Jak przewidywać popyt w logistyce i nie trzymać zapasów „na wszelki wypadek”?

Dlaczego firmy w Polsce wciąż trzymają zapasy „na wszelki wypadek”?

W praktyce logistycznej nadmierne zapasy rzadko wynikają wyłącznie z „ostrożności”. Najczęściej to objaw kilku nakładających się problemów: niepewności popytu, wahań lead time, braku spójnego planowania i słabej jakości danych. W polskich realiach dochodzą też czynniki rynkowe: dynamiczne promocje w e-commerce, rosnące koszty magazynowania, wahania cen energii oraz presja na dostępność „od ręki”.

Najczęstsze źródła nadmiarów

• Brak wspólnego języka między sprzedażą, logistyką i zakupami – każdy planuje „pod siebie”.
• Promocje planowane w ostatniej chwili – skok popytu nie trafia do prognozy, więc zabezpiecza się zapasem.
• Niestały czas dostaw (kraj/UE/Chiny) i ograniczenia transportowe.
• Niska wiarygodność stanów magazynowych (błędy WMS/ERP, nieaktualne jednostki miary, braki inwentaryzacji).
• Zbyt ogólne prognozowanie (np. na poziomie całej kategorii zamiast SKU/klienta/kanału).
• „Zapas bezpieczeństwa” bez logiki – ustawiony historycznie i nigdy nieprzeliczany.

Warto zauważyć, że nie chodzi o to, aby zapasy wyzerować. Celem jest kontrolowana dostępność: utrzymywanie zapasu tam, gdzie ma sens biznesowy, i ograniczanie go tam, gdzie generuje koszty bez poprawy obsługi klienta.

Czym jest przewidywanie popytu w łańcuchu dostaw (i co nie jest)

Predykcja popytu w logistyce to zestaw metod i procesów, które pozwalają oszacować przyszłe zapotrzebowanie na produkty (SKU) w określonym czasie, lokalizacji i kanale sprzedaży – po to, by lepiej planować zakupy, produkcję, dystrybucję, transport i poziom zapasu.

Prognoza ≠ plan sprzedaży ≠ budżet

• Prognoza popytu – możliwie obiektywna estymacja na podstawie danych (historia, sezonowość, czynniki zewnętrzne).
• Plan sprzedaży – deklaracja (często aspiracyjna) wynikająca ze strategii, targetów i działań handlowych.
• Budżet – finansowe ujęcie planu w pieniądzu (marże, koszty, cash-flow).

W dojrzałych organizacjach te trzy elementy są ze sobą uzgadniane w procesie S&OP/IBP. Jeżeli prognoza jest „przestawiana” pod budżet, zwykle kończy się to nadprodukcją lub brakiem towaru – a potem znów rośnie „zapas na wszelki wypadek”.

Jakie korzyści daje dobra prognoza popytu w logistyce?

Najbardziej odczuwalny efekt to mniej zapasów bez spadku dostępności. W praktyce chodzi jednak o cały pakiet korzyści operacyjnych i finansowych.

• Mniej zamrożonego kapitału – zapas to pieniądz w kartonie na regale.
• Niższe koszty magazynowania – powierzchnia, energia, obsługa, kompletacja, ubezpieczenia.
• Mniej przestarzeń i przeterminowań – szczególnie w FMCG, farmacji, kosmetykach.
• Lepszy serwis – mniejsze ryzyko stockoutów i nerwowych ekspresów.
• Stabilniejszy transport – łatwiej planować okna dostaw, wykorzystanie aut, cross-docking.
• Większa odporność na szoki – dzięki scenariuszom i wczesnym sygnałom z rynku.

Od czego zacząć: dane, które naprawdę mają znaczenie

Żadna metoda – nawet najbardziej zaawansowana – nie zadziała, jeśli dane są niespójne. W polskich firmach problemem bywa rozproszenie informacji: ERP, WMS, platforma e-commerce, marketplace, systemy promocji, arkusze handlowców. Pierwszym krokiem jest więc uporządkowanie danych popytowych.

Minimalny zestaw danych do prognozowania

• Historia sprzedaży (ilość i wartość) w czasie: dzień/tydzień/miesiąc.
• Poziom agregacji: SKU, magazyn/oddział, kanał (B2B, detal, e-commerce), klient kluczowy.
• Historia cen i promocji (mechanika, czas trwania, rabat, ekspozycja).
• Dane o dostępności – kiedy towaru nie było (żeby nie mylić braku popytu z brakiem towaru).
• Lead time i jego zmienność (średnia, odchylenie, percentyle).
• Kalendarz sezonów – święta, długie weekendy, ferie, Black Friday, rozpoczęcie roku szkolnego.

Dane dodatkowe (często dają przewagę)

• Pogoda (np. napoje, grill, odzież sezonowa).
• Ruch na stronie, konwersje, wyszukiwania (szczególnie w e-commerce).
• Dane makro: inflacja, kursy walut, nastroje konsumenckie (dla wybranych branż).
• Dane POS od sieci handlowych (jeśli dostępne).

Wskazówka praktyczna: jeżeli masz ograniczone zasoby, nie zaczynaj od „big data”. Najpierw doprowadź do porządku historię sprzedaży, kalendarz promo i informację o brakach towaru. To zwykle daje największy skok jakości prognozy.

Segmentacja, która robi różnicę: ABC/XYZ i nie tylko

Nie wszystkie produkty prognozuje się tak samo. Inaczej zachowują się bestsellery o stabilnej rotacji, a inaczej ogony asortymentowe, gdzie sprzedaż jest nieregularna. Segmentacja pozwala dobrać metodę i poziom zapasu do charakteru popytu.

ABC – wpływ na wartość

• A – mało SKU, duża część obrotu/wartości (priorytet w prognozie i dostępności).
• B – średni wpływ.
• C – dużo SKU o małej wartości (tu często leżą „ciche” nadmiary).

XYZ – przewidywalność popytu

• X – popyt stabilny, niska zmienność.
• Y – sezonowość lub trend, umiarkowana zmienność.
• Z – popyt nieregularny, „poszarpany” (intermittent).

Połączenie ABC i XYZ (np. AX, BY, CZ) daje mapę priorytetów. Dla AX warto dopracować modele i automatyzację, dla CZ często lepsze są proste reguły, MOQ od dostawcy, albo decyzja o ograniczeniu asortymentu.

Kluczowe KPI: jak mierzyć jakość prognoz i ich wpływ na zapasy

Bez mierników prognozowanie szybko staje się dyskusją na opinię. W logistyce liczy się nie tylko „błąd prognozy”, ale też to, jak prognoza przekłada się na obsługę klienta i koszty.

KPI dla prognozy

• MAPE (Mean Absolute Percentage Error) – popularny, ale uwaga na niskie wolumeny.
• WAPE (Weighted APE) – lepszy, bo waży błędy wolumenem.
• MAE/RMSE – przydatne, gdy procenty zniekształcają obraz.
• Bias – czy prognoza systematycznie zaniża lub zawyża popyt.

KPI operacyjne i zapasowe

• OTIF (On Time In Full) / poziom obsługi.
• Fill rate – realizacja z magazynu.
• DIO (Days Inventory Outstanding) – ile dni zapasu trzymasz.
• Rotacja zapasu – ile razy w roku obracasz zapasem.
• Przeterminowania / odpisy – twardy koszt błędnych decyzji.

Uwaga: wysoka dokładność prognozy nie gwarantuje niskich zapasów, jeśli polityka zamawiania jest błędna (np. zbyt wysokie MOQ, zły punkt ponownego zamówienia, brak rozdzielenia lead time i safety stock).

Metody prognozowania: od prostych technik do AI

Najlepsza metoda to nie ta „najbardziej skomplikowana”, tylko ta, która działa w Twoim kontekście: dane, sezonowość, liczba SKU, szybkość decyzji i wymagania biznesu. Poniżej przegląd podejść, które realnie stosuje się w firmach w Polsce.

1) Metody bazowe (często wystarczą na start)

• Średnia krocząca – dobra dla stabilnych pozycji, łatwa do wdrożenia.
• Wygładzanie wykładnicze (SES/Holt/Holt-Winters) – lepsze przy trendzie i sezonowości.
• Prognoza sezonowa na podstawie indeksów sezonowości.

2) Modele statystyczne

• ARIMA/SARIMA – klasyka szeregów czasowych, sensowna przy regularnych wzorcach.
• Regresja z czynnikami zewnętrznymi (cena, promocja, pogoda).

3) Podejście probabilistyczne (ważne w logistyce)

Zamiast jednej liczby (np. „sprzeda się 100 szt.”) dostajesz rozkład i przedziały ufności. To pomaga liczyć zapas bezpieczeństwa w oparciu o ryzyko, a nie intuicję.

4) Machine Learning i AI

• Modele drzewiaste (np. gradient boosting) – dobrze łapią nieliniowości i wpływ promo.
• Modele sekwencyjne (np. LSTM/Transformers) – przy bardzo dużych zbiorach i złożonych wzorcach.
• Modele hybrydowe – łączą statystykę z ML i regułami biznesowymi.

AI bywa świetne, ale wymaga dyscypliny: poprawnych danych o promocjach, cenach, dostępności oraz sensownego procesu walidacji. W wielu organizacjach największy zwrot przynosi połączenie prostego modelu z dobrym procesem, a dopiero później rozwój w kierunku ML.

Jak uwzględniać promocje, sezonowość i „polskie” szczyty popytu

W Polsce sezonowość i kalendarz handlowy mają konkretne punkty zapalne. Jeśli ich nie uwzględnisz, prognoza będzie „spóźniona”, a zapas znowu urośnie.

Typowe piki w polskim handlu

• Święta Bożego Narodzenia (w wielu branżach przygotowania zaczynają się już w październiku).
• Wielkanoc (FMCG, dekoracje, horeca).
• Black Friday/Cyber Monday oraz okres przedświąteczny w e-commerce.
• Rozpoczęcie roku szkolnego (papiernicze, elektronika, odzież).
• Sezon budowlany (wiosna–lato) i „zjazd” zimą.
• Długie weekendy – wpływ na zakupy i na logistykę (mniej dni roboczych).

Jak „kodować” promocje w danych

• zapisuj typ promocji (rabat %, 2+1, gratis, bundle),
• oznaczaj kanał (online/offline, marketplace),
• dodaj intensywność ekspozycji (newsletter, gazeta, strona główna),
• pilnuj dat (start/koniec) i zasięgu (cała PL czy region).

To pozwala modelom „zrozumieć”, że skok nie był przypadkiem, tylko powtarzalnym mechanizmem.

Planowanie zapasu: safety stock, poziom obsługi i punkt ponownego zamówienia

Nawet najlepsza prognoza nie zlikwiduje zapasów, jeśli polityka magazynowa jest ustawiona „na oko”. Kluczowe są trzy elementy: zapas bezpieczeństwa, poziom obsługi oraz punkt ponownego zamówienia (ROP).

Zapas bezpieczeństwa: po co naprawdę jest?

Safety stock ma chronić przed:

• zmiennością popytu (prognoza nie jest idealna),
• zmiennością lead time (dostawy przychodzą wcześniej/później),
• zdarzeniami losowymi (opóźnienia transportowe, awarie).

Jeśli safety stock „załatwia” też braki w danych, nieuporządkowane promocje i chaos planistyczny – to zaczyna rosnąć bez końca.

Poziom obsługi a koszty

Warto świadomie ustalić targety, np.:

• 98–99% dla pozycji A (strategiczne, wysokomarżowe),
• 95–97% dla B,
• 90–95% dla C – jeśli koszt braku jest niższy niż koszt zapasu.

To decyzja biznesowa, nie tylko logistyczna. W polskich firmach często dopiero takie „twarde” ustalenie kończy dyskusję o tym, czy trzymać wszystko zawsze dostępne.

Proces, który spina wszystko: S&OP / IBP w praktyce

Prognoza jest narzędziem. Żeby wpływała na zapas, musi wejść w proces decyzyjny. Najczęściej jest to S&OP (Sales & Operations Planning) albo szerzej IBP (Integrated Business Planning).

Jak wygląda prosty cykl miesięczny

• 1) Zbieranie danych – sprzedaż, stany, zaległości, plan promocji.
• 2) Prognoza statystyczna – baseline.
• 3) Korekty biznesowe – promo, kontrakty, zmiany cen.
• 4) Uzgodnienie ograniczeń – moce produkcyjne, dostawcy, transport.
• 5) Decyzje – co kupujemy/produkujemy, gdzie budujemy zapas, gdzie ryzykujemy.
• 6) Pomiar i wnioski – KPI prognozy, bias, przyczyny odchyleń.

Kluczowe jest, aby prognoza nie była „plikem w Excelu”, tylko elementem, który realnie steruje zamówieniami i alokacją.

Typowe pułapki i jak ich uniknąć

Wdrożenia prognozowania popytu potrafią utknąć nie na modelach, tylko na organizacji pracy i nawykach. Poniżej lista problemów, które najczęściej blokują efekty.

Pułapka 1: prognozowanie na złym poziomie

Prognoza na poziomie „kategoria Polska” bywa dobra do budżetu, ale słaba do logistyki. Operacyjnie liczy się SKU x lokalizacja x kanał, a czasem nawet SKU x klient.

Pułapka 2: mylenie braku sprzedaży z brakiem popytu

Jeśli produkt był niedostępny, sprzedaż spada, a model „uczy się”, że popytu nie ma. Dlatego tak ważne jest oznaczanie okresów out-of-stock i korekta danych.

Pułapka 3: ręczne „poprawianie wszystkiego”

Ręczna korekta ma sens, ale tylko tam, gdzie istnieje informacja, której nie ma w danych (np. duży przetarg). Jeśli poprawiasz 80% pozycji, to znaczy, że proces jest źle ustawiony albo baseline jest za słaby.

Pułapka 4: brak zarządzania wyjątkiem

Skuteczne zespoły nie analizują każdej pozycji codziennie. Stosują exception management:

• alarmy na duże odchylenia,
• priorytety na A/AX,
• listy pozycji z rosnącym bias,
• monitoring lead time i opóźnień.

Jak wdrożyć przewidywanie popytu krok po kroku (realistycznie)

Poniższy plan jest celowo pragmatyczny i pasuje do wielu firm w Polsce – od dystrybucji po produkcję i e-commerce. Pozwala szybko ograniczyć zapas „na wszelki wypadek”, zanim zainwestujesz w skomplikowane narzędzia.

Krok 1: zdefiniuj cel i zakres

• czy walczysz z przeterminowaniami, brakiem miejsca, czy z kapitałem?
• które magazyny, kanały i grupy produktów obejmujesz na start?

Krok 2: uporządkuj dane (minimum 12–24 miesięcy historii)

• jednolite indeksy SKU, jednostki miary,
• oznaczenie braków dostępności,
• kalendarz promocji i zmian cen.

Krok 3: zrób segmentację ABC/XYZ

Nie próbuj w pierwszym etapie „zrobić AI” dla całego ogona asortymentu. Skup zasoby na tym, co generuje wynik.

Krok 4: wdroż baseline i zasady korekt

• baseline (np. Holt-Winters) dla X/Y,
• prostsze podejście dla Z (np. metody dla popytu przerywanego),
• jasne reguły: kiedy sprzedaż może korygować prognozę i jak to dokumentuje.

Krok 5: połącz prognozę z parametrami zapasu

Prognoza musi zasilać decyzje: ROP, safety stock, wielkości zamówień. W przeciwnym razie będzie „raportem”, a nie sterowaniem łańcuchem dostaw.

Krok 6: uruchom cykl S&OP i mierz KPI

• WAPE/bias dla top SKU,
• OTIF/fill rate,
• DIO/rotacja i odpisy.

Krok 7: dopiero potem automatyzuj i rozwijaj ML

Gdy proces działa, a dane są wiarygodne, narzędzia klasy APS, moduły forecast w ERP lub dedykowane platformy (także oparte o ML) przynoszą największą wartość.

Przykład (uproszczony): jak prognoza zmniejsza zapas bez spadku dostępności

Wyobraź sobie dystrybutora z centralnym magazynem w Polsce, który utrzymuje 60 dni zapasu na większości SKU, bo „dostawy z zagranicy bywają różne”. Po uporządkowaniu danych okazuje się, że:

• dla grupy AX popyt jest stabilny, a lead time ma małą zmienność – można zejść z 60 do 35 dni,
• dla BY sezonowość jest przewidywalna – zamiast trzymać wysoki zapas cały rok, buduje się go tylko przed sezonem,
• dla CZ sprzedaż jest sporadyczna – sensowniejsze są zamówienia pod klienta lub ograniczenie listingu.

Efekt: spadek DIO, mniej odpisów, a OTIF utrzymany dzięki lepiej policzonemu safety stock i szybszej reakcji na odchylenia.

Narzędzia i integracje: Excel, ERP, APS, WMS – co wybrać?

W Polsce wiele firm zaczyna od Excela i to bywa OK, jeśli skala jest mała. Problem zaczyna się przy tysiącach SKU, wielu magazynach i częstych promocjach.

Kiedy Excel wystarczy

• kilkaset SKU, jedna lokalizacja, proste kanały,
• stabilny popyt i niska liczba promocji,
• zespół z doświadczeniem i dobrymi procedurami.

Kiedy potrzebujesz systemu

• wiele źródeł danych (ERP + e-commerce + marketplace),
• duża liczba wyjątków i szybkie cykle decyzyjne,
• potrzeba automatycznych alarmów i wersjonowania prognoz.

W praktyce liczy się integracja: prognoza powinna zasilać plan zakupów/produkcji, a wykonanie (sprzedaż, stany, opóźnienia) wracać do analizy odchyleń.

Najlepsze praktyki: jak ograniczyć zapasy bez ryzyka „pustych półek”

• Zacznij od top SKU (A/AX) – tam najszybciej widać efekt.
• Aktualizuj parametry zapasu cyklicznie, nie „raz na zawsze”.
• Rozdziel zapas cykliczny i bezpieczeństwa – i mierz każdy osobno.
• Ustal zasady dla nowości (brak historii): analogi, testy, krótsze cykle zamówień.
• Wprowadź zarządzanie wyjątkami, żeby zespół nie tonął w analizie.
• Oceń koszt braku vs koszt zapasu – i dopasuj poziom obsługi.
• Nie ukrywaj problemów operacyjnych w zapasie – jeśli lead time „pływa”, pracuj z dostawcą, a nie dokładaj kartonów.

Podsumowanie

Jeśli chcesz przestać trzymać zapasy „na wszelki wypadek”, nie zaczynaj od rewolucji technologicznej. Zacznij od podstaw: jakości danych, segmentacji asortymentu, sensownych KPI oraz procesu, który łączy sprzedaż, logistykę i zakupy. Dobrze ustawiona prognoza popytu i zarządzanie zapasem pozwalają zredukować nadmiary, poprawić rotację i jednocześnie utrzymać dostępność, której oczekują klienci na polskim rynku.

Najważniejsze: traktuj prognozowanie jako ciągły proces decyzyjny, a nie jednorazowy projekt. Wtedy predykcja popytu w logistyce staje się narzędziem do realnego obniżania kosztów i budowania przewagi konkurencyjnej.