Prognózování časových řad

Model časové řady čte jediný vstup: minulé hodnoty téže řady, obvykle s připojeným kalendářem. Nafitovat ho znamená odhadnout, jakou váhu mají čerstvá pozorování proti starším, jak daleko protáhnout trend a který opakující se vzor promítnout dopředu. Všechno, co model ví, pochází z řady, takže změna, která se stala mimo ni – posun ceny, leták, nová prodejna ve spádové oblasti, vylistovaný substitut – je pro něj neviditelná. Vidí jen výsledný skok a přiřadí ho hladině, trendu nebo sezóně.

• Exponenciální vyrovnávání (ETS) – dává větší váhu čerstvým pozorováním; zvládne hladinu, trend i stabilní sezónní profil a vystačí si s krátkou historií
• ARIMA – modeluje autokorelaci diferencované řady; potřebuje delší a rozumně stabilní historii
• Metody Crostonova typu – pro poptávku s velkým podílem nulových období; odhadují zvlášť velikost a zvlášť interval a vracejí míru za období, ne predikci na konkrétní den
• Regrese na čas a kalendářní proměnné – bod, kde se z čisté časové řady stává kauzální model, jakmile do ní vstoupí cena, promoce nebo počasí

Prognózování časových řad v praxi

Opakující se chyba není v aritmetice, ale v narušeném předpokladu. Promoční špička, kterou model přečte jako posun hladiny, drží zvýšenou prognózu ještě týdny po akci; otevřená konkurenční prodejna v okolí vypadá jako klesající trend. Nic z toho v řadě není, takže se to od žádné metody časových řad nedá čekat – odpovědí jsou kauzální proměnné a historie očištěná od událostí, které ji zkreslily, ne těžší model. Totéž platí o samotném vstupu: čistá prodejní data nerozliší „nikdo nechtěl“ od „nebylo na polici“, takže období s výpadky zásob je nutné opravit ještě před fitováním, jinak se model naučí cenzurovanou poptávku.

Stejnou skepsi si zaslouží výběr modelu. Při velké knihovně kandidátů a dvouleté týdenní historii vyhrává podle vnitrovýběrové chyby často ta metoda, která dosedla na šum; rozdíl mezi ní a použitelným modelem odhalí rolling‑origin vyhodnocení v granularitě a na horizontu, ve kterých se skutečně objednává. Ten horizont váží víc než ten vykazovaný: kde se prognóza vyhodnocuje jedno období dopředu, ale objednávka pokrývá lead time plus objednací periodu, rozhoduje o množství extrapolace, kterou nikdo neměřil. A ať zbytková chyba dopadne jakkoli, pohltí ji pojistná zásoba.

Veritico STOCK kombinuje statistické metody, machine learning a neuronové sítě a per položku vybírá z knihovny cca osmdesáti metod tu s nejmenší očekávanou chybou, parametry ladí genetické algoritmy. Historie se před výpočtem čistí od extrémů, výpadků a promočních vlivů, takže se model neučí na cenzurovaných prodejích. Demand sensing porovnává posledních několik týdnů proti dlouhodobé historii a prognózu upraví; řady lze skládat bottom‑up, top‑down nebo middle‑out, což je praktická cesta u novinek a silně sezónních položek. Výsledná prognóza pak vstupuje do doplňování a alokace.

Související pojmy

• Prognózování poptávky
• Přesnost prognózy
• Sezónnost
• Přerušovaná poptávka
• Demand sensing
• Prognózování nových produktů