Idei principale
- Prognozează acolo unde se face comanda: pe produs, pe magazin, pe zi, pe termenul de livrare plus timpul până la următoarea comandă.
- Vânzările nu sunt cerere. Zilele cu raftul gol, stocurile negative din evidență și reducerile de preț ascund fiecare o parte din ea.
- La nivel de magazin, metodele simple, precum netezirea exponențială, țin piept modelelor de machine learning; produsele cu vânzare lentă au nevoie de o metodă construită pentru cererea intermitentă.
- Măsoară eroarea în bucăți pe orizontul comenzii, cu deviația sistematică (bias) alături, și compar-o cu o regulă naivă. Nu folosi MAPE la produsele cu vânzare lentă.
- Promoțiile, sărbătorile și vremea mișcă cererea mai mult decât orice alegere de metodă, așa că introdu-le ca evenimente cunoscute.
Prognoza cererii într-un lanț de magazine ține mai puțin de anul care vine și mai mult de ziua de mâine, produs cu produs și magazin cu magazin. Comanda pe care un magazin o trimite în după-amiaza asta e o prognoză a ceea ce vor cumpăra clienții lui până la următoarea livrare, fie că a scris-o cineva, fie că nu. Dacă e prea mare, banii stau pe raft sau ajung la coșul de gunoi; dacă e prea mică, raftul e gol când vine clientul. Ghidul acesta arată ce să prognozezi, ce metode rezistă la acest nivel și cum îți dai seama dacă prognoza e bună.
1. Ce ar trebui să prognozeze un lanț
O prognoză e utilă la nivelul la care se ia decizia. Pentru aprovizionarea magazinelor, acesta e un produs într-un magazin, zi de zi, pentru că acolo au loc comanda, livrarea și raftul gol. Un total pe lanț e bun pentru buget, dar netezește exact ce îi trebuie comenzii: un magazin care rămâne fără marfă în timp ce altul are stoc pentru trei săptămâni din același produs.
Pentru marii comercianți alimentari, prognoza la acest nivel e un lucru obișnuit. Albert Heijn prognozează cererea pentru fiecare produs din fiecare magazin pentru următoarele 50 de zile10, iar Tesco spune că folosește AI pentru a optimiza comenzile magazinelor și nivelul reducerilor11. Sainsbury's și-a mutat prognoza pentru alimente pe o platformă de machine learning și, împreună cu munca alături de furnizori, a crescut disponibilitatea alimentelor cu 190 de puncte de bază în patru ani9. Un lanț mai mic nu are nevoie de sistemele lor ca să lucreze la același nivel; are nevoie de aceeași unitate de calcul.
2. Vânzările nu sunt cerere
Orice prognoză de magazin pornește de la datele din casa de marcat, iar acestea înregistrează ce s-a vândut, nu ce au vrut clienții. Trei lucruri deschid o diferență între cele două. Un produs care s-a epuizat nu a mai vândut nimic tot restul zilei, oricâți oameni l-au căutat; ghidul despre cererea cenzurată arată cum trage asta prognoza în jos. O înregistrare greșită a stocului face un magazin să pară gol când nu e, sau plin când e gol. Iar reducerile de preț vând bucăți care nu s-ar fi vândut la preț întreg: într-un studiu pe 1.705 produse din 676 de magazine ale unui comerciant alimentar european, prognoza comerciantului a subestimat cererea în zilele cu reducere la aproximativ 92% dintre produse5.
Așa că, înainte să alegi o metodă, curăță istoricul: marchează zilele în care raftul a fost gol, semnalează stocul negativ sau înghețat și ține zilele cu promoții și reduceri de preț separat de cele obișnuite. Cercetătorii care au clasificat 31.006 serii de produse ale unui comerciant cu trei magazine o spun direct: oricum ar fi detectate rupturile de stoc, ele trebuie tratate în model3.
3. Metode, de la cele simple la machine learning
- Naiv și naiv sezonier. Mâine se vinde cât s-a vândut azi, sau miercurea viitoare se vinde cât s-a vândut miercurea trecută. E reperul pe care orice altă metodă trebuie să-l bată1.
- Media mobilă. Media ultimelor câteva săptămâni. Simplă, dar fiecare zi din fereastră contează la fel, iar ziua dinaintea ei nu contează deloc, așa că rezultatul sare când o zi neobișnuită iese din fereastră1.
- Netezirea exponențială. O medie ponderată în care zilele recente contează cel mai mult, iar cele mai vechi pierd treptat din greutate, cu factori pentru ziua săptămânii și sărbătorile legale. E metoda de bază a prognozei în magazine.
- Metode pentru cererea intermitentă. Când în cele mai multe zile nu se vinde nimic, ele prognozează separat cât de des are loc o vânzare și cât de mare e. Aici intră metoda Croston și succesoarele ei, precum TSB; netezirea exponențială obișnuită nu intră1.
- Machine learning. Arborii cu gradient boosting și modelele similare învață din multe produse și magazine deodată și pot primi ca date de intrare promoțiile, prețurile și vremea.
Modelele de machine learning câștigă clar la totalul lanțului și mult mai puțin în fiecare magazin. În competiția M5, pe date Walmart, modelul câștigător a depășit netezirea exponențială cu 22,4% în total, dar doar cu 3,4% la nivel de produs și magazin, unde datele sunt zgomotoase și intermitente. Când Petropoulos și colegii săi au repetat testul pe un an întreg de prognoze succesive pentru 28.298 de serii produs-magazin, netezirea exponențială a ieșit puțin mai precisă decât o replică a ansamblului de machine learning câștigător, și mai ieftină de rulat2. Pentru un lanț de câteva magazine, o metodă simplă bine reglată, pe date curate, bate un model elaborat pe date murdare.
4. Cele mai multe produse se vând mai puțin de o bucată pe zi
Imaginea din manual a unei curbe de vânzări netede se potrivește rar unui magazin. La comerciantul cu trei magazine de mai sus, aproximativ 78% dintre serii erau intermitente chiar și numărate pe săptămână3. În 46.841 de serii zilnice din 446 de magazine, seria medie avea 492 de zile fără vânzare din 7274. Prognoza pentru un astfel de produs e o fracție, 0,3 pe zi, iar stocul care o acoperă înseamnă câteva bucăți, cu multă incertitudine în jurul lor.
Iată cum arată asta într-o comandă reală. Yammy Way, un lanț de magazine de dulciuri din România care folosește marql, are un magazin în Brașov a cărui comandă pentru 17 noiembrie 2026 avea 17 linii; marql a marcat 11 dintre ele ca epuizându-se înainte de următorul camion. Iată câteva dintre ele, așa cum le-a arătat marql în acea zi:
| Produs | Vinde pe zi | Stocul ajunge | Ce arată marql |
|---|---|---|---|
| Toxic Waste Blue Raspberry Chew Bar 20 g | Vinde pe zi1,5 | Stocul ajunge2,7 zile | Ce arată marqlSe termină înainte de camion |
| Toxic Waste Apple Chew Bar 20 g | Vinde pe zi1 | Stocul ajunge1 zi | Ce arată marqlSe termină înainte de camion |
| Sour Patch Blue Raspberry 102 g | Vinde pe zi0,4 | Stocul ajunge2,6 zile | Ce arată marqlSe termină înainte de camion |
| Hello Kitty Gummi Treats Fruit 88 g | Vinde pe zi0,3 | Stocul ajunge6,2 zile | Ce arată marqlSe termină înainte de camion; de verificat întâi, date puține |
| Johny Bee 3D Gummy Cup Cake 18 g | Vinde pe zi0,7 | Stocul ajunge0 zile | Ce arată marqlStocul e −3 în ERP, citit ca raft gol; de verificat înainte de trimitere |
| Amos Peelerz Raspberry 65 g | Vinde pe zi0,1 | Stocul ajunge7,5 zile | Ce arată marqlSe termină înainte de camion |
Trei lucruri din această comandă sunt tipice pentru un lanț mic. Cele mai multe produse se vând cu mult sub două bucăți pe zi, așa că prognoza e un ritm, nu un număr. Unele înregistrări de stoc sunt negative, ceea ce e imposibil pe un raft și trebuie verificat de o persoană înainte să plece comanda. Iar termenul de livrare nu e încă cunoscut, așa că orizontul e o valoare implicită, nu un fapt. Povestea de succes Yammy Way și Pralio descrie lanțul.
5. Cât de departe să prognozezi
O comandă trebuie să ajungă până sosește următoarea, așa că orizontul care contează e termenul de livrare al furnizorului plus timpul până la următoarea comandă. Pentru un magazin care comandă în fiecare marți de la un furnizor care livrează în trei zile, asta înseamnă zece zile. A prognoza mai departe înseamnă planificare; a prognoza mai puțin lasă un gol. Termenul de livrare variază și el, iar variația asta are nevoie de propriul stoc: ghidurile despre punctul de reaprovizionare și stocul de siguranță arată cum prognoza și incertitudinea ei devin o cantitate.
6. Cum măsori acuratețea prognozei
Măsoară eroarea în bucăți, însumată pe orizontul comenzii, și pune două cifre una lângă alta. WAPE, eroarea absolută totală împărțită la vânzările totale, arată cât de departe e prognoza de realitate. Deviația sistematică (bias), eroarea totală cu semnul ei, arată dacă prognoza e în medie prea mare sau prea mică1. O prognoză cu WAPE mic și o deviație sistematică negativă constantă tot golește rafturile.
Evită MAPE pentru prognozele de magazin. Nu poate fi calculat într-o zi fără vânzări, și la multe produse din magazin asta înseamnă majoritatea zilelor; în plus, minimizarea lui împinge prognozele prea jos. Chiar și măsurile bazate pe eroarea absolută induc în eroare la produsele cu vânzare lentă: pentru un produs care de obicei nu vinde nimic, prognoza cu cea mai mică eroare absolută e zero, iar cu ea produsul n-ar mai fi reaprovizionat niciodată1. Trei obiceiuri țin măsura onestă: compară cu o regulă naivă în aceleași zile, scoate zilele cu raftul gol, pentru că vânzările lor au fost plafonate de stoc, și urmărește deviația sistematică cel puțin la fel de atent ca eroarea.
7. Promoții, sărbători și vreme
Cele mai multe erori mari de prognoză vin din evenimente, nu din metodă. Promoțiile mișcă volumul brusc, iar mecanica lor contează: în opt supermarketuri din Suedia, o ofertă la două bucăți a vândut cu 19,5% mai multe unități decât reducerea echivalentă la o singură bucată6. Sărbătorile sunt și mai grele: comercianții alimentari din Germania au avut o cifră de afaceri cu 50% mai mare în săptămâna dinaintea Crăciunului din 2021 decât într-o săptămână obișnuită, iar unii au raportat o acuratețe a prognozei de doar 35% în perioadele de sărbători7. Vremea mișcă categorii întregi: volumele magazinelor alimentare din Regatul Unit au scăzut cu 5,4% în mai 2025 și au crescut cu 0,7% în iunie, când supermarketurile au pus-o pe seama vremii calde8.
Tratează-le ca evenimente cunoscute, nu ca zgomot. Introdu promoțiile cu datele și mecanica lor, ține un calendar al sărbătorilor legale pentru fiecare țară în care vinzi și lasă o persoană să corecteze prognoza pentru ce istoricul n-a văzut, cum ar fi un festival local sau lucrări la drum în fața magazinului. Ghidul despre aprovizionarea cu AI arată care dintre aceste decizii rămân algoritmului și care achizitorului. Prognozele mai bune reduc și risipa la produsele proaspete: Albert Heijn pune pe seama prognozelor pe magazin și a reducerilor dinamice de preț, luate împreună, economisirea a peste 1,5 milioane de kilograme de risipă alimentară în 202410; ghidul despre risipa alimentară acoperă restul.
O notă despre surse: trei dintre studiile citate aici sunt preprinturi care nu au trecut încă prin evaluarea colegială, cifrele comercianților sunt ale lor și combină prognoza cu alte inițiative, iar cifrele despre acuratețea din perioada sărbătorilor vin din interviuri, fără o măsură comună.
Cum arată marql asta în comanda magazinului
În marql, Managerul AI de stocuri pregătește comanda fiecărui magazin din vânzările și stocul pe care le citește din POS-ul și ERP-ul pe care lanțul le folosește deja. Fiecare linie arată cât se vinde produsul pe zi în acel magazin, pentru câte zile ajunge stocul de pe raft și dacă se termină înainte de următoarea livrare. Fiecare comandă spune pe ce se bazează, inclusiv termenul de livrare al furnizorului, și îl marchează ca valoare implicită când nu e încă cunoscut. Liniile cu date puține, cu o citire de stoc veche sau lipsă ori cu stoc negativ în evidență apar primele, ca cineva să se uite la raft înainte să plece comanda. marql calculează cantitățile; o persoană le verifică, le ajustează și trimite comanda.
Surse
- Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. Chapman & Hall/CRC. doi:10.1201/9781003399599. dfep.netlify.app
- Petropoulos, F., Grushka-Cockayne, Y., Siemsen, E., Spiliotis, E. (2025). Wielding Occam's razor: Fast and frugal retail forecasting. Journal of the Operational Research Society 76(8), 1564-1583. doi:10.1080/01605682.2024.2421339. arxiv.org
- Svetunkov, I., Sroginis, A. (2025-11-13). Why do zeroes happen? A model-based approach for demand classification. arXiv:2504.05894 (preprint). arxiv.org
- Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. (2026-03-11). Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941 (preprint). arxiv.org
- Winkelmann, D., Elbracht, T., Brenker, J., Gerzen, A. (2026-02-04). Discounted Sales of Expiring Perishables: Challenges for Demand Forecasting in Grocery Retail Practice. arXiv:2602.04464 (preprint). arxiv.org
- Gravert, C., Mormann, M. (2025). In-store food promotions increase sales as well as household food waste. Scientific Reports 15, 18035. doi:10.1038/s41598-025-01800-x. doi.org
- Obermair, A., Holzapfel, A., Kuhn, H. (2023). Operational planning for public holidays in grocery retailing: managing the grocery retail rush. Operations Management Research 16, 931-948. doi:10.1007/s12063-022-00342-z. doi.org
- Office for National Statistics (2025-07-25). Retail sales, Great Britain: June 2025. ons.gov.uk
- J Sainsbury plc (2025). Annual Report and Financial Statements 2025, strategy overview. sainsburys.co.uk
- Ahold Delhaize (2025). Annual Report 2024. aholddelhaize.com
- Tesco PLC (2026-05-15). Sustainability Report 2026. tescoplc.com
SubiectePrognoza cererii, Aprovizionare, Acuratețea prognozei, Comenzile magazinelor
Toate articolele