„Potrzebujemy lepszych prognoz”

Słyszymy to często — zwykle po:

• bolesnym braku towaru
• eksplozji kapitału obrotowego
• lub spotkaniu zarządu, na którym kwestionowane są poziom obsługi i marża

Naturalnym odruchem jest poprawa dokładności prognoz — nowe modele, nowe AI, więcej funkcjonalności…

Błąd prognozy zazwyczaj nie jest prawdziwym problemem — problemem jest jego wpływ finansowy.
Zanim więc zainwestujesz w nowy silnik prognostyczny, warto zadać ważniejsze pytanie:
Jaką decyzję biznesową tak naprawdę chcemy poprawić?

Nawet najbardziej zaawansowany model AI — wytrenowany na idealnych danych, wzbogacony o promocje, pogodę, elastyczność cenową i sygnały zewnętrzne — będzie się mylił.
Popyt i podaż są z natury niepewne.

Prawdziwe pytanie nie brzmi: „Jak wyeliminować błąd prognozy?”

Brzmi:
„Jaki poziom jakości prognozy jest potrzebny, aby osiągnąć nasze cele finansowe?”

To pytanie otwiera zupełnie inne możliwości.

W tym artykule przeprowadzimy Cię przez kluczowe pytania, które warto sobie zadać, oraz pokażemy, jak na nie odpowiadać na przykładzie z naszej praktyki: automatycznego uzupełniania zapasów.

Od trafności prognozy do wpływu na biznes

Jakiej decyzji służy prognoza?

Prognoza nie jest celem samym w sobie — wspiera decyzję.

Większość zastosowań dzieli się na dwie kategorie:

A. Prognozowanie strategiczne

‍Budżetowanie, S&OP, decyzje inwestycyjne, planowanie zdolności.
Zwykle poziom zagregowany, średni lub długi horyzont — liczy się ogólny obraz, detale mają mniejsze znaczenie.

B. Prognozowanie operacyjne

‍Alokacja zasobów w krótkim terminie, uzupełnianie zapasów, planowanie produkcji, planowanie pracy.
Zwykle poziom SKU, krótszy horyzont — detale mają kluczowe znaczenie dla wykonania.

Te zastosowania wymagają różnych modeli, różnych metryk i różnych oczekiwań.
Mimo to wiele organizacji próbuje rozwiązać oba problemy jedną „lepszą prognozą”.

Na jakim poziomie i horyzoncie mierzyć dokładność?

Prognozowanie 10 000 SKU indywidualnie to coś zupełnie innego niż prognozowanie całkowitego popytu firmy.

Uzyskanie <10% MAPE (średni bezwzględny błąd procentowy) na poziomie zagregowanym jest powszechne.

Prognozowanie pojedynczego SKU o zmiennym popycie?
Znacznie trudniejsze: jeśli popyt wynosi 1, a prognozujesz 2, MAPE wynosi 100%.

Czy to katastrofa?
Statystycznie — tak.
Finansowo? Być może marginalne, a być może nie. Sprzedajesz biżuterię czy wykałaczki?

To właśnie moment, w którym metryki techniczne przestają mieć związek z rzeczywistością biznesową.

Kolejnym kluczowym czynnikiem jest horyzont decyzji:

· Model zoptymalizowany pod prognozy dzienne na poziomie SKU może działać słabo dla prognoz miesięcznych na poziomie grup produktów.
· Zaawansowane modele machine learning mogą uwzględniać czynniki takie jak promocje, ceny, pogoda czy backlog zamówień i świetnie odwzorowywać zależności w krótkim terminie… ale czy jesteś w stanie wiarygodnie określić te czynniki na 3 lub 6 miesięcy do przodu?

Może być potrzebnych kilka modeli — lub akceptacja kompromisów.
Jeden uniwersalny model rzadko optymalizuje wszystkie cele biznesowe jednocześnie.

Jedna liczba czy zakres?

Większość organizacji nadal operuje jedną wartością prognozy — historycznie tak działały algorytmy.

Ale decyzje podejmowane są w warunkach niepewności.

Dziś standardem jest prognozowanie probabilistyczne.
Możesz otrzymać:
· medianę prognozy
· przedziały ufności
· pełne rozkłady popytu

Przy planowaniu zdolności lub zapasu istotne jest nie tylko najbardziej prawdopodobne zdarzenie, ale:
· prawdopodobieństwo błędu
· koszt błędu

Najbardziej prawdopodobna prognoza na poziomie 1 mln sztuk może mieścić się w planowanej zdolności 1,2 mln, ale co jeśli istnieje 30% szans, że popyt wyniesie 1,5 mln? To już zupełnie inna decyzja.

I to prowadzi do kolejnego kluczowego pytania :

Jakie są konsekwencje błędu?

‍

Marka luksusowa może tolerować braki (a czasem wręcz zwiększać sprzedaż dzięki niedostępności).
Dostawca Tier-1 w branży automotive — nie.

Ten sam błąd prognozy może mieć zupełnie różny wpływ finansowy.

Większość decyzji opartych na prognozach to zawsze kompromis między:

• ryzykiem braku
• kosztem nadmiaru
• możliwością planów awaryjnych
• ograniczeniami operacyjnymi
• dostępnością gotówki

To może brzmieć skomplikowanie, ale te kompromisy istnieją już dziś w każdej organizacji.

Pytanie brzmi: czy są zarządzane świadomie i parametryzowane — czy pozostawione implicitnym założeniom w codziennych decyzjach, bez jasnego zrozumienia ich wpływu finansowego?

Jeśli korzystasz z systemu takiego jak Nadii, parametryzacja zajmuje zwykle kilka godzin i pozwala upewnić się, że decyzje operacyjne uwzględniają globalny wpływ biznesowy.

Gdy ktoś mówi:
„Nasze prognozy są błędne.”

Prawdziwe pytanie brzmi:
„Błędne względem jakiego wpływu finansowego?”

Przykład: uzupełnianie zapasu

Weźmy najczęstszy przypadek operacyjny: replenishment.

Jeśli prognozujesz popyt, ale ignorujesz zmienność podaży, optymalizujesz tylko połowę systemu.

Nawet najlepsza prognoza nie ochroni Cię przed:

• opóźnieniami celnymi
• problemami geopolitycznymi
• problemami dostawców
• ekstremalnymi warunkami pogodowymi

Skupmy się jednak na popycie.

Rozważ produkt z długim lead time (np. 4 miesiące pokrycia).

Czy odchylenie 30% jest katastrofą?
Często nie.

Dlaczego?
Bo w praktyce istnieją bufory zapasu — formalne lub intuicyjne.

Odchylenie ±30% może nie generować istotnego kosztu.

Ale niedoszacowanie o 80% może prowadzić do:

• tygodni braków
• utraty marży
• kosztownych transportów ekspresowych
• kryzysu operacyjnego
• utraty klientów w długim terminie

Przeszacowanie o 80% może być akceptowalne dla szybkiego rotatora, ale katastrofalne dla produktów sezonowych lub wysokowartościowych.

Wpływ jest asymetryczny i zależy od specyfiki produktu.

A tej asymetrii nie wychwytują agregowane metryki typu MAPE czy RMSE.

Jak więc ocenić, czy prognoza jest wystarczająco dobra?

Dokładność na poziomie portfela maskuje rzeczywistość.
Największy wpływ mają błędy na kluczowych SKU.

Metryki prognozy mierzą średni błąd — nie jego konsekwencje.

Prognoza to tylko jeden z czynników wpływających na wynik:

• niezawodność dostawców
• MOQ
• zachęty zakupowe
• ręczne korekty
• wymogi ekspozycyjne

Optymalizacja prognozy w izolacji to optymalizacja lokalna — nie globalna.

‍

Prawdziwa zmiana: od optymalizacji prognozy do optymalizacji decyzji

Jeśli traktujesz prognozę jako jeden z wielu czynników, możesz zadać właściwe pytanie:
„Jaki jest koszt finansowy każdego typu błędu — i jak optymalizować decyzje w warunkach niepewności?”

To wymaga kwantyfikacji :

• utraconej marży
• kosztu nadmiaru
• zamrożonego kapitału
• wpływu operacyjnego

Dopiero wtedy możesz określić:

• które SKU wymagają większej precyzji prognozy
• jaki jest ROI inwestycji w nowy model
• gdzie problemem jest podaż
• gdzie skrócenie lead time daje większą wartość niż lepsze AI

Następnie możesz uzyskać właściwe odpowiedzi, korzystając np. z raportów takich jak raporty Nadii przedstawione na kolejnym obrazie, gdzie widzisz koszty według przyczyn oraz ich zmianę w czasie (OS oznacza nadmiar zapasu, LM oznacza utraconą marżę).

‍

‍

Na przykład: „W ostatnim tygodniu/miesiącu braki towaru kosztowały mnie X euro i koszt ten rośnie. 40% wynikało z problemów z dostawcami, 5% z niedokładności prognoz”… zacznijmy więc od analizy problemów z dostawcami. „W ostatnim tygodniu/miesiącu utrzymywanie nadmiernych zapasów kosztowało mnie X euro. 50% wynikało z ograniczeń zdefiniowanych przez użytkowników, 5% z niedokładności prognoz. Natomiast dla grupy X głównym czynnikiem jest błąd prognozy i jego wpływ rośnie”. Przyjrzyjmy się więc prognozom dla tej konkretnej grupy.

Prognoza staje się jednym z wejść, a celem staje się maksymalizacja zysku w warunkach niepewności.

Co to oznacza w praktyce?

Potrzebujesz więcej niż silnika prognostycznego.

Potrzebujesz systemu decyzyjnego, który:

• integruje niepewność popytu i podaży‍
• przelicza prawdopodobieństwa na konsekwencje finansowe‍
• ocenia kompromisy na poziomie SKU‍
• łączy mikrodecyzje z P&L i cash flow

To właśnie robi Nadii.

Zamiast optymalizować prognozę, optymalizuje koszt całkowity decyzji:

• ryzyko braku vs koszt nadmiaru‍
• wpływ na marżę‍
• wpływ na kapitał obrotowy‍
• ograniczenia operacyjne

System nie eliminuje niepewności — zarządza nią.

I to zmienia dyskusję z:
„Czy nasze prognozy są wystarczająco dokładne?”

na:
„Nad czym powinniśmy pracować, aby nasze decyzje były optymalne finansowo — w warunkach niepewności?”

Podsumowanie

Lepsze prognozy mogą pomóc.

Ale tylko wtedy, gdy są częścią systemu, który rozumie:

• konsekwencje błędów‍
• asymetrię tych konsekwencji‍
• ryzyko‍
• gotówkę‍
• ograniczenia operacyjne

Zanim zainwestujesz w kolejny model prognostyczny, warto zapytać:

Czy chcemy poprawić metrykę? Czy chcemy poprawić wynik finansowy naszych decyzji?

‍

‍