować osobno.
Połączenie informacji o sprzedaży i stanach magazynowych pozwala odtworzyć linię „sprzedaży przy pełnej dostępności”. To bliższe popytowi rzeczywistemu niż surowe raporty sprzedaży.
Dane o działaniach marketingowych i kalendarzu zdarzeń
Popyt w e‑commerce jest silnie sterowany komunikacją marketingową. Te informacje rzadko są trzymane obok raportów sprzedaży, choć często wyjaśniają większość wahań w danych.
W praktyce przydaje się prosty kalendarz zdarzeń, obejmujący m.in.:
daty startu i zakończenia kampanii płatnych (Google Ads, Facebook/Instagram, marketplace’y),
promocje cenowe, kody rabatowe, akcje specjalne (np. darmowa dostawa),
akcje newsletterowe i wysyłki push z oznaczeniem produktów, których dotyczyły,
uczestnictwo w dużych wydarzeniach sprzedażowych (Black Friday, święta, wyprzedaże sezonowe).
Dla prognoz można dzięki temu zbudować prostą „mapę wpływów”: wiadomo, w których okresach popyt był wspierany mocnym marketingiem, a kiedy sprzedaż wynikała głównie z ruchu organicznego i stałej bazy klientów. To rozróżnienie ma kluczowe znaczenie przy planowaniu przyszłych kampanii i stanów magazynowych.
Jak łączyć te źródła w praktyce
W mniejszych sklepach integracja danych często oznacza po prostu regularne zrzuty do arkusza kalkulacyjnego. Kluczowe jest, aby na jednej osi czasu znalazły się:
sprzedaż (sztuki) na poziomie SKU,
informacja o dostępności (0/1 lub konkretne stany),
wybrane wskaźniki ruchu (odsłony produktu, dodania do koszyka),
oznaczenia kampanii/promocji.
Po takim zsynchronizowaniu danych zaczyna być widać odpowiedzi na pytania: co wiemy o typowym popycie przy braku promocji? Jak zachowuje się produkt w szczycie sezonu, gdy jest w pełni dostępny? Jak mocno kampanie podbijają sprzedaż procentowo?
Źródło: Pexels | Autor: Charlie Merrow
Proste metody prognozowania popytu, które da się wdrożyć bez analityka
Średnie kroczące zamiast prostej średniej z kilku miesięcy
Zamiast liczyć jedną średnią z trzech ostatnich miesięcy, można zastosować średnią kroczącą. To nadal metoda podstawowa, ale lepiej oddaje bieżący trend.
Przykładowe podejście dla produktu sprzedawanego codziennie:
liczenie średniej dziennej sprzedaży z ostatnich 30 dni – dla produktów o stabilnym popycie,
liczenie średniej z 7 dni z dodatkowym porównaniem do 30 dni – dla produktów „rozkręcających się” lub schodzących z oferty.
Jeśli średnia z 7 dni jest znacząco wyższa niż z 30 dni, oznacza to wzrost popytu. W prostych forecastach można wtedy ręcznie podnieść prognozę, zamiast zakładać, że przyszłość będzie kopią przeszłości.
Manualne korygowanie o okresy braku dostępności
Nawet bez zaawansowanych modeli można poprawić jakość prognoz, wyłączając z kalkulacji dni, w których produkt był niedostępny. Wystarczy:
zidentyfikować dni z zerową sprzedażą i zerowym stanem magazynowym,
nie uwzględniać ich przy liczeniu średniej dziennej sprzedaży,
policzyć średnią tylko z dni „z pełną dostępnością”.
Prosty przykład: w miesiącu 30 dni, sprzedaż 90 sztuk, ale przez 10 dni produkt był całkowicie wyprzedany. Klasyczna średnia dzienna da 3 sztuki. Po wyłączeniu dni out of stock wychodzi 90 / 20 = 4,5 sztuki dziennie – to bliżej popytu rzeczywistego.
Prosta analiza sezonowości na podstawie ubiegłego roku
W wielu branżach sezonowość jest powtarzalna. Z punktu widzenia sklepu internetowego nie trzeba od razu sięgać po modele statystyczne – można wykorzystać mechanikę „indeksów sezonowych”.
Podstawowy wariant wygląda tak:
dla wybranych produktów liczymy miesięczną (lub tygodniową) sprzedaż za poprzedni pełny rok,
określamy miesiąc „referencyjny” (np. ten z umiarkowaną sprzedażą),
dla każdego miesiąca wyznaczamy wskaźnik: sprzedaż w danym miesiącu / sprzedaż w miesiącu referencyjnym,
Te współczynniki można później nakładać na bieżącą sprzedaż. Jeśli produkt obecnie sprzedaje się średnio 100 sztuk miesięcznie w „neutralnym” okresie, a z danych sezonowych wynika, że listopad ma indeks 2,0, można orientacyjnie przyjąć prognozę 200 sztuk na listopad, korygując ją o plany marketingowe i kanały sprzedaży.
Reguły kciuka dla nowych produktów
Nowe SKU nie mają historii sprzedaży, ale zwykle da się je przypisać do istniejącej kategorii lub podobnego produktu. W mniejszych sklepach często stosuje się proste reguły:
przypisanie nowego produktu do „rodziny” (np. buty biegowe marki X) i przejęcie części popytu z tej rodziny,
ocena potencjału na podstawie widoczności (liczba odsłon, miejsce w menu, plan wsparcia reklamowego),
założenie stopniowego „dochodzenia” do docelowego poziomu sprzedaży w ciągu kilku tygodni.
W praktyce oznacza to często bardzo ostrożne pierwsze zamówienie (np. 20–30% tego, co sprzedaje się w przypadku „gwiazdy” kategorii), szybkie sprawdzenie reakcji rynku i kolejne zakupy na podstawie realnych danych. Prognoza popytu dla nowości jest z definicji obarczona dużą niepewnością, więc zabezpieczeniem staje się krótszy cykl zamówień i szybka korekta planu.
Segmentacja ABC/XYZ a prognozowanie
Nie każdy produkt wymaga takiej samej uwagi. Połączenie prostych klasyfikacji ABC i XYZ pomaga zdecydować, gdzie przykładać większą wagę do prognoz.
Analiza ABC dzieli produkty według udziału w obrocie lub marży:
A – kilka–kilkanaście procent SKU generujących większość sprzedaży,
B – produkty średnio istotne,
C – cała „reszta”, często o sporadycznej sprzedaży.
Analiza XYZ dzieli produkty według regularności popytu:
X – sprzedaż równomierna, niewielka zmienność,
Y – wyraźna sezonowość lub wahania, ale w miarę przewidywalne,
Z – sprzedaż nieregularna, zamówienia „z doskoku”.
Po połączeniu powstają grupy, np. AX, BY, CZ. Prognozowanie „na piechotę” ma największy sens przy produktach z grup AX i AY – ważnych dla wyniku i w miarę przewidywalnych. Produkty CZ i BZ często lepiej traktować jako ofertę uzupełniającą i zamawiać je dopiero po określonej liczbie zamówień (np. na żądanie lub w paczkach).
Prosta regresja: sprzedaż a wybrane czynniki
Dla sklepów, które dobrze czują się w arkuszach kalkulacyjnych, kolejnym krokiem może być bardzo podstawowa regresja liniowa – np. sprawdzenie związku między wydatkami reklamowymi a sprzedażą danej kategorii.
Najprostszy eksperyment:
zebrać tygodniowe dane o sprzedaży kategorii oraz tygodniowe wydatki na reklamę kierującą do tej kategorii,
zbudować w Excelu wykres punktowy i dopasować prostą regresji,
sprawdzić, jaki przyrost sprzedaży średnio „daje” określony poziom wydatków.
Nie jest to pełny model prognozy popytu, ale już wskazuje, czy sprzedaż rośnie proporcjonalnie do budżetu marketingowego, czy też jest na nią silniej wpływają sezonowe wahania czy dostępność produktu. To kolejny krok do bardziej świadomego planowania kampanii i zapasów.
Zaawansowane podejścia: modele, systemy ERP/WMS i narzędzia forecastingowe
Modele statystyczne i machine learning w prognozowaniu popytu
Większe sklepy lub te działające na wielu rynkach zaczynają korzystać z modeli formalnych: od klasycznych szeregów czasowych po algorytmy uczenia maszynowego. W praktyce najczęściej używa się:
modeli szeregów czasowych (ARIMA, SARIMA, Holt-Winters) – dobrze radzą sobie z trendem i sezonowością przy dostatecznie długiej historii danych,
modeli zewnętrznych regresorów – do prognozy sprzedaży dokładane są zmienne opisujące m.in. budżet reklamowy, liczbę odsłon, ceny konkurencji,
modeli machine learning (gradient boosting, lasy losowe, sieci neuronowe) – przydatne tam, gdzie zależności są nieliniowe, a liczba czynników wpływających na popyt jest duża.
Co widać w praktyce? Modele potrafią dobrze odwzorować przeszłość, ale ich jakość w przyszłości silnie zależy od aktualności danych wejściowych i od tego, czy nie zachodzi nagła zmiana otoczenia (np. nowy duży konkurent, zmiana algorytmów platform reklamowych). Dlatego nawet zaawansowane prognozy są później korygowane decyzjami kupców i osób zarządzających kategoriami.
Rola systemów ERP i WMS w prognozowaniu
Systemy ERP i WMS wprowadzają porządek w danych – bez tego nawet najlepszy model prognozy będzie oparty na niepełnych informacjach. Kluczowe funkcje z perspektywy prognoz popytu to m.in.:
centralny rejestr stanów magazynowych z podziałem na lokalizacje (magazyn centralny, sklepy stacjonarne, cross-dock, fulfilment),
dokładne lead time’y na poziomie dostawców i produktów, z historią opóźnień,
moduły MRP/DRP (Material/Distribution Requirements Planning) – wyliczające zapotrzebowanie na materiały i produkty na podstawie prognoz oraz stanów,
obsługa rezerwacji stanu (np. pod przedsprzedaże, oferty B2B), która wpływa na dostępność dla klientów detalicznych.
W praktyce wiele systemów ERP oferuje własne moduły prostych prognoz – zwykle opartych na średnich kroczących, z uwzględnieniem sezonowości. Ich jakość zależy jednak od tego, jak dobrze sklep utrzymuje dane podstawowe: indeksy produktów, grupy asortymentowe, kalendarz świąt, historię out of stock.
Integracje z platformami sprzedażowymi i narzędziami forecastingowymi
Narzędzia do prognozowania nie działają w próżni. W e‑commerce krytyczne staje się spięcie ich z platformami sprzedażowymi (sklep własny, marketplace’y, system POS) i narzędziami marketingowymi. Celem jest przepływ danych w obie strony: z kanałów do modeli i z modeli do systemów zamówień.
Typowy układ w firmach rosnących wygląda następująco:
platforma sklepu i marketplace’y przekazują dzienne/ godzinowe dane sprzedażowe do hurtowni danych lub systemu ERP,
narzędzie forecastingowe (moduł ERP, zewnętrzny system lub rozwiązanie „szyte na miarę”) regularnie pobiera te dane, przelicza prognozy i odsyła rekomendacje zamówień,
moduł zakupowy w ERP generuje propozycje zleceń do dostawców, uwzględniając minimalne wielkości zamówień, opakowania zbiorcze i ograniczenia logistyczne.
Przy bardziej zaawansowanych wdrożeniach dochodzi jeszcze wymiana danych z systemami reklamowymi. Dane o planowanych kampaniach (budżety, terminy, kreacje) są przekazywane do modeli prognoz, a z kolei wyniki prognoz wpływają na decyzje o skali kampanii. Prosty przykład: jeśli model pokazuje wysokie ryzyko braku towaru przy agresywnej kampanii, zespół marketingu zmniejsza budżet lub przesuwa komunikację na produkty z większym zapasem.
Jakość danych jako ograniczenie modeli
Zaawansowane algorytmy są głośne, ale cicho działający problem leży gdzie indziej: w danych wejściowych. Co wiemy? Sklep internetowy generuje duże wolumeny informacji, ale bywają one niespójne i porozrzucane między systemami. Czego nie wiemy? Jak często błędne przypisanie kategorii, brakujące EAN-y czy źle wprowadzone lead time’y „psują” prognozę.
Najczęstsze bariery, które wychodzą na jaw dopiero przy wdrażaniu forecastingów:
różne nazwy tego samego produktu w różnych kanałach, brak spójnego ID,
brak historii out of stock – system zna tylko sprzedaż, nie zna okresów niedostępności,
nieregularne lub ręczne aktualizacje stanów między magazynem a sklepem internetowym,
niepełne dane o promocjach: brak informacji, kiedy produkt był mocno przeceniony lub eksponowany na stronie głównej.
W praktyce wiele firm rozpoczyna projekt prognozowania od „sprzątania” danych: ujednolicenia kartotek, domknięcia historii wstecz, ustalenia jednego kalendarza świąt i akcji promocyjnych. Dopiero na takim fundamencie modele statystyczne i narzędzia AI dają przewidywalne wyniki.
Jak przełożyć prognozy popytu na poziomy zapasów
Bezpośrednie przekształcenie prognozy w plan zamówień
Prognoza popytu sama w sobie nie zmniejszy braków ani nadwyżek. Potrzebny jest mechanizm, który zamieni ją w konkretne ilości do zamówienia w czasie. Podstawowy schemat wygląda następująco:
prognoza mówi, ile sztuk produktu „powinno zejść” w każdym dniu/tygodniu,
do prognozy dodawany jest zapas bezpieczeństwa,
na tej podstawie wyznacza się poziom docelowy stanu magazynowego na koniec okresu,
następnie, uwzględniając aktualny stan i zamówienia w drodze, wyliczana jest ilość do domówienia.
Brzmi teoretycznie, ale w prostszej wersji może działać nawet w arkuszu kalkulacyjnym: w jednej kolumnie stoi prognoza dzienna, w drugiej planowany stan minimalny, w trzeciej – różnica, która staje się propozycją zamówienia.
Czas realizacji zamówienia (lead time) a punkt ponownego zamówienia
Kluczową rolę odgrywa czas dostawy od dostawcy. Produkt, który dociera w dwa dni, wymaga innego podejścia niż ten, który przypływa kontenerem raz na kwartał. Podstawowym narzędziem jest tutaj punkt ponownego zamówienia (reorder point).
W uproszczonym ujęciu:
średnia prognozowana sprzedaż w okresie równym lead time’owi = zapotrzebowanie podstawowe,
do tego dodany zapas bezpieczeństwa = poziom, przy którym należy złożyć zamówienie.
Jeśli prognoza mówi o sprzedaży 10 sztuk dziennie, a lead time z dostawy to 7 dni, bazowe zapotrzebowanie na czas oczekiwania to 70 sztuk. Jeżeli polityka zapasu przewiduje 30 sztuk zapasu bezpieczeństwa, punkt ponownego zamówienia wyniesie 100 sztuk. Gdy stan spada poniżej tej wartości (po uwzględnieniu zamówień w drodze), system lub planista inicjuje nowe zamówienie.
Zapas bezpieczeństwa: jak go zdefiniować praktycznie
Teoretyczne wzory na zapas bezpieczeństwa korzystają z odchyleń standardowych i poziomów obsługi (service level). W realnym sklepie internetowym częściej stosuje się mieszankę danych i doświadczenia działu zakupów.
Do ustalenia zapasu bezpieczeństwa dla danej grupy produktów zwykle wykorzystuje się trzy informacje:
zmienność popytu – produkty z grup Y/Z w klasyfikacji XYZ wymagają wyższego bufora niż te z grupy X,
niepewność dostaw – im mniej stabilny dostawca, tym większy zapas bezpieczeństwa,
koszt braku – utrata sprzedaży, ryzyko utraty klienta, wizerunek marki.
W firmach średniej wielkości często ustala się proste reguły per segment, np.:
dla produktów AX – zapas bezpieczeństwa = prognozowana sprzedaż na 1–2 tygodnie,
dla produktów BY – na 0,5–1 tygodnia,
dla produktów CZ – brak standardowego bufora, zamówienia głównie „na żądanie”.
Takie poziomy są później korygowane na podstawie wskaźników: liczby dni out of stock w kwartale, liczby utraconych koszyków, reklamacji z powodu opóźnień.
Poziom obsługi (service level) a akceptowalne braki
Prognozowanie popytu i planowanie zapasów nie da pełnej dostępności dla każdego SKU – byłoby to zbyt kosztowne. Decyzja dotyczy tego, jaki poziom obsługi jest akceptowalny w danej kategorii.
W praktyce sklepy rozdzielają targety poziomu obsługi na klasy ABC:
dla produktów A – wysoki poziom dostępności, ograniczona tolerancja na braki,
dla produktów B – średni,
dla produktów C – dopuszczalne częstsze braki kosztem niższego kapitału zamrożonego w magazynie.
Założony poziom obsługi przekłada się bezpośrednio na wielkość zapasu bezpieczeństwa. Im bliżej 100% dostępności, tym większy bufor, a tym samym wyższe koszty magazynowania i ryzyko przestarzałych zapasów. Dla kategorii modowych czy elektroniki konsumenci szybciej wybaczą braki niż zbyt wysoką cenę wynikającą z kosztów utrzymania dużych magazynów.
Okresy przeglądu zapasów: ciągłe vs okresowe
Sklep internetowy musi też zdecydować, jak często przeliczać i aktualizować zamówienia. Są dwa podstawowe podejścia:
przegląd ciągły – stan jest monitorowany na bieżąco; kiedy tylko spadnie poniżej punktu ponownego zamówienia, generowana jest sugestia zakupu,
przegląd okresowy – stany i prognozy są analizowane w określonych interwałach (np. raz w tygodniu), a zamówienie składa się dla całej grupy produktów naraz.
Modele ciągłe lepiej wykorzystują dane w czasie rzeczywistym, ale wymagają większej automatyzacji i dyscypliny w aktualizacji stanów. Przegląd okresowy bywa wygodniejszy dla dostawców (skupione zamówienia), jednak zwiększa ryzyko krótkich braków pomiędzy kolejnymi przeglądami, zwłaszcza przy szybko rotujących pozycjach.
Różne strategie dla różnych kategorii i kanałów
Prognoza popytu bywa jedna, ale polityki zapasu już nie. Produkty sprzedawane równocześnie w sklepie internetowym, na marketplace’ach i w punktach stacjonarnych często wymagają osobnych podejść. Dochodzą też różnice między kategoriami.
Przykładowe rozróżnienie:
produkty „traffic makers” (wyszukiwane, często porównywane) – agresywniejsze poziomy zapasu, wysoki priorytet dostępności również na marketplace’ach,
akcesoria i dodatki – mniejszy bufor, zamówienia powiązane ze sprzedażą produktów głównych,
towary sezonowe (np. ogrodowe, świąteczne) – planowanie na cały sezon z góry, z jasno określonym poziomem zapasu końcowego akceptowalnym do wyprzedaży.
Dodatkowo część firm celowo różnicuje dostępność między kanałami. Przykład: sklep własny ma pełniejsze stany i priorytet w przydziale zapasu, a marketplace’y otrzymują część puli, która może być szybciej redukowana, gdy prognoza wskazuje ryzyko braku w kanale własnym.
Łączenie planowania sprzedaży z planowaniem zakupów (S&OP w wersji „light”)
Nawet bez pełnego procesu S&OP (Sales and Operations Planning) wiele e‑commerce’ów wprowadza prostą, ale regularną praktykę: wspólne przeglądy prognoz sprzedaży z udziałem marketingu, zakupów i logistyki. Celem jest synchronizacja działań.
Najbardziej użyteczne elementy takiego spotkania:
przegląd prognoz na najbliższe tygodnie z perspektywy kategorii i kluczowych SKU,
weryfikacja, czy planowane kampanie marketingowe nie „wybiją” prognoz ponad możliwości dostaw,
identyfikacja pozycji z ryzykiem nadmiaru (prognoza spada, zapas wysoki) i zaplanowanie promocji lub pakietów,
ustalenie priorytetów: które produkty mają „dostać” zapas jako pierwsze, gdy pojawi się ograniczona dostawa.
Efekt jest prosty: prognozy przestają być dokumentem analityka czy modułem ERP, a stają się wspólnym punktem odniesienia dla decyzji cenowych, promocyjnych i zakupowych.
Kalibracja prognoz: cykliczne mierzenie błędów
Ostatni element przełożenia prognoz na zapasy to systematyczne sprawdzanie, jak bardzo model się myli i w którą stronę. Bez tego błąd prognozy przekłada się wprost na niedobory lub nadwyżki.
Do oceny jakości prognoz w praktyce stosuje się m.in. wskaźniki:
MAPE (Mean Absolute Percentage Error) – średni procentowy błąd prognozy,
bias – informacja, czy model systematycznie zawyża (prognoza > sprzedaż) czy zaniża sprzedaż.
Jeżeli dane pokazują, że dla danej kategorii prognozy są stale zbyt optymistyczne, reakcją może być obniżenie poziomów docelowych zapasu lub korekta samego modelu (np. niższa waga trendu wzrostowego). Gdy model zaniża popyt przy kampaniach, warto dołożyć do niego dodatkowe zmienne: budżety, formaty reklam, udział ruchu płatnego w całym ruchu.
Prognozowanie pod różne modele logistyczne (własny magazyn, fulfilment, dropshipping)
Ten sam forecast może prowadzić do innych decyzji w zależności od modelu logistycznego. Sklep z własnym magazynem kalkuluje zapasy inaczej niż ten oparty na dropshippingu czy centrach fulfilmentowych.
Główne różnice:
własny magazyn – swoboda w ustalaniu poziomów zapasu, ale pełna odpowiedzialność za koszty utrzymania, zamrożony kapitał i utylizację nadwyżek,
fulfilment – często dodatkowe opłaty za metr/pojemność oraz za wolnorotujący towar; prognozy powinny pomagać w identyfikacji pozycji, które lepiej trzymać poza centrum fulfilmentowym lub w mniejszych ilościach,
dropshipping – mniejsze ryzyko magazynowe, ale większa wrażliwość na wiarygodność prognoz po stronie dostawcy; częścią procesu staje się wymiana forecastów z partnerem i uzgadnianie minimalnych stanów po jego stronie.
Degresja logistyczna jest konkretna: im gorsza prognoza przy wysokim koszcie metra magazynowego, tym wyższy koszt jednostkowy sprzedaży. Dlatego firmy przechodzące na fulfillment częściej przycinają ogony asortymentu i zaostrzają kryteria minimalnych obrotów dla produktów utrzymywanych na stanie.
Prognozowanie popytu a polityka wyprzedaży i „exit plan” dla towaru
Plan zapasów nie kończy się na momencie wejścia produktu na magazyn. Dla kategorii podatnych na starzenie się (moda, elektronika, kosmetyki) potrzebny jest też exit plan, czyli scenariusz wyjścia z towaru, jeśli prognozy się nie sprawdzą.
W dużych sklepach taki plan jest częścią pracy kupca lub category managera. Obejmuje m.in.:
określenie, po ilu tygodniach słabszej niż zakładana sprzedaży produkt trafia do lekkiej promocji cenowej,
moment wejścia w mocniejsze przeceny lub pakiety (np. łączone oferty z produktami szybko rotującymi),
graniczny poziom zapasu, poniżej którego dalsze obniżki nie mają sensu, bo zapas można „dowieźć” sprzedażą regularną.
