Ključni zaključci
- Prognozirajte tamo gde se porudžbina pravi: po proizvodu, po prodavnici i po danu, za rok isporuke plus vreme do sledeće porudžbine.
- Prodaja nije tražnja. Dani sa praznom policom, negativne zalihe u evidenciji i sniženja skrivaju deo nje.
- Na nivou prodavnice jednostavne metode, kao što je eksponencijalno izravnavanje, drže korak sa mašinskim učenjem; artiklima koji se sporo prodaju potrebna je metoda napravljena za povremenu tražnju.
- Merite grešku u komadima za horizont porudžbine, sa pristrasnošću pored nje, i uporedite je sa naivnim pravilom. Ne koristite MAPE za artikle koji se sporo prodaju.
- Akcije, praznici i vremenske prilike pomeraju tražnju više od bilo kog izbora metode, pa ih unesite kao poznate događaje.
Prognoza tražnje u lancu prodavnica manje se bavi predviđanjem godine, a više predviđanjem sutrašnjeg dana, proizvod po proizvod i prodavnica po prodavnica. Porudžbina koju prodavnica pošalje danas popodne jeste prognoza onoga što će njeni kupci kupiti pre sledeće isporuke, bez obzira na to da li ju je neko zapisao. Ako je previsoka, novac stoji na polici ili završava u kanti; ako je preniska, polica je prazna kada kupac dođe. Ovaj vodič objašnjava šta prognozirati, koje metode izdržavaju na tom nivou i kako da proverite da li je prognoza dobra.
1. Šta lanac treba da prognozira
Prognoza je korisna na nivou na kome se donosi odluka. Za dopunu zaliha u prodavnicama to je jedan proizvod u jednoj prodavnici, dan po dan, jer se porudžbina, isporuka i prazna polica dešavaju upravo tu. Zbir za ceo lanac dobar je za budžet, ali uprosečava baš ono što je porudžbini potrebno: jedna prodavnica ostaje bez robe, dok druga drži zalihu istog artikla za tri nedelje.
Veliki trgovci prehranom prognoziraju na ovom nivou kao nešto sasvim uobičajeno. Albert Heijn prognozira tražnju za svaki proizvod u svakoj prodavnici za narednih 50 dana10, a Tesco navodi da koristi AI za optimizaciju porudžbina prodavnica i visine sniženja11. Sainsbury's je prognozu za hranu prebacio na platformu za mašinsko učenje i, uz rad sa dobavljačima, za četiri godine povećao dostupnost hrane za 190 baznih poena9. Manjem lancu nisu potrebni njihovi sistemi da bi radio na istom nivou; potrebna mu je ista jedinica obračuna.
2. Prodaja nije tražnja
Svaka prognoza za prodavnicu polazi od podataka sa kase, a podaci sa kase beleže šta je prodato, a ne šta su kupci hteli. Tri stvari otvaraju jaz između to dvoje. Proizvod koji je nestao ne prodaje ništa do kraja dana, ma koliko ga je ljudi tražilo; vodič o danima sa praznom policom pokazuje kako to obara prognozu. Pogrešna evidencija zaliha čini da prodavnica izgleda prazna kada nije, ili puna kada je prazna. A sniženja prodaju komade koji se ne bi prodali po punoj ceni: u jednoj studiji 1.705 proizvoda u 676 prodavnica evropskog trgovca prehranom, prognoza samog trgovca potcenjivala je tražnju u danima sa popustom za oko 92% proizvoda5.
Zato pre izbora metode očistite istoriju: označite dane kada je polica bila prazna, obeležite negativne ili zamrznute zalihe i odvojite dane akcija i sniženja od običnih dana. Istraživači koji su klasifikovali 31.006 serija proizvoda jednog trgovca sa tri prodavnice kažu to jasno: kako god da se nestašice otkrivaju, moraju se obraditi u modelu3.
3. Metode, od jednostavnih do mašinskog učenja
- Naivna i sezonska naivna metoda. Sutra se proda koliko je prodato danas, ili sledeće srede koliko je prodato prošle srede. To je merilo koje svaka druga metoda mora da pobedi1.
- Pokretni prosek. Prosek poslednjih nekoliko nedelja. Jednostavan je, ali svaki dan u prozoru vredi isto, a dan pre prozora ne vredi ništa, pa rezultat skoči kada neobičan dan ispadne iz prozora1.
- Eksponencijalno izravnavanje. Ponderisani prosek u kome najskoriji dani imaju najveću težinu, a stariji postepeno blede, uz faktore za dan u nedelji i državne praznike. To je radni konj prognoze u prodavnicama.
- Metode za povremenu tražnju. Kada se većinu dana ne proda ništa, one posebno prognoziraju koliko često dolazi do prodaje i koliko je ona velika. Ovde spadaju metoda Croston i njene naslednice kao što je TSB; obično eksponencijalno izravnavanje ne spada1.
- Mašinsko učenje. Stabla sa gradijentnim pojačavanjem (gradient boosting) i slični modeli uče na mnogo proizvoda i prodavnica odjednom i kao ulazne podatke mogu da koriste akcije, cene i vremenske prilike.
Mašinsko učenje jasno pobeđuje na zbiru lanca, a mnogo manje u pojedinačnoj prodavnici. Na takmičenju M5 sa podacima kompanije Walmart, pobednički model nadmašio je eksponencijalno izravnavanje za 22,4% ukupno, ali za samo 3,4% na nivou proizvoda i prodavnice, gde su podaci bučni i povremeni. Kada su Petropoulos i saradnici ponovili test na celoj godini kliznih prognoza za 28.298 serija proizvoda po prodavnici, eksponencijalno izravnavanje pokazalo se nešto tačnijim od replike pobedničkog ansambla mašinskog učenja, a i jeftinijim za pokretanje2. Za lanac od nekoliko prodavnica dobro podešena jednostavna metoda na čistim podacima pobeđuje složen model na prljavim podacima.
4. Većina artikala prodaje se manje od jednom dnevno
Udžbenička slika glatke krive prodaje retko odgovara prodavnici. Kod pomenutog trgovca sa tri prodavnice oko 78% serija bilo je povremeno čak i kada se prodaja broji po nedeljama3. U 46.841 dnevnoj seriji iz 446 prodavnica prosečna serija imala je 492 dana bez prodaje od ukupno 7274. Prognoza za takav artikal je razlomak, 0,3 dnevno, a zaliha koja je pokriva je nekoliko komada uz mnogo neizvesnosti.
Evo kako to izgleda u stvarnoj porudžbini. Yammy Way, lanac prodavnica slatkiša u Rumuniji koji koristi marql, ima prodavnicu u gradu Brașov čija je porudžbina za 17. novembar 2026. imala 17 stavki; marql je za 11 od njih označio da će nestati pre sledećeg kamiona. Evo nekih od njih, onako kako ih je marql tog dana prikazao:
| Proizvod | Prodaja dnevno | Zaliha traje | Šta marql prikazuje |
|---|---|---|---|
| Toxic Waste Blue Raspberry Chew Bar 20 g | Prodaja dnevno1,5 | Zaliha traje2,7 dana | Šta marql prikazujeNestaje pre kamiona |
| Toxic Waste Apple Chew Bar 20 g | Prodaja dnevno1 | Zaliha traje1 dan | Šta marql prikazujeNestaje pre kamiona |
| Sour Patch Blue Raspberry 102 g | Prodaja dnevno0,4 | Zaliha traje2,6 dana | Šta marql prikazujeNestaje pre kamiona |
| Hello Kitty Gummi Treats Fruit 88 g | Prodaja dnevno0,3 | Zaliha traje6,2 dana | Šta marql prikazujeNestaje pre kamiona; prvo proverite, malo podataka |
| Johny Bee 3D Gummy Cup Cake 18 g | Prodaja dnevno0,7 | Zaliha traje0 dana | Šta marql prikazujeZaliha je −3 u ERP-u, čita se kao prazna polica; proverite pre slanja |
| Amos Peelerz Raspberry 65 g | Prodaja dnevno0,1 | Zaliha traje7,5 dana | Šta marql prikazujeNestaje pre kamiona |
Tri stvari u ovoj porudžbini tipične su za mali lanac. Većina artikala prodaje se znatno manje od dva komada dnevno, pa je prognoza tempo, a ne broj komada. Neke zalihe u evidenciji su negativne, što je na polici nemoguće, i čovek mora da ih proveri pre nego što porudžbina ode. A rok isporuke još nije poznat, pa je horizont podrazumevana vrednost, a ne činjenica. Priča o uspehu Yammy Way i Pralio opisuje lanac.
5. Koliko unapred prognozirati
Porudžbina mora da traje dok ne stigne sledeća, pa je horizont koji je bitan rok isporuke dobavljača plus vreme do sledeće porudžbine. Za prodavnicu koja naručuje svakog utorka od dobavljača koji isporučuje za tri dana to je deset dana. Prognoza za duži period je već planiranje, a prognoza za kraći ostavlja rupu. Sam rok isporuke varira, a za tu varijaciju potrebna je posebna zaliha: vodiči o tački ponovnog naručivanja i sigurnosnim zalihama pokazuju kako prognoza i njena neizvesnost postaju količina.
6. Kako meriti tačnost prognoze
Merite grešku u komadima, sabranu za horizont porudžbine, i stavite dva broja jedan pored drugog. WAPE, ukupna apsolutna greška podeljena ukupnom prodajom, pokazuje koliko prognoza greši. Pristrasnost, ukupna greška sa predznakom, pokazuje da li je prognoza u proseku previsoka ili preniska1. Prognoza sa niskom vrednošću WAPE i stalnom negativnom pristrasnošću i dalje prazni police.
Izbegavajte MAPE za prognoze u prodavnicama. Ne može se izračunati za dan bez prodaje, kojih kod mnogih artikala u prodavnici ima najviše, a minimiziranje te mere gura prognoze nadole. Čak i mere apsolutne greške zavaravaju kod artikala koji se sporo prodaju: za proizvod koji se obično uopšte ne proda, prognoza sa najmanjom apsolutnom greškom je nula, a takva prognoza ga nikada ne bi dopunila1. Tri navike čuvaju meru poštenom: poredite sa naivnim pravilom za iste dane, izostavite dane sa praznom policom, jer je njihovu prodaju ograničila zaliha, i pratite pristrasnost bar onoliko pažljivo koliko i grešku.
7. Akcije, praznici i vremenske prilike
Većina velikih grešaka u prognozi potiče od događaja, a ne od metode. Akcije snažno pomeraju obim, a mehanika je važna: u osam švedskih supermarketa ponuda za dva artikla prodala je 19,5% više komada od jednakog popusta na jedan komad6. Praznici su još gori: nemački trgovci prehranom imali su u nedelji pred Božić 2021. promet za 50% veći nego u prosečnoj nedelji, a neki su prijavili tačnost prognoze od samo 35% u prazničnim sezonama7. Vremenske prilike pomeraju cele kategorije: u Velikoj Britaniji obim prodaje u prodavnicama hrane pao je za 5,4% u maju 2025. i porastao za 0,7% u junu, kada su supermarketi kao razlog naveli toplo vreme8.
Tretirajte ih kao poznate događaje, a ne kao šum. Unesite akcije sa datumima i mehanikom, vodite kalendar državnih praznika za svaku zemlju u kojoj poslujete i dozvolite čoveku da koriguje prognozu za ono što istorija nije videla, kao što su lokalni festival ili radovi ispred prodavnice. Vodič o AI dopuni zaliha objašnjava koje od ovih odluka prepustiti algoritmu, a koje nabavljaču. Bolje prognoze smanjuju i otpis sveže robe: Albert Heijn svojim prognozama po prodavnici, zajedno sa dinamičnim sniženjima, pripisuje uštedu od preko 1,5 miliona kilograma bačene hrane u 2024. godini10; vodič o bacanju hrane pokriva ostalo.
Napomena o izvorima: tri ovde citirane studije su preprinti koji još nisu prošli recenziju, podaci trgovaca su njihovi sopstveni i kombinuju prognozu sa drugim aktivnostima, a podaci o tačnosti tokom praznika potiču iz intervjua bez zajedničke mere.
Kako marql to prikazuje u porudžbini prodavnice
U marql-u, AI menadžer zaliha priprema porudžbinu svake prodavnice iz prodaje i zaliha koje čita iz POS-a i ERP-a koje lanac već koristi. Svaka stavka pokazuje koliko se proizvod prodaje dnevno u toj prodavnici, za koliko dana zaliha na polici traje i da li će nestati pre sledeće isporuke. Svaka porudžbina navodi na čemu se zasniva, uključujući rok isporuke dobavljača, i označava ga kao podrazumevanu vrednost kada još nije poznat. Stavke sa malo podataka, sa starim ili nepostojećim stanjem zaliha ili sa negativnom zalihom u evidenciji idu prve, da neko pogleda policu pre nego što porudžbina ode. marql računa količine; čovek ih proverava, koriguje i šalje porudžbinu.
Izvori
- 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
TemePrognoza tražnje, Dopuna zaliha, Tačnost prognoze, Porudžbine prodavnica
Svi članci