Prognozowanie popytu to wykorzystywanie historycznych danych sprzedażowych, sezonowości i sygnałów rynkowych do przewidywania, jak dużym zainteresowaniem klientów będzie cieszył się produkt w przyszłości. W e-commerce ta prognoza bezpośrednio wpływa na decyzje dotyczące zapasów i reklam – ile towaru utrzymywać, kiedy podnosić lub obniżać stawki i kiedy produkt sezonowy należy mocno promować, a kiedy całkowicie wycofać z kampanii. Dobrze prowadzone prognozowanie zastępuje zgadywanie przyszłego popytu planem opartym na danych, który sprzedawca może wdrożyć z wyprzedzeniem, zamiast reagować dopiero wtedy, gdy liczby już się zmieniły.
Dlaczego prognozowanie popytu ma znaczenie dla planowania zapasów i reklam
Zamówienie zbyt dużej ilości towaru zamraża gotówkę w zapasach, które później może trzeba będzie przeceniać, a zamówienie zbyt małej oznacza utratę sprzedaży dokładnie wtedy, gdy popyt osiąga szczyt – oba scenariusze wynikają z prognozy, której nie było albo której nikt nie ufał. Po stronie reklam kampanie startujące po tym, jak popyt już wzrósł, omijają najcenniejszą część okna sprzedażowego. To bliskie problemowi opisanemu w case study jak Civil zwiększył ROAS o 36%, przygotowując kreacje do każdej kampanii na czas: prognozowanie sezonowego popytu na tyle wcześnie, by kreacje i kampanie były gotowe przed otwarciem okna, a nie po nim. Feedy uwzględniające prognozowany popyt mogą też automatycznie wpływać na stawki i rozkład budżetu, kumulując wydatki przed przewidywanym wzrostem zamiast nadrabiać zaległości w połowie sezonu.
Jak działa prognozowanie popytu
Modele prognostyczne zazwyczaj łączą historyczny trend sprzedaży danego produktu z szerszymi wzorcami sezonowymi i zewnętrzną analizą rynku – zmianami popytu na poziomie kategorii, aktywnością konkurencji czy makrotrendami, których historia pojedynczego SKU sama nie ujawni. Wynik trafia zwykle w dwa miejsca: do systemów zarządzania magazynem, które na jego podstawie ustalają punkty ponownego zamówienia i poziomy zapasu bezpieczeństwa z dużym wyprzedzeniem przed przewidywaną krzywą popytu, oraz do silników dynamicznej wyceny, które mogą stopniowo korygować cenę, gdy rzeczywista sprzedaż wyprzedza prognozę lub za nią nie nadąża. Zespoły odpowiedzialne za feed często udostępniają samą prognozę jako etykietę niestandardową lub atrybut produktu, dzięki czemu reguły kampanii mogą bezpośrednio reagować na poziom popytu, bez konieczności ręcznego oznaczania przez kogoś produktów, które wkrótce staną się sezonowo istotne.
Przykład: prognozowanie popytu w feedzie produktowym
<item>
<g:id>SKU-25671</g:id>
<title>Kids Rain Boots - Yellow, Size 12</title>
<link>https://example-shop.com/products/kids-rain-boots-yellow-12</link>
<g:price>32.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_0>forecast_demand_high_spring</g:custom_label_0>
<g:sale_price>27.00 USD</g:sale_price>
<g:sale_price_effective_date>2026-03-01T00:00/2026-04-15T23:59</g:sale_price_effective_date>
</item>Wartość custom_label_0 oznacza, że dla tego produktu prognozowany jest wysoki popyt na wiosnę, a zaplanowana sale_price_effective_date pokazuje, że zespół odpowiedzialny za ceny już dopasował promocję do przewidywanego okna, zamiast czekać, aż dane sprzedażowe to potwierdzą.
Powiązane pojęcia
Prognozowanie popytu tworzy wartość tylko wtedy, gdy przekłada się na działanie: zarządzanie magazynem wykorzystuje prognozę do ustalania stanów z wyprzedzeniem, a dynamiczna wycena – do korygowania cen w miarę, jak rzeczywisty popyt odbiega od przewidywań. Same prognozy rzadko opierają się wyłącznie na historii sprzedaży jednego produktu – zwykle bazują na szerszej analizie rynku, uwzględniającej trendy w kategoriach i czynniki zewnętrzne, których dane pojedynczego SKU nie uchwycą.
