Dani sa praznom policom nisu nulta tražnja: kako nestašice iskrivljuju prognozu lanca prodavnica

Kasa beleži ono što je prodato, a ne ono što su kupci hteli. Kada jogurt nestane u tri popodne, zapis prodaje za taj dan staje na onome što je bilo na polici, a kupci koji su došli uveče ne ostavljaju ništa za sobom. Statističari takve podatke zovu cenzurisanim. Na njima počiva većina dopune zaliha u lancima prodavnica, a greška koju unose ne ostaje tamo gde je nastala.

1. Prodaja je tražnja ograničena zalihom

Označimo dnevnu tražnju sa D, a raspoloživu zalihu sa I. Kasa vidi y = min(D, I): celu tražnju na dan kada polica izdrži i tačno onoliko koliko je bilo zalihe na dan kada ne izdrži. Izgubljeni deo, D − y, nikada se ne beleži. Prosek prodaje za 28 dana zato meša dve vrste dana, a dani kada je roba nestala obaraju ga naniže. Isto se dešava i sa varijabilnošću prodaje, drugim ulazom za sigurnosne zalihe. Pronalaženje tih dana je prvi korak; vodič o nestašicama pokazuje kako da ih uočite u podacima o prodaji i zalihama.

2. Koliko jedan dan sakrije

Najjasnije javno merenje dolazi iz skupa podataka FreshRetailNet-50K, koji je 2025. objavio kineski onlajn prodavac namirnica Dingdong: prodaja po satu za 863 kvarljiva proizvoda na 898 lokacija u 18 gradova, sa oznakom za svaki sat u kojem proizvoda nije bilo na stanju¹. Lokacije su mala skladišta sveže hrane koja isporučuju u roku od 30 minuta, a rad ih naziva prodavnicama. Posle dopune u 6 ujutru nestašice su pale ispod 2%; odatle su ravnomerno rasle do 26% u 20 časova.

Proizvod koji se rasproda popodne ipak ima prodaju za taj dan, pa ga dnevni izveštaj računa kao da je bio na stanju. Njegovom zapisu nedostaje sve što bi se prodalo uveče. Na nivou celog skupa podataka, rekonstrukcija skrivene tražnje uklonila je sistematsko potcenjivanje od 7,37%¹. Studija iz 2026. na istim podacima razložila je cenzurisanje po kategorijama²:

Obrazac je monoton: što kategorija češće ostaje bez robe, to više greši prognoza obučena na prodaji i to više povrati prognoza koja uzima cenzurisanje u obzir. Mlečni proizvodi, sa dugim rokom trajanja i malo praznih sati, gotovo se ne pomeraju.

3. Model uči policu

Svaki model od kojeg se traži da reprodukuje prodaju reprodukovaće i ograničenje zajedno sa njom. Yin, Zheng i Kong to kažu otvoreno: „Svaki model obučen da reprodukuje prodaju potcenjuje tražnju za otprilike osam procenata“². Kada su sakrili veći deo vršnih sati, od desetine do polovine, pristrasnost jakog modela obučenog na prodaji porasla je sa −4,2% na −21,1%. Njihov model sat u kojem je roba nestala tretira kao donju granicu, a ne kao tražnju: tražnja je bila najmanje onolika koliko je prodato. U njihovoj simulaciji, naručivanje prema tom modelu smanjilo je modelovani otpis sa 9,8% na 6,4%, dok je udeo opslužene tražnje porastao sa 92,9% na 94,7%². Manje otpisa i bolja dostupnost u isto vreme upravo su znak da je pristrasnost ispravljena; model koji bi samo naručivao više platio bi jedno drugim.

4. Spirala

Vremenom pristrasnost raste, jer prognoza određuje sledeću porudžbinu, a porudžbina određuje sledeći zapis prodaje:

Pedregal, Trapero i Holgado de Frutos proverili su to na jednoj seriji proizvoda iz skupa M5 sa prodajom Walmarta, cenzurišući je na nivou zalihe koju bi držala politika naručivanja³. Uz cilj od 70%, standardna prognoza eksponencijalnim izravnavanjem pratila je tražnju pet nedelja, do prvih nestašica; posle jedne loše nedelje „ETS se nikada ne oporavlja od te loše prognoze“, jer je svaka premala porudžbina proizvela sledeći prenizak zapis. Njihova Tobit varijanta, koja rasprodat dan čita kao donju granicu, zadržala je kurs. Uz cilj od 80% ciklusa porudžbina bez nestašice:

Ljudi rade isto. U lancu supermarketa višeg cenovnog segmenta, čiji su menadžeri prodavnica mogli da menjaju predloge porudžbina sistema za kvarljivu robu, studija iz 2026. utvrdila je da su posle nestašice menadžeri češće smanjivali predlog, kao da je prazna polica pokazala da se proizvod slabije prodaje, i da su ta smanjenja činila sledeću nestašicu verovatnijom⁴. Blokiranje izmena naniže koje su usledile posle nestašice smanjilo je takve nestašice koje je prodavnica sama izazvala, uz razuman trošak zaliha⁴.

5. Kada je i sama oznaka pogrešna

Da li će se prazna polica uočiti u podacima zavisi od stanja zaliha u sistemu, a to stanje može da greši upravo u smeru koji je skriva. Kada sistem prikazuje komade kojih na polici nema, prodaja staje, ništa ne pokreće porudžbinu, a dan izgleda kao dan bez tražnje, a ne kao nestašica. U studiji oko 24.000 proizvoda u 11 prodavnica velikog evropskog lanca namirnica, potpuni popis podigao je prodaju u celoj prodavnici za 11%, a ceo taj rast došao je od proizvoda čije je stanje u sistemu pokazivalo više zalihe nego što je bilo na polici⁵. Kod tih proizvoda efekat je bio 2,67 puta veći od proseka prodavnice. Cenzurisanje i greške u stanju zaliha su jedan problem posmatran sa dve strane: oba pretvaraju zalihu koja nedostaje u tražnju koja naizgled nedostaje.

6. Šta raditi sa danima prazne police

1. Označite svaki dan proizvoda u prodavnici koji se završio bez zalihe i svaki niz dana bez prodaje dok sistem i dalje pokazuje zalihu.
2. Izostavite označene dane iz proseka i varijabilnosti prodaje ili ih tretirajte kao donju granicu, kao što to rade Tobit i slični modeli. Nikada kao dan nulte ili niske tražnje.
3. Za sveže proizvode čuvajte i sat u kojem se polica ispraznila. Dan kada je roba nestala u 14:00 izgubio je mnogo više od dana kada je nestala u 20:00.
4. Ne smanjujte porudžbinu zato što je prodaja prošle nedelje bila niska ako je polica deo te nedelje bila prazna.
5. Popišite proizvode koji u sistemu imaju zalihu, a prestali su da se prodaju, da bi se i samim oznakama moglo verovati.

Ispravljeni prosek zatim se, kao i obično, koristi za tačku ponovnog naručivanja i sigurnosne zalihe.

7. Ograničenja

FreshRetailNet-50K potiče iz dostavnih lokacija onlajn prodavca namirnica u Kini, a ne iz klasičnih prodavnica, i njegov rad je preprint. Tabela po kategorijama i podaci o otpisu potiču iz simulacija na tim podacima, sa tražnjom rekonstruisanom uz određene pretpostavke. Brojevi o spirali potiču iz preprinta objavljenog rada i oslanjaju se na jednu seriju proizvoda. Studija o menadžerima citirana je prema sažetku, a studija o popisu potiče od jednog trgovca. Nijedna od njih ne meri direktno izgubljenu prodaju evropskog lanca prodavnica, što nijedna kasa ne može.

Kako marql to rešava

U Retail-Bench testu, otvorenoj simulaciji koju je marql izgradio za proveru politika dopune zaliha, svaki procenjivač dan koji se završio praznom policom čita na nivou dana koji se tako nisu završili, bilo da je reč o udžbeničkoj formuli, ručnom pravilu ili marql-ovom sistemu⁶. Simulacija zna stvarnu tražnju iza svake prodaje, pa može da izmeri koliko koštaju prazne police, što stvarni lanac može samo da proceni.