Prognozowanie popytu poza Excelem

Excel pozostaje jednym z najważniejszych narzędzi wykorzystywanych w planowaniu sprzedaży. Jest dostępny, elastyczny i dobrze znany zespołom biznesowym. Pozwala szybko przygotować zestawienie danych, przedłużyć trend i zbudować kilka wariantów planu.

Problem pojawia się wtedy, gdy prognoza musi uwzględniać więcej niż dotychczasową sprzedaż.

W branży FMCG popyt zależy jednocześnie od wielu czynników: ceny, promocji, dystrybucji, sezonowości, aktywności konkurencji, zmian w portfolio, dostępności produktu czy specyfiki poszczególnych kanałów sprzedaży.

Prosty trend w arkuszu nie jest w stanie wiarygodnie odwzorować wszystkich tych zależności.

Dlatego przejście poza Excel nie oznacza rezygnacji z arkuszy jako narzędzia pracy. Oznacza wykorzystanie bardziej zaawansowanych modeli do przygotowania prognozy, a następnie udostępnienie jej użytkownikowi biznesowemu w czytelnej i praktycznej formie.

Szczególnie użyteczne są modele machine learning oparte na drzewach decyzyjnych, takie jak Random Forest, XGBoost, LightGBM czy CatBoost.

Dlaczego prognoza oparta na trendzie przestaje wystarczać?

Najprostsza prognoza zakłada, że przyszłość będzie rozwijać się podobnie jak przeszłość. Historyczny trend zostaje przedłużony, czasem z uwzględnieniem sezonowości lub ręcznie wprowadzonych korekt.

Takie podejście może działać przy stabilnym rynku i niewielkiej liczbie zmian. W praktyce warunki biznesowe rzadko pozostają jednak niezmienne.

Prognoza powinna odpowiedzieć między innymi na pytania:

• jak na sprzedaż wpłynie podwyżka ceny,
• jaki będzie efekt zmiany intensywności promocji,
• co stanie się po zwiększeniu lub utracie dystrybucji,
• jak zareaguje sprzedaż na aktywność konkurencji,
• jaki wpływ będzie miało wprowadzenie lub wycofanie SKU,
• czy obserwowany wzrost jest trwałym trendem, czy efektem jednorazowej akcji,
• jak zmieni się wynik w różnych kanałach i segmentach rynku.

Model trendowy nie analizuje przyczyn zmiany sprzedaży. Widzi jedynie dotychczasową ścieżkę wyniku.

Jeśli sprzedaż wzrosła dzięki zwiększeniu dystrybucji, prognoza może automatycznie przedłużyć ten wzrost, nawet gdy dystrybucja osiągnęła już maksymalny poziom. Jeżeli wynik był wspierany wyjątkowo intensywną promocją, model może potraktować podwyższony wolumen jako nową normę.

To prowadzi do prognoz, które matematycznie wyglądają poprawnie, ale nie odzwierciedlają rzeczywistych mechanizmów biznesowych.

Czym różni się prognozowanie machine learning?

Modele machine learning uczą się zależności pomiędzy sprzedażą a czynnikami, które mogą na nią wpływać.

Zamiast wykorzystywać wyłącznie wcześniejsze wartości sprzedaży, model może analizować jednocześnie:

• ceny regularne i rzeczywiste ceny transakcyjne,
• głębokość oraz częstotliwość promocji,
• poziom dystrybucji,
• sezonowość,
• dni świąteczne i wydarzenia kalendarzowe,
• wyniki kategorii,
• ceny i promocje konkurencji,
• liczbę aktywnych SKU,
• kanał sprzedaży,
• format sklepu,
• opóźnione wartości sprzedaży,
• średnie kroczące,
• trendy krótko- i długoterminowe.

Model nie otrzymuje ręcznie zdefiniowanej reguły mówiącej, jak każdy czynnik wpływa na sprzedaż. Uczy się tych zależności na podstawie danych historycznych.

Dzięki temu może uwzględniać sytuacje, w których wpływ danego czynnika zależy od innych warunków.

Przykładowo obniżka ceny może mieć duży wpływ na sprzedaż:

• tylko przy odpowiednio wysokiej dystrybucji,
• wyłącznie w wybranych kanałach,
• w określonym sezonie,
• przy braku równoległej promocji konkurencji,
• po przekroczeniu konkretnego poziomu rabatu.

Takie zależności są trudne do zapisania za pomocą jednej formuły. Modele drzewiaste potrafią identyfikować je bez konieczności ręcznego definiowania każdego możliwego przypadku.

Jak działa drzewo decyzyjne?

Drzewo decyzyjne dzieli dane na kolejne grupy według zmiennych, które najlepiej wyjaśniają różnice w sprzedaży.

Model może przykładowo rozpocząć analizę od pytania:

Czy produkt był w promocji?

Następnie może sprawdzić:

• czy dystrybucja przekraczała określony poziom,
• jaka była głębokość rabatu,
• w jakim kanale sprzedawany był produkt,
• czy analizowany okres przypadał na sezon wysoki,
• jaki był poziom ceny konkurencji.

Każdy kolejny podział prowadzi do bardziej jednorodnej grupy obserwacji i dokładniejszego oszacowania sprzedaży.

Zaletą drzew decyzyjnych jest możliwość odwzorowania zależności nieliniowych. Model nie zakłada, że każda zmiana ceny o 1% wywołuje zawsze taki sam efekt.

Może rozpoznać, że:

• obniżka z 5% do 10% wyraźnie zwiększa sprzedaż,
• obniżka z 20% do 25% nie daje już istotnego dodatkowego efektu,
• wpływ promocji jest silny przy wysokiej dystrybucji, ale niewielki przy ograniczonej dostępności,
• przekroczenie konkretnego progu cenowego zmienia zachowanie konsumentów.

Pojedyncze drzewo jest jednak podatne na nadmierne dopasowanie do danych historycznych. Dlatego w praktyce częściej wykorzystuje się zespoły wielu drzew.

Random Forest: wiele modeli zamiast jednego drzewa

Random Forest buduje wiele drzew decyzyjnych na różnych próbach danych i z wykorzystaniem różnych zestawów zmiennych.

Każde drzewo przygotowuje własną prognozę, a wynik końcowy jest ich uśrednieniem.

Takie podejście ogranicza ryzyko, że model zbyt mocno dopasuje się do pojedynczych obserwacji lub nietypowych zdarzeń.

Random Forest dobrze sprawdza się, gdy:

• zależności pomiędzy zmiennymi są nieliniowe,
• dostępnych jest wiele potencjalnych predyktorów,
• występują interakcje między ceną, promocją, dystrybucją i sezonowością,
• potrzebny jest stabilny model o stosunkowo niewielkich wymaganiach konfiguracyjnych.

Model może również wskazywać, które zmienne miały największe znaczenie dla prognozy. Nie oznacza to automatycznie związku przyczynowego, ale pomaga zrozumieć, jakie informacje są szczególnie istotne dla przewidywania sprzedaży.

Gradient boosting: XGBoost, LightGBM i CatBoost

Jeszcze większą dokładność często zapewniają modele wykorzystujące gradient boosting.

W tym podejściu kolejne drzewa nie powstają niezależnie. Każde następne drzewo koncentruje się na błędach popełnionych przez wcześniejsze modele.

Pierwsze drzewo przygotowuje wstępną prognozę. Kolejne próbuje poprawić te obserwacje, dla których wynik był niedokładny. Proces jest powtarzany, aż model osiągnie odpowiednią jakość.

Do najpopularniejszych algorytmów należą:

XGBoost

Model ceniony za wysoką skuteczność, elastyczność i możliwość szczegółowego dostrojenia. Dobrze radzi sobie z rozbudowanymi zbiorami danych oraz złożonymi zależnościami pomiędzy zmiennymi.

LightGBM

Rozwiązanie zoptymalizowane pod kątem szybkości i dużej liczby obserwacji. Jest szczególnie użyteczne przy prognozowaniu wielu produktów, rynków i kanałów jednocześnie.

CatBoost

Model dobrze radzący sobie ze zmiennymi kategorialnymi, takimi jak marka, produkt, segment, kanał lub sieć handlowa. Może ograniczyć konieczność rozbudowanego przygotowywania takich danych przed modelowaniem.

Nie ma jednego algorytmu, który zawsze będzie najlepszy. Właściwe podejście polega na porównaniu kilku modeli w warunkach zbliżonych do rzeczywistego prognozowania.

Dlaczego modele drzewiaste dobrze sprawdzają się w FMCG?

Sprzedaż FMCG charakteryzuje się dużą liczbą zależności, które nie są liniowe ani jednakowe dla wszystkich produktów.

Wpływ promocji może zależeć od:

• marki,
• segmentu cenowego,
• głębokości rabatu,
• kanału,
• sezonu,
• poziomu dystrybucji,
• działań konkurencji.

Podobnie zmiana ceny może mieć inny efekt dla produktu premium, inny dla marki ekonomicznej, a jeszcze inny dla nowości znajdującej się na etapie budowania dystrybucji.

Modele drzewiaste automatycznie wychwytują takie interakcje. Nie wymagają przy tym założenia, że wszystkie produkty zachowują się według jednego schematu.

Dobrze radzą sobie również z dużą liczbą zmiennych oraz z sytuacjami, w których część informacji ma znaczenie tylko dla określonych grup produktów.

Prognoza sprzedaży wymaga prognozy zmiennych biznesowych

Zaawansowany model nie rozwiązuje automatycznie wszystkich problemów.

Jeżeli przyszła sprzedaż zależy od ceny, promocji i dystrybucji, trzeba określić przyszłe wartości tych zmiennych.

W okresie walidacyjnym można korzystać z rzeczywistych danych, aby sprawdzić zdolność modelu do odwzorowania sprzedaży. W prognozie przyszłości dostępne są jednak wyłącznie:

• wartości zaplanowane przez biznes,
• wartości wynikające z przyjętego scenariusza,
• oddzielne prognozy poszczególnych zmiennych.

Dlatego warto rozdzielić dwa zastosowania modelu.

Prognoza bazowa

Pokazuje najbardziej prawdopodobny rozwój sprzedaży przy założonym przebiegu cen, promocji, dystrybucji oraz pozostałych czynników.

Scenariusze „what if”

Pozwalają sprawdzić, jak zmieni się wynik po modyfikacji kluczowych założeń, na przykład:

• podwyżce ceny o 5%,
• zwiększeniu liczby promocji,
• ograniczeniu głębokości rabatu,
• wzroście dystrybucji,
• wycofaniu wybranego SKU,
• wejściu do nowego kanału.

W ten sposób model przestaje być wyłącznie narzędziem prognostycznym. Staje się narzędziem wspierającym decyzje.

Jak oceniać jakość prognozy?

Modelu nie należy oceniać na danych, na których został wytrenowany. Najważniejsze jest sprawdzenie, jak radzi sobie z przewidywaniem okresu, którego wcześniej nie widział.

W prognozowaniu szeregów czasowych podział danych musi zachować kolejność chronologiczną.

Model powinien zostać wytrenowany na wcześniejszych okresach, a następnie zweryfikowany na późniejszym fragmencie historii. Jeszcze lepszym podejściem jest walidacja krocząca, w której model wielokrotnie prognozuje kolejne okresy.

Do oceny można wykorzystywać między innymi:

• MAE, czyli średni błąd bezwzględny,
• RMSE, który silniej karze duże pomyłki,
• WAPE, dobrze sprawdzający się przy agregowaniu błędów,
• bias, pokazujący tendencję do systematycznego zawyżania lub zaniżania prognozy,
• dokładność na poziomie produktu, kategorii, kanału i całej organizacji.

Najlepszy model nie zawsze oznacza model z najniższym średnim błędem.

Warto również sprawdzić:

• stabilność wyników w czasie,
• zachowanie podczas okresów promocyjnych,
• jakość prognozy dla produktów o małej sprzedaży,
• skalę systematycznych przeszacowań,
• odporność na nietypowe wydarzenia,
• możliwość wyjaśnienia wyniku użytkownikom biznesowym.

Machine learning nie oznacza „czarnej skrzynki”

Jedną z obaw związanych z zaawansowanymi modelami jest ograniczona interpretowalność.

Samo stwierdzenie, że model prognozuje określony poziom sprzedaży, nie wystarcza zespołowi odpowiedzialnemu za planowanie.

Dlatego rozwiązanie powinno pokazywać również:

• które zmienne miały największy wpływ na wynik,
• jakie czynniki zwiększały lub obniżały prognozę,
• jak zmienia się sprzedaż przy modyfikacji założeń,
• które produkty odpowiadają za różnicę pomiędzy scenariuszami,
• gdzie ryzyko błędu jest największe.

Można w tym celu wykorzystać między innymi analizę ważności zmiennych, wykresy zależności oraz wartości SHAP, które pomagają wyjaśnić wpływ poszczególnych czynników na konkretną prognozę.

Interpretacja powinna być jednak przedstawiana językiem biznesowym. Użytkownik nie potrzebuje informacji o strukturze każdego drzewa. Potrzebuje wiedzieć, że prognoza wzrosła przede wszystkim dzięki planowanemu zwiększeniu dystrybucji, a ryzykiem pozostaje wyższa cena i nasilona aktywność konkurencji.

Excel nadal może być częścią rozwiązania

Przejście na machine learning nie oznacza, że użytkownik biznesowy musi pracować bezpośrednio w kodzie.

Model może działać w tle, natomiast wyniki mogą być udostępniane poprzez:

• dashboard,
• aplikację scenariuszową,
• narzędzie webowe,
• raport Power BI,
• plik Excel zasilany wynikami modelu.

Excel może nadal służyć do przeglądania prognozy, nanoszenia kontrolowanych korekt i porównywania wariantów. Różnica polega na tym, że liczby bazowe nie wynikają już z prostego przedłużenia trendu, lecz z modelu uwzględniającego rzeczywiste mechanizmy wpływające na popyt.

Najczęstsze błędy we wdrażaniu modeli ML

Zbyt mało danych

Zaawansowany model nie zastąpi odpowiedniej historii sprzedaży. Przy niewielkiej liczbie obserwacji prostszy model może działać stabilniej.

Brak danych o promocjach i dystrybucji

Jeżeli model nie otrzymuje informacji o kluczowych czynnikach sprzedaży, będzie próbował odtworzyć ich efekt pośrednio, co ograniczy jego dokładność.

Przypadkowy podział danych

Losowe dzielenie szeregu czasowego może prowadzić do wykorzystania informacji z przyszłości i zawyżonej oceny jakości modelu.

Nadmierna złożoność

Bardziej skomplikowany algorytm nie zawsze jest lepszy. Model powinien wygrywać w rzetelnej walidacji, a nie wyłącznie imponować liczbą parametrów.

Jedna metoda dla wszystkich produktów

Produkty stabilne, sezonowe, promocyjne, nowe i schyłkowe mogą wymagać różnych modeli. W praktyce warto porównywać kilka podejść i wybierać najlepsze rozwiązanie dla poszczególnych grup.

Brak monitorowania po wdrożeniu

Relacje rynkowe zmieniają się w czasie. Model powinien być regularnie aktualizowany, kontrolowany i ponownie trenowany.

Od czego zacząć?

Przejście poza Excel nie musi oznaczać natychmiastowej przebudowy całego procesu planistycznego.

Dobrym początkiem jest pilotaż obejmujący:

• jedną kategorię,
• wybrany rynek lub kanał,
• odpowiednio długą historię sprzedaży,
• ceny, promocje i dystrybucję,
• porównanie kilku modeli,
• walidację na rzeczywistym okresie historycznym.

Warto porównać wynik modeli machine learning z obecną prognozą biznesową oraz prostym benchmarkiem, takim jak średnia krocząca, prognoza sezonowa lub trend.

Model ML powinien zostać wdrożony nie dlatego, że jest bardziej zaawansowany, lecz dlatego, że:

• poprawia dokładność,
• ogranicza systematyczne błędy,
• przyspiesza przygotowanie prognozy,
• pozwala analizować scenariusze,
• wspiera lepsze decyzje biznesowe.

Podsumowanie

Prognozowanie popytu poza Excelem nie polega na zastąpieniu arkusza najbardziej skomplikowanym dostępnym algorytmem.

Polega na przejściu od ręcznego przedłużania trendów do modeli, które potrafią uwzględnić wpływ cen, promocji, dystrybucji, sezonowości, portfolio i otoczenia konkurencyjnego.

Modele oparte na drzewach decyzyjnych, takie jak Random Forest, XGBoost, LightGBM i CatBoost, są szczególnie użyteczne w FMCG, ponieważ wychwytują nieliniowe zależności i interakcje pomiędzy wieloma czynnikami wpływającymi na sprzedaż.

Największa wartość pojawia się jednak dopiero wtedy, gdy prognoza zostaje połączona ze scenariuszami biznesowymi.

Dzięki temu organizacja może nie tylko przewidywać przyszły popyt, lecz także sprawdzać, jak zmieni się sprzedaż po podwyżce ceny, modyfikacji promocji, zwiększeniu dystrybucji lub zmianie portfolio.

VALUEPIE tworzy modele prognostyczne dopasowane do specyfiki kategorii, produktów i dostępnych danych. Łączymy zaawansowane algorytmy machine learning z warstwą scenariuszową, aby prognozy wspierały S&OP, budżetowanie i planowanie komercyjne, a nie pozostawały jedynie kolejną tabelą z liczbami.