Jak przygotować 24-miesięczne dane divexo 1l bez doświadczenia?

Coraz więcej osób w handlu środkami ochrony roślin zadaje sobie pytanie, jak przewidzieć skoki popytu wywołane pogodą i ryzykiem chorób. W jednym tygodniu sprzedaż rośnie lawinowo, w kolejnym spada do zera. Braki na półce bolą. Nadwyżki zamrażają gotówkę.

W tym tekście porównujemy dwa podejścia do prognozowania popytu. Prophet i DeepAR. Dowiesz się, czym się różnią, jakie dane są potrzebne i jak włączyć wpływ pogody oraz zarazy do modeli. Zobaczysz też, jak ocenić dokładność i jak przełożyć prognozy na decyzje o zapasach dla divexo 1l.

Dlaczego prognozowanie popytu jest ważne dla Divexo 1L?

Daje większą dostępność w szczytach sezonu i mniejsze ryzyko nadmiernych zapasów poza sezonem.
Fungicydy sprzedają się falami, które napędza pogoda i presja chorób. Dobra prognoza pomaga zamówić towar na czas, ustawić dystrybucję między sklepami i ograniczyć zwroty. Pozwala też lepiej planować gotówkę, magazyn i transport. To realne wsparcie dla obsługi sezonu infekcji, gdy liczy się każdy dzień.

Jak Prophet modeluje sezonowość i trendy sprzedaży?

Prophet rozdziela trend, sezonowość i wpływ zdarzeń, dzięki czemu jest czytelny i szybki w uruchomieniu.
Model dobrze radzi sobie z codziennymi lub tygodniowymi danymi jednego sklepu. Pozwala dodać czynniki zewnętrzne, na przykład opady, temperaturę, kampanie czy alerty fitosanitarne. Ma wbudowane święta i sezonowości roczne oraz tygodniowe. Daje prognozę punktową i przedziały niepewności. Zwykle wymaga osobnego modelu na każdy sklep. W praktyce sprawdza się tam, gdzie dane są stosunkowo pełne i mają wyraźny wzorzec sezonu.

W czym DeepAR różni się w podejściu do wielu sklepów?

Uczy się wspólnie z wielu sklepów i tworzy prognozy probabilistyczne dla każdej lokalizacji.
DeepAR to model sekwencyjny, który wykorzystuje dane z wielu serii jednocześnie. Dzięki temu przenosi wiedzę ze sklepów o bogatej historii na sklepy z krótką lub nieregularną sprzedażą. Dobrze znosi popyt przerywany, wiele zer i nagłe skoki. Z natury przewiduje całe rozkłady popytu, więc łatwo wyznaczyć kwantyle do zapasu bezpieczeństwa. Wymaga jednak więcej danych i mocy obliczeniowej niż Prophet.

Jakie dane historyczne są kluczowe dla prognozy fungicydu?

Najlepsze wyniki daje połączenie sprzedaży, kalendarza i pogody z informacją o presji chorób.

• Data, sklep, liczba sprzedanych opakowań i dostępność na półce.
• Informacja o brakach i uzupełnieniach zapasu w ciągu dnia.
• Ceny i promocje, ekspozycje sezonowe, działania marketingowe.
• Kalendarz agronomiczny regionu, na przykład typowe okna zabiegów.
• Dane pogodowe i ich agregaty, na przykład opady, temperatura, wilgotność.
• Wskaźniki ryzyka chorób, na przykład alerty dla zarazy ziemniaka.
• Dane o czasie dostawy i częstotliwości dostaw do sklepów.
• Zmiany asortymentowe, rejestracje, ograniczenia sprzedaży.

Jak uwzględnić wpływ pogody i zarazy w modelach?

Dodaj pogodę i wskaźniki ryzyka jako dodatkowe zmienne z opóźnieniami i średnimi kroczącymi.
Dla Prophet można wprowadzić regresory zewnętrzne. Dla DeepAR pogoda i alerty działają jako cechy współdzielone. W praktyce dobrze sprawdzają się:

• Opady z ostatnich dni i ich sumy tygodniowe.
• Średnia temperatura, wilgotność i wskaźniki zwilżenia liścia.
• Prognoza pogody na kilka dni do przodu na czas realizacji dostawy.
• Proste wskaźniki presji choroby, na przykład binarne alerty lub skale ryzyka.
• Przesunięcia w czasie, bo decyzje zakupowe wyprzedzają zabieg o kilka dni.

Warto też oznaczyć lokalne zdarzenia, na przykład giełdy, targi, szczyty sezonu w regionie.

Jak porównać dokładność Prophet i DeepAR w testach?

Użyj backtestu z przesuwanym oknem i mierników błędu ważonych sprzedażą.
Dobre praktyki:

• Testy z odtwarzaniem realnego procesu. Ucz model do dnia D, prognozuj na horyzont równy czasowi dostawy i cyklowi zamówień, porównaj z rzeczywistością, przesuń okno.
• Osobne wyniki dla każdego sklepu i agregacji regionów.
• Mierniki: WAPE jako błąd ważony, sMAPE przy popycie niskim, RMSE dla szczytów.
• Dla prognoz kwantylowych sprawdź pokrycie przedziałów i stratę pinball.
• Analiza przypadków skrajnych. Na przykład gwałtowne skoki po alertach chorobowych.

W wielu sieciach Prophet bywa mocny na stabilnych sklepach. DeepAR częściej wygrywa, gdy jest wiele sklepów z krótkimi i przerywanymi seriami oraz silna rola pogody.

Jak wdrożyć wybrany model do zarządzania zapasami?

Połącz prognozy z czasem dostawy i zapasem bezpieczeństwa opartym o kwantyle.
W praktyce:

• Planuj horyzont prognozy co najmniej na czas dostawy i jedno uzupełnienie.
• Wyznacz punkt zamówienia jako zapotrzebowanie na czas dostawy plus zapas bezpieczeństwa.
• Użyj kwantyla prognozy. Na przykład p70–p90 na szczyt sezonu i niższy poza sezonem.
• Ustal minimalne i maksymalne poziomy zapasu na półce, aby ograniczyć rotacje i zwroty.
• Aktualizuj prognozy często w sezonie chorób, na przykład codziennie lub co dwa dni.
• Monitoruj braki i koryguj model o informacje o niedostępności, aby nie zaniżać popytu.

Jakie pierwsze kroki wdrożeniowe warto wykonać po wyborze?

Zacznij od małego pilota, z danymi dobrej jakości i jasnym celem operacyjnym.

• Zbierz 2–3 sezony danych sprzedaży i dostępności w sklepach.
• Dołącz pogodę historyczną i prognozę na horyzont dostawy oraz proste wskaźniki ryzyka zarazy.
• Zbuduj dwa prototypy. Prophet per sklep i DeepAR na wszystkie sklepy.
• Przeprowadź backtest z przesuwanym oknem. Oceń WAPE i pokrycie kwantyli w sklepach A, B, C i łącznie.
• Wybierz model dla każdej grupy sklepów. Tam gdzie sprzedaż jest rzadka, rozważ DeepAR. Tam gdzie jest stabilna, rozważ Prophet.
• Podłącz prognozy do polityki zapasu. Ustal poziomy kwantyli na różne fazy sezonu.
• Ustal proces aktualizacji i monitoring błędów. Raz w tygodniu poza sezonem i częściej w sezonie.

Podsumowanie

Prophet jest prosty i czytelny, zwłaszcza dla pojedynczych sklepów. DeepAR lepiej uczy się wzorców z wielu lokalizacji i oddaje niepewność. Najlepsze wyniki daje połączenie dobrej jakości danych, właściwych regresorów pogodowych i rzetelnego backtestu. Dzięki temu planowanie zapasów dla divexo 1l staje się spokojniejsze, a decyzje szybsze i bardziej przewidywalne.

Zbuduj pilota na własnych danych i porównaj Prophet z DeepAR, aby wybrać podejście, które najlepiej przewidzi popyt na divexo 1l w Twojej sieci.