AI w e-commerce: 3 błędy w predykcji popytu, które kosztują Cię %
Predykcja popytu brzmi jak święty Graal e-commerce. W teorii: algorytm analizuje historyczne dane, pogodę, trendy i mówi Ci dokładnie, ile zamówić towaru. W praktyce – widzę coraz więcej firm, które wdrożyły AI do prognozowania, ale zamiast zysków, mają magazyny pełne przeterminowanego asortymentu lub puste półki w szczycie sezonu.
Dlaczego tak się dzieje? Bo predykcja popytu to nie tylko model ML – to cała strategia operacyjna, którą większość sklepów traktuje po macoszemu. Jako praktyk, który wdrażał takie rozwiązania u kilku klientów, widzę trzy powtarzające się błędy, które bezlitośnie obcinają marże.
Błąd #1: Model trenowany na czystych danych
Większość firm bierze historyczne dane sprzedażowe, czyści je z outliersów (np. promocje, zwroty) i wrzuca do modelu. Problem? Rzeczywistość nie jest czysta.
Przykład: klient z branży fashion używał do trenowania danych z ostatnich dwóch lat. Model świetnie przewidywał popyt na kurtki zimowe – ale nie uwzględniał, że w zeszłym roku była łagodna zima, a w tym roku prognozowane są mrozy. Wynik? Zamówiono o 30% za mało, a konkurencja sprzedała wszystko.
Rozwiązanie: do trenowania używaj danych „brudnych” – czyli takich, jakie naprawdę występują w sprzedaży. Uwzględnij promocje, zwroty, sezonowość, nawet błędy systemowe. Model powinien wiedzieć, że w Black Friday sklep zalewa bot, a nie tylko źli klienci. Dodaj też dane zewnętrzne: pogodę, kalendarz świąt, newsy. Mały sklep może zacząć od darmowych API pogodowych i prostych skryptów.
Błąd #2: Brak pętli sprzężenia zwrotnego
Wdrożyliście model, działa, prognozuje, a Wy patrzycie na dashboard i cieszycie się, że „AI działa”. Tylko że po trzech miesiącach okazuje się, że błąd prognozy rośnie, a nikt nie sprawdza, dlaczego.
Predykcja bez monitoringu to jak jazda samochodem z zasłoniętą szybą. Model się starzeje, zmieniają się zachowania klientów, pojawiają się nowi gracze. Jeśli nie mierzycie, jak bardzo prognoza rozmija się z rzeczywistością, a potem nie aktualizujecie modelu – tracicie.
Przykład z życia: sklep z elektroniką prognozował popyt na smartfony na podstawie poprzedniego roku. Nie uwzględnili, że w międzyczasie konkurencja wprowadziła tańszy model. Model dalej myślał, że popyt jest wysoki – zamówili nadmiar, a magazyn zaczął generować koszty.
Rozwiązanie: wdróż monitorowanie błędu prognozy w czasie rzeczywistym. Prosty wskaźnik: MAPE (Mean Absolute Percentage Error). Codziennie sprawdzaj, czy model się nie rozjeżdża. I co miesiąc dogrywaj go na nowych danych. Automatyzacja retrenowania to podstawa.
Błąd #3: Zbyt długi horyzont prognozy
Klienci często chcą prognozy na 6 miesięcy do przodu. Bo planują zamówienia u dostawcy z Chin, bo budżet, bo cokolwiek. Tyle że im dłuższy horyzont, tym prognoza jest bardziej błędna. Model w e-commerce jest dobry na 2-4 tygodnie – dłużej to już wróżenie z fusów.
Widziałem sklep, który na podstawie prognozy na 6 miesięcy zamówił ogromną partię butów zimowych w maju. Niestety, wrzesień okazał się wyjątkowo ciepły, a model nie przewidział tego. Buty stały w magazynie do grudnia, a wtedy już były przecenione. Marża – ujemna.
Rozwiązanie: prognozuj krótko i dokładnie, a nie długo i źle. Jeśli potrzebujesz długoterminowego planu, użyj prognozy agregowanej (np. miesięcznej) i trzymaj się horyzontu maksymalnie 2-3 miesięcy. Na dłuższe okresy zrób ręczne korekty oparte o intuicję zespołu zakupowego.
Jak to wygląda w praktyce?
U jednego z naszych klientów (sklep z akcesoriami do domu) wdrożyliśmy model predykcji z uwzględnieniem tych trzech poprawek. Po trzech miesiącach:
- błąd prognozy spadł z 25% do 8%
- poziom braków magazynowych zmniejszył się o 40%
- nadwyżki magazynowe spadły o 30%
To nie są kosmiczne różnice – ale przełożyły się na wzrost marży o 5 punktów procentowych. W e-commerce, gdzie walczy się o każdy %, to ogromna zmiana.
Podsumowanie
AI w predykcji popytu to nie cudowna pigułka. To narzędzie, które wymaga: brudnych danych, pętli feedbacku i krótkiego horyzontu. Zrób to dobrze, a zyskasz realną przewagę. Podchodź do tego jak do procesu ciągłego doskonalenia, a nie jednorazowej instalacji.
Jeśli zastanawiasz się nad wdrożeniem takiego systemu – zacznij od małego pilota na jednej kategorii produktów. Przetestuj, zmierz, popraw. Dopiero potem skaluj. W JurskiTech pomagamy firmom wdrażać AI, które faktycznie działa, a nie tylko ładnie wygląda w prezentacji.
