Prognozowanie popytu w małej firmie: Excel, ERP czy AI?

„Zamawiamy tyle, ile poszło w zeszłym miesiącu, plus dwadzieścia procent, bo tak zawsze robiliśmy" — to zdanie usłyszeliśmy w ostatnim roku w kilkunastu firmach. I to nie w tych najmniejszych. W jednej z nich, 30-osobowym dystrybutorze części zamiennych, tak zamawiane było 800 SKU. Skutek był dwojaki: magazyn zamrażał gotówkę na zapasach, których nikt nie kupował, a jednocześnie regularnie brakowało tego, co schodziło najlepiej. Klasyk.

Zanim ktoś krzyknie „AI to rozwiąże", warto zrobić krok w tył. Prognozowanie popytu w MŚP nie zaczyna się od modelu. Zaczyna się od pytania: czy w ogóle mamy co prognozować. A jeśli tak — od najprostszego narzędzia, które działa. Excel, prosty moduł w ERP i dedykowany model AI to trzy różne poziomy inwestycji. Wybór złego poziomu kosztuje tyle samo, co brak prognozy w ogóle.

Kiedy prognozować, kiedy zgadywać

Prognoza ma sens tylko wtedy, gdy popyt ma powtarzalny wzorzec. Trywialne? Owszem, ale połowa firm, z którymi rozmawiamy, próbuje prognozować rzeczy, które prognozować się po prostu nie da — bo klient jest jeden, projekty są unikalne, a rytm sprzedaży wynika z indywidualnych umów, nie z rynku.

W praktyce prognozowanie zwraca się, gdy spełnione są trzy warunki. Po pierwsze — masz przynajmniej 100–200 SKU (albo pozycji katalogowych) i nie da się już „w głowie" trzymać, co ile schodzi. Po drugie — historia sprzedaży ma minimum 18–24 miesiące, żeby model widział sezonowość. Po trzecie — czas dostawy (od zamówienia u dostawcy do stanu na regale) jest dłuższy niż tydzień, czyli decyzję trzeba podjąć zawczasu.

Jeśli masz 50 SKU i tygodniowy lead time — nie potrzebujesz prognozy. Potrzebujesz dyscypliny w zamawianiu i alertu w ERP, kiedy stan spada poniżej progu. Cała reszta to nadinżynieria.

Poziom 0 — Excel i średnia ważona

To dziwne, ile prognozy da się wycisnąć z porządnie zrobionego Excela. Wygładzanie wykładnicze (funkcja PROGNOZA.ETS w Excelu i Google Sheets) sama liczy trend i sezonowość, jeśli dostanie dwa lata dobrych danych. Nie musisz znać statystyki — wystarczy, że eksport ze sprzedaży ma daty i ilości.

U wspomnianego 30-osobowego dystrybutora części zamiennych zaczęliśmy właśnie od tego. Trzy dni pracy: eksport historii sprzedaży 24 miesięcy z Comarch Optima, arkusz z jedną formułą PROGNOZA.ETS na SKU i prosta tabela z sugerowaną wielkością zamówienia. Po jednym cyklu zamówień: 12% mniej kapitału zamrożonego w magazynie i 30% mniej braków w top-100 SKU. Bez zakupu żadnego oprogramowania.

To nie znaczy, że Excel jest wieczny. Znaczy tylko tyle, że żaden system prognozowania nie da lepszych wyników niż porządna baseline w Excelu, dopóki nie udowodnisz sobie, że baseline nie wystarcza. To jest test, którego 90% dostawców „rozwiązań AI" nie chce, żebyś robił.

Poziom 1 — Co potrafi Twój ERP

Większość ERP-ów obecnych w polskich MŚP — Comarch Optima, enova365, Subiekt GT, Symfonia — ma jakiś moduł prognozowania albo minimum sugerowanego zamówienia. Zwykle robi to samo, co Excel, ale z jedną wielką zaletą: liczby siedzą w tym samym miejscu, co magazyn, zamówienia i dostawcy. Nikt nie musi eksportować, przeliczać, wklejać z powrotem.

Ten poziom ma sens, gdy Excel z Poziomu 0 działa dobrze, ale jego utrzymanie zaczyna zabierać zbyt dużo czasu. Zwykle wchodzimy tu przy 300–500 aktywnie zarządzanych SKU. Wdrożenie modułu prognozowania w istniejącym ERP to tydzień pracy — trzeba skonfigurować parametry (długość sezonu, sposób agregacji, tolerancja bezpieczeństwa) i przekonać zamawiającego, że sugestie systemu warto brać poważnie.

Uwaga na jedną pułapkę: moduły prognozowania w polskich ERP-ach zwykle nie umieją odróżnić promocji od normalnej sprzedaży. Jeśli w kwietniu dałeś rabat -40% na jeden SKU i sprzedał się dziesięć razy więcej niż zwykle, moduł zaprognozuje, że w kwietniu przyszłego roku też sprzeda się dziesięć razy więcej. To nie jest wina modelu — to wina danych. Zanim wdrożysz prognozę w ERP, oznacz w historii sprzedaży, które okresy były „nietypowe".

Poziom 2 — Kiedy naprawdę AI

Dedykowany model uczenia maszynowego (na przykład Prophet, ARIMA z regresją, XGBoost z cechami sezonowymi) ma sens dopiero wtedy, gdy przekroczysz konkretny próg złożoności. Z naszych obserwacji jest to jeden z trzech scenariuszy:

• Masz kilka tysięcy SKU i wzorce sprzedaży różnią się między nimi (jedne są sezonowe, inne stałe, trzecie zależą od pogody).
• Popyt zależy od zewnętrznych czynników, których Excel nie widzi — temperatury, kursów walut, kampanii marketingowych, świąt katolickich i prawosławnych naraz.
• Marża jest tak niska (typowo dystrybucja, e-commerce), że nawet 2% poprawy dokładności prognozy oznacza konkretne pieniądze.

Poniżej tego progu inwestycja się nie zwróci. Model AI wymaga danych historycznych minimum 2–3 lat (najlepiej 5), inżyniera, który go zbuduje i utrzyma, oraz procesu, który reaguje na wyniki. Koszt to nie licencja — to rola człowieka, który tym się zajmuje przez pierwsze pół roku, zanim model zacznie działać stabilnie.

Jest jedna rozsądna droga na skróty: SaaS-owe narzędzia do prognozowania (RELEX, Slimstock, ForecastPro w wersji cloud). Zdejmują z Ciebie budowanie modelu, ale kosztują 2000–5000 zł miesięcznie i wymagają czystych danych o sprzedaży, promocjach i lead-time'ach dostawców. Warto rozważyć, jeśli obrót magazynem przekracza kilka milionów rocznie.

Czego nie robić

Kilka pułapek, w które regularnie wpadają MŚP zaczynające temat prognozowania.

• Nie kupuj „AI" bez porównania z Excelem. Każdy dostawca, który odmawia porównania swojego modelu z prostą baseline (średnia ruchoma, wygładzanie wykładnicze), sprzedaje Ci prezentację, a nie wyniki.
• Nie automatyzuj zamówień od razu. Przez pierwsze 3–6 miesięcy prognoza powinna być sugestią, którą zamawiający zatwierdza. Automatyczne zamówienie na bazie niedoszlifowanego modelu to najprostsza droga do wypełnienia magazynu towarem, którego nikt nie chce.
• Nie ignoruj wiedzy handlowców. Handlowiec, który wie, że „w listopadzie duży klient robi zapas na kwartał", wnosi informację, której model nie ma. Prognoza to punkt startu do rozmowy, nie ostatnie słowo.
• Nie prognozuj tego, co i tak zamawiasz projektowo. Produkty pod konkretne zamówienie klienta zamawia się na podstawie zamówienia klienta, nie na podstawie historii.

Od czego zacząć

Praktyczna kolejność, którą przechodzimy z klientami:

1. Zrób inwentarz SKU według obrotu (klasyfikacja ABC). Prognozuj tylko A i B — reszta to szum.
2. Eksportuj z ERP 24 miesiące sprzedaży dla tych SKU i oznacz okresy nietypowe (promocje, awarie, jednorazowe zamówienia).
3. W Excelu zrób baseline: PROGNOZA.ETS na SKU, sugerowana wielkość zamówienia = prognoza × lead-time + zapas bezpieczeństwa.
4. Przetestuj przez trzy cykle zamówień. Zmierz: ilość braków, poziom zamrożonego kapitału, liczbę pozycji zamawianych „na oko".
5. Jeśli baseline działa dobrze, ale wymaga zbyt wiele pracy ręcznej — wtedy sięgaj po ERP albo SaaS.

Cała inwestycja na starcie: 2–4 tygodnie pracy jednej osoby (Twojej lub konsultanta zewnętrznego). Zero opłat licencyjnych. Zero zewnętrznych dostawców z prezentacją o „transformacji cyfrowej".

Jeśli chcesz pogadać, na jakim poziomie prognozowania jest Twoja firma i który krok ma dla Ciebie sens — pierwsza rozmowa jest bezpłatna i trwa pół godziny.

Żaden system prognozowania nie da lepszych wyników niż porządna baseline w Excelu, dopóki nie udowodnisz sobie, że baseline nie wystarcza.

← Wróć na blog