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
| Analiza predykcyjna | Analiza preskryptywna | |
|---|---|---|
| Pytanie | Co się prawdopodobnie stanie? | Co zrobić? |
| Wynik | Prognoza z zakresem niepewności | Zalecenie albo decyzja wykonana automatycznie |
| Czego potrzebuje | Historii i danych o czynnikach, które wpływają na wynik | Prognozy, kosztów, ograniczeń i jasno nazwanego celu |
| Metody | Średnie ruchome, regresja, modele szeregów czasowych, uczenie maszynowe | Optymalizacja, symulacje, reguły biznesowe |
| Kto decyduje | Człowiek, który czyta prognozę | Człowiek zatwierdza zalecenie albo system działa sam w ustalonych granicach |
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
| Zastosowanie | Co prognozujesz | Jakich danych potrzebujesz |
|---|---|---|
| Popyt | Sprzedaż produktu w kolejnych tygodniach | Historii sprzedaży, cen i promocji, kalendarza, cen konkurentów |
| Odejścia klientów | Kto przestanie kupować w najbliższych miesiącach | Historii zamówień, reklamacji i kontaktów z obsługą |
| Płatności | Które faktury zostaną zapłacone po terminie | Historii płatności klienta, danych z rejestrów o jego kondycji |
| Reakcja na cenę | O ile zmieni się sprzedaż, kiedy zmienisz cenę | Historii własnych cen i sprzedaży oraz cen konkurentów z tych samych dni |
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.
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.
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.
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.
Od czego zacząć?
Od jednej decyzji, którą podejmujesz co tydzień, i od prognozy naiwnej jako punktu odniesienia.
- Wybierz jedną decyzję. Na przykład zamówienia dla 50 najważniejszych produktów.
- Policz prognozę naiwną i jej błąd za ostatnie pół roku. To Twoja poprzeczka.
- Dodaj jeden czynnik naraz: sezon, własne promocje, ceny konkurentów. Sprawdzaj, czy błąd spada.
- Mierz przez kilka miesięcy, zanim uwierzysz w wynik.
- 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.
