01

Czym różni się analiza predykcyjna od preskryptywnej?

Analiza predykcyjna mówi, co się prawdopodobnie stanie, a preskryptywna, co w tej sytuacji zrobić. Firma IBM opisuje analizę preskryptywną jako warstwę zaleceń dołożoną do predykcyjnej. W sprzedaży i zapasach bez prognozy nie ma czego zalecać.

Przykład z hurtowni owoców. Model predykcyjny podaje: jutro sprzedasz 400 łubianek truskawek, a z prawdopodobieństwem 80% między 340 a 460. Na tym jego rola się kończy. Analiza preskryptywna bierze tę prognozę i dwa koszty. Brak jednej łubianki to 6 zł utraconej marży. Łubianka, która się nie sprzedała, to 10 zł straty, bo do pojutrza się zepsuje. Z tych kosztów wychodzi, w jakiej części dni opłaca się mieć pełny towar: 6 podzielone przez 16, czyli 37,5%. Przy takiej niepewności prognozy oznacza to zamówienie ok. 385 łubianek, mniej niż mówi prognoza.

Ten sam rachunek dla towaru, który się nie psuje, daje odwrotny wynik. Jeśli nadmiarowa sztuka kosztuje 1 zł składowania, opłaca się mieć towar w 6 dniach na 7 i zamówić ok. 450 sztuk, pomniejszone o to, co już leży w magazynie. Prognoza jest w obu przypadkach ta sama. Zmienia się decyzja.

Porównanie

Analiza predykcyjna i preskryptywna obok siebie

Różnice między analizą predykcyjną a preskryptywną
Analiza predykcyjnaAnaliza preskryptywna
PytanieCo się prawdopodobnie stanie?Co zrobić?
WynikPrognoza z zakresem niepewnościZalecenie albo decyzja wykonana automatycznie
Czego potrzebujeHistorii i danych o czynnikach, które wpływają na wynikPrognozy, kosztów, ograniczeń i jasno nazwanego celu
MetodyŚrednie ruchome, regresja, modele szeregów czasowych, uczenie maszynoweOptymalizacja, symulacje, reguły biznesowe
Kto decydujeCzłowiek, który czyta prognozęCzłowiek zatwierdza zalecenie albo system działa sam w ustalonych granicach
Liczby w przykładzie z hurtowni są ilustracją, nie danymi z projektu. Zamówienia policzone przy założeniu, że błąd prognozy ma rozkład normalny.
02

Do czego firmy używają analizy predykcyjnej?

Najczęściej do prognozowania popytu, odejść klientów i terminów płatności. Wspólna cecha tych zastosowań: zdarzenie powtarza się często, więc jest na czym uczyć model.

Zastosowania

Co się prognozuje i z jakich danych

Typowe zastosowania analizy predykcyjnej w firmie i potrzebne dane
ZastosowanieCo prognozujeszJakich danych potrzebujesz
PopytSprzedaż produktu w kolejnych tygodniachHistorii sprzedaży, cen i promocji, kalendarza, cen konkurentów
Odejścia klientówKto przestanie kupować w najbliższych miesiącachHistorii zamówień, reklamacji i kontaktów z obsługą
PłatnościKtóre faktury zostaną zapłacone po terminieHistorii płatności klienta, danych z rejestrów o jego kondycji
Reakcja na cenęO ile zmieni się sprzedaż, kiedy zmienisz cenęHistorii własnych cen i sprzedaży oraz cen konkurentów z tych samych dni
Im rzadsze zdarzenie, tym trudniej je prognozować. Odejście jednego z dwudziestu największych klientów lepiej wyłapie opiekun niż model.
03

Do czego używa się analizy preskryptywnej?

Do decyzji, które zapadają często, według tych samych zasad i z policzalnym skutkiem: ceny, zamówienia, trasy, grafiki. Tam, gdzie decyzja zapada raz w roku, zalecenie z modelu niewiele daje.

  • Ceny. System proponuje cenę każdego produktu na podstawie popytu, zapasu i cen konkurentów. Podstawą jest elastyczność cenowa, czyli to, o ile zmienia się sprzedaż, kiedy cena rośnie o 1%.
  • Zamówienia i zapasy. Ile zamówić i kiedy, żeby nie zabrakło towaru i nie zamrozić gotówki.
  • Trasy i grafiki. Kolejność dostaw i obsada zmian przy danych ograniczeniach.
  • Promocje. Które produkty przecenić i o ile, żeby opróżnić magazyn przed końcem sezonu.

Analiza preskryptywna wymaga podania ograniczeń, bo model sam ich nie zna. Przy cenach to między innymi minimalna marża i przepisy. Jeśli algorytm ogłasza obniżki klientom detalicznym, sklep musi przy każdej pokazać najniższą cenę z 30 dni przed obniżką, bo tego wymaga dyrektywa Omnibus. Gdzie sklepy najczęściej się na tym potykają, opisaliśmy w tekście Omnibus dwa lata po wdrożeniu.

04

Jakich danych potrzeba do prognozy?

Historii tego, co prognozujesz, i danych o tym, co na to wpływa. Rob Hyndman i George Athanasopoulos, autorzy podręcznika "Forecasting: Principles and Practice", wymieniają cztery rzeczy, od których zależy, czy coś da się przewidzieć: jak dobrze rozumiemy czynniki wpływu, ile mamy danych, jak bardzo przyszłość przypomina przeszłość i czy sama prognoza zmienia to, co prognozujemy.

W handlu oznacza to dwa rodzaje danych. Pierwszy to dane własne: sprzedaż, ceny, promocje, stany. Najlepiej z co najmniej dwóch lat, żeby model zobaczył dwa sezony. Drugi to dane z rynku: ceny i promocje konkurentów, kalendarz świąt i dni wolnych, pogoda.

Model zbudowany tylko na własnej sprzedaży nie wie, że konkurent obniżył cenę. Zobaczy spadek, ale przypisze go sezonowi albo przypadkowi i za rok powtórzy błąd. Cen konkurenta na przyszły tydzień nikt nie zna, ale jego ceny z przeszłości robią dwie rzeczy: tłumaczą historię i pozwalają policzyć scenariusz "co się stanie, jeśli znów obniży o 10%". Ceny i promocje konkurentów dostarczamy w pliku, w którym każda cena ma datę, więc da się je dołączyć do historii sprzedaży jako kolejną kolumnę.

05

Jak sprawdzić, czy prognoza jest dobra?

Porównaj ją z prognozą naiwną, czyli z założeniem, że w przyszłym okresie sprzedasz tyle samo co w poprzednim. Przy produktach sezonowych uczciwszą poprzeczką jest ten sam tydzień rok wcześniej. Jeśli model nie myli się wyraźnie mniej, nie jest wart swojej ceny.

To wysoka poprzeczka. W konkursie M5 z 2020 r. 5507 zespołów prognozowało 42 840 szeregów sprzedaży sieci Walmart. Wygrały modele uczenia maszynowego (LightGBM), ale według omówienia wyników w "International Journal of Forecasting" tylko 7,5% zespołów pobiło bardzo prosty punkt odniesienia wyznaczony przez organizatorów.

Błąd prognozy często mierzy się wskaźnikiem MAPE. To średnia z błędów procentowych, a każdy z nich to różnica między prognozą a faktyczną sprzedażą, wzięta bez znaku i podzielona przez faktyczną sprzedaż. MAPE równe 20% znaczy, że prognoza myli się przeciętnie o jedną piątą. Wskaźnik ma dwie wady, o których piszą Hyndman i Athanasopoulos. Nie da się go policzyć, kiedy sprzedaż wynosi zero. I mocniej karze prognozy zawyżone niż zaniżone, więc model strojony pod MAPE ma skłonność do zaniżania. Jeśli brak towaru kosztuje Cię więcej niż nadmiar, to zły kierunek.

W handlu częściej liczy się dlatego WAPE: sumę błędów w sztukach podzieloną przez sumę sprzedaży. Ten wskaźnik nie wykłada się na produktach, które w niektóre dni nie sprzedają się wcale.

Trzy pytania do dostawcy prognozy:

  • O ile model jest lepszy od prognozy naiwnej na moich danych, a nie na przykładowych.
  • Na jakim okresie to sprawdzono. Test musi obejmować miesiące, których model nie widział podczas budowy.
  • Jak wygląda błąd dla produktów wolno rotujących, bo średnia dla całego asortymentu ukrywa najgorsze przypadki.
06

Kiedy analiza predykcyjna się nie opłaca?

Wtedy, kiedy prognoza nie zmieni decyzji albo nie ma z czego jej zbudować. Cztery typowe sytuacje:

  • Za mało historii. Nowy produkt albo nowy rynek. Lepiej oprzeć się na podobnym produkcie i poprawiać plan co tydzień.
  • Decyzja i tak będzie ta sama. Jeśli dostawca przyjmuje zamówienia tylko w pełnych paletach, dokładność co do sztuki nic nie daje.
  • Wystarczy prosta reguła. Zapas minimalny i maksymalny dla produktów o stałej sprzedaży działa równie dobrze jak model i nie wymaga utrzymania.
  • Zdarzenie jest rzadkie. Kilka przypadków w roku to za mało, żeby model nauczył się czegoś poza szumem.
07

Od czego zacząć?

Od jednej decyzji, którą podejmujesz co tydzień, i od prognozy naiwnej jako punktu odniesienia.

  1. Wybierz jedną decyzję. Na przykład zamówienia dla 50 najważniejszych produktów.
  2. Policz prognozę naiwną i jej błąd za ostatnie pół roku. To Twoja poprzeczka.
  3. Dodaj jeden czynnik naraz: sezon, własne promocje, ceny konkurentów. Sprawdzaj, czy błąd spada.
  4. Mierz przez kilka miesięcy, zanim uwierzysz w wynik.
  5. Dopiero potem automatyzuj decyzję, z limitami: maksymalna zmiana ceny, maksymalna wielkość zamówienia, człowiek zatwierdza wyjątki.

Pozostałe dwa rodzaje analizy, opisową i diagnostyczną, oraz etapy projektu opisaliśmy w tekście Analiza danych w biznesie.

Źródła i zastrzeżenia
  • IBM, "What is predictive analytics?" i "What is prescriptive analytics?" (ibm.com/think/topics), dostęp 20.11.2026.
  • R. J. Hyndman, G. Athanasopoulos, "Forecasting: Principles and Practice", wyd. 3 (otexts.com/fpp3): rozdziały o tym, co da się prognozować, o metodach prostych i o miarach trafności.
  • S. Makridakis, E. Spiliotis, V. Assimakopoulos, "M5 accuracy competition: Results, findings, and conclusions", International Journal of Forecasting 38(4), 2022; wstęp do numeru specjalnego o konkursie M5 (liczba zespołów, zwycięska metoda, uwaga S. Kolassy o prostym punkcie odniesienia).
  • Przykład z hurtowni owoców jest ilustracją, nie danymi z projektu.