Goodman Demand Planner +

Goodman Demand Planner+ to zaawansowane narzędzie analityczne do prognozowania popytu, opracowane z myślą o praktykach zajmujących się planowaniem produkcji, zaopatrzeniem i zakupami. Łączy klasyczne metody statystyczne z prostotą obsługi i wizualną prezentacją wyników, pozwalając szybko porównać skuteczność różnych modeli prognoz.

Narzędzie wykorzystuje dziewięć metod prognozowania – od prostych modeli średniej kroczącej i wygładzania wykładniczego, po modele trendowo-sezonowe Holt–Winters oraz specjalistyczne algorytmy dla popytu przerywanego (Croston, SBA, TSB). Każda z metod generuje niezależną prognozę, którą można włączyć lub wyłączyć za pomocą przejrzystych opcji wyboru. Dodatkowo, system automatycznie oblicza błędy MAPE, MAE i RMSE w ramach walidacji typu rolling origin, pozwalając zidentyfikować najbardziej trafny model dla danego zestawu danych.

Goodman Demand Planner+ analizuje dane historyczne wczytane z pliku CSV (np. miesięczne lub tygodniowe zużycie materiałów, komponentów lub produktów gotowych) i generuje prognozy dla przyszłych okresów. Wyniki prezentowane są w postaci czytelnych wykresów, tabel porównawczych oraz rekomendacji zamówień. Użytkownik może uwzględnić także wpływ świąt i kampanii promocyjnych poprzez wbudowany kalendarz oraz mnożniki korekcyjne.

Narzędzie automatycznie wyznacza również punkt ponownego zamówienia (ROP) na podstawie statystycznych wariancji popytu i czasu dostawy, co pozwala modelować zapasy bezpieczeństwa w sposób probabilistyczny. Dla każdej prognozy wyświetlany jest przedział ufności 95 ilustrujący niepewność estymacji w zależności od długości horyzontu czasowego.

Całość działa w przeglądarce – bez konieczności instalacji zewnętrznego oprogramowania – i jest w pełni zintegrowana z ekosystemem narzędzi Goodman Group. Dzięki temu Goodman Demand Planner+ stanowi nie tylko narzędzie do prognoz, ale również element szerszego systemu analitycznego wspierającego planowanie strategiczne i operacyjne w obszarze łańcucha dostaw.

Plik CSV z danymi do testów: dane_testowe_goodman.csv

Goodman Demand Planner+ v2.2 (PL) – 1 SKU
Import danych (CSV UTF-8)
Kolumny: data zużycie wartość (opc.) plan (opc.). Daty: YYYY-MM, YYYY-Www, YYYY-MM-DD, DD.MM.YYYY.
Agregacja, horyzont, wybór metod
Modele prognozowania (zaznacz wybrane; domyślnie brak)
Kalendarz: święta PL i kampanie
Daty YYYY-MM-DD lub okresy YYYY-MM, YYYY-Www. Mnożnik np. 1.2 = +20%.
Święta PL są wbudowane i mogą obniżać okres do 0 (dla tyg./miesiąca zawierającego święto).
ℹ️ Kampanie i święta stosują mnożniki do prognoz przyszłych okresów.
Plan uzupełnień (ROP probabilistyczny)
ROP = μD·T + z·√(σD²·T + μD²·σT²), T = LT + Przegląd.
Brak danych
Walidacja i strojenie
Walidacja rolling origin uruchamia się automatycznie po imporcie (jeśli ≥ 12 okresów) i dopasowuje długość do dostępnych danych.
ModelParametryMAPEMAERMSE
Zaimportuj dane lub uruchom walidację
Wyniki i plany
Okres bazowy
–
Śr. zużycie/okres
–
σ (zmienność/okres)
–
ROP (prob.)
–
Wybrany model
–
Okres Plan (CSV) SMASESHoltHW aHW ×RegCrostonSBATSB CI↓CI↑ ROPSuger. zamówienie
Zaimportuj dane
Wykres: historia i prognozy (+ CI, tooltipy, święta & kampanie)
Historia SMA SES Holt HW a HW × Reg Croston SBA TSB CI pasmo

Instrukcja:

Metody prognozowania w narzędziu Goodman Demand Planner+

Narzędzie Goodman Demand Planner+ wykorzystuje zestaw klasycznych i zaawansowanych metod prognozowania zapotrzebowania. Każda z metod różni się sposobem traktowania historii danych, trendów i sezonowości, dzięki czemu można dobrać najlepszy model do specyfiki danego produktu (SKU).

  1. Średnia ruchoma (SMA – Simple Moving Average)

    To jedna z najprostszych metod prognozowania. Polega na obliczaniu średniej z określonej liczby ostatnich okresów (np. miesięcy lub tygodni). Każdy okres ma taką samą wagę.

    Kiedy używać:

    • gdy dane są stabilne i nie wykazują silnych trendów ani sezonowości,
    • przy krótkoterminowym planowaniu, gdzie kluczowa jest prostota i szybkość działania.

    Zalety:

    • bardzo łatwa do zrozumienia i wdrożenia,
    • odporna na przypadkowe odchylenia.

    Wady:

    • nie reaguje szybko na nagłe zmiany trendu,
    • wymaga właściwego doboru długości okna (zbyt krótkie — niestabilne, zbyt długie — „zbyt leniwe”).

  2. Wygładzanie wykładnicze proste (SES – Simple Exponential Smoothing)

    Nadaje większą wagę najnowszym obserwacjom, a mniejszą starszym, dzięki czemu prognoza szybciej reaguje na bieżące zmiany.

    Kiedy używać:

    • gdy dane są losowe, ale bez wyraźnego trendu,
    • przy krótkim horyzoncie prognozy.

    Zalety:

    • większa czułość na aktualne zmiany niż SMA,
    • brak konieczności wyboru liczby okresów.

    Wady:

    • nie radzi sobie z trendami i sezonowością,
    • wymaga kalibracji współczynnika wygładzania (α).

  3. Metoda Holta (Holt’s Linear Trend)

    Rozszerzenie SES o komponent trendu (poziom i trend szacowane oddzielnie). Dobra dla systematycznego wzrostu/spadku popytu.

    Kiedy używać:

    • dla produktów o wyraźnym trendzie wzrostowym lub spadkowym,
    • gdy dane nie są sezonowe, ale rosną w czasie.

    Zalety:

    • uwzględnia kierunek i tempo zmian,
    • sprawdza się w średnim horyzoncie.

    Wady:

    • nie obsługuje sezonowości,
    • wymaga kalibracji dwóch parametrów (α i β).

  4. Metoda Wintersa addytywna (Holt–Winters Additive)

    Dodaje sezonowość w sposób addytywny (stała różnica między sezonami). Dobra, gdy amplituda sezonowości jest stała.

    Kiedy używać:

    • w branżach z powtarzalną, nieproporcjonalną do trendu sezonowością (np. produkty codziennego użytku).

    Zalety:

    • uwzględnia trend i sezonowość,
    • zapewnia płynne przejścia między okresami.

    Wady:

    • wymaga dłuższej historii danych,
    • wrażliwa na błędne oszacowanie długości sezonu.

  5. Metoda Wintersa multiplikatywna (Holt–Winters Multiplicative)

    Sezonowość jest mnożona przez poziom (wahania proporcjonalne do poziomu sprzedaży).

    Kiedy używać:

    • dla produktów, których sezonowość rośnie wraz z wolumenem (odzież, napoje, artykuły sezonowe).

    Zalety:

    • lepsza dla dynamicznych rynków,
    • modeluje skalującą się sezonowość.

    Wady:

    • bardziej podatna na błędy w danych,
    • gorzej działa przy wartościach bliskich zeru.

  6. Regresja liniowa

    Dopasowuje linię trendu między czasem a popytem; prognoza opiera się na oszacowanym trendzie.

    Kiedy używać:

    • gdy dane wykazują wyraźny trend (wzrost/spadek),
    • do średnio- i długoterminowych prognoz.

    Zalety:

    • prosta interpretacja,
    • umożliwia ocenę wpływu trendu na popyt.

    Wady:

    • brak obsługi sezonowości,
    • wrażliwość na wartości odstające.

  7. Metoda Crostona

    Dla nieregularnego, przerywanego popytu. Osobno prognozuje częstotliwość i wielkość zamówień, a następnie łączy wyniki.

    Kiedy używać:

    • przy rzadko rotujących produktach lub nieregularnej sprzedaży (np. części zamienne).

    Zalety:

    • lepsza niż modele klasyczne dla popytu przerywanego,
    • stabilizuje prognozę przy wielu zerowych okresach.

    Wady:

    • nie radzi sobie z sezonowością,
    • zakłada stałą strukturę popytu w czasie.

  8. Croston–SBA (Syntetos–Boylan Approximation)

    Ulepszona wersja Crostona; koryguje systematyczne przeszacowanie klasycznego modelu.

    Kiedy używać:

    • w tych samych przypadkach co Croston,
    • gdy potrzebna jest bardziej konserwatywna prognoza dla rzadkiej sprzedaży.

    Zalety:

    • mniejszy błąd systematyczny,
    • większa stabilność przy dłuższej historii.

    Wady:

    • ograniczenia jak w Crostonie (brak sezonowości, stała struktura popytu).

  9. TSB (Teunter–Syntetos–Babai)

    Rozwija metody Crostona, uwzględniając możliwość zanikania popytu; modeluje prawdopodobieństwo wystąpienia popytu w kolejnym okresie.

    Kiedy używać:

    • dla produktów „wypadających z obiegu” (np. komponenty starych modeli).

    Zalety:

    • realistyczne podejście do malejącej częstotliwości popytu,
    • stabilne wyniki przy długich przerwach między zamówieniami.

    Wady:

    • wymaga dłuższej historii danych,
    • może generować bardzo niskie prognozy przy zaniku popytu.

  10. Walidacja i automatyczny wybór modelu

    Ocena jakości modeli na podstawie MAPE, MAE i RMSE. Rolling origin przelicza modele na fragmentach historii i wybiera ten z najmniejszym błędem.

    Dzięki temu można automatycznie dobrać model najlepiej dopasowany do charakteru danych.

  11. Korekty kalendarzowe i kampanijne

    Każda prognoza może być korygowana o:

    • dni wolne i święta (automatycznie uwzględniane święta w Polsce),
    • okresy kampanii promocyjnych (zdefiniowane przez użytkownika, z mnożnikiem wpływu).

    Korekty pozwalają dostosować prognozę do realiów rynkowych i sezonowych pików.

  12. Średnia prognoz z kilku modeli

    Można zaznaczyć kilka modeli; narzędzie wylicza średnią z wybranych modeli, co często daje stabilniejsze i trafniejsze prognozy (ensemble forecasting).

Instrukcja korzystania z Goodman Demand Planner+

1) Przygotuj plik CSV

  1. Otwórz Excel/Google Sheets i przygotuj dane historyczne jednego SKU.
  2. Zalecane kolumny (nagłówki w pierwszym wierszu):
  • data – format: YYYY-MM (miesięczne), YYYY-Www (tygodniowe) lub YYYY-MM-DD.
  • zużycie – liczba sztuk zużyta/sprzedana w danym okresie (0 dozwolone).
  • wartość (opcjonalnie) – wartość (PLN) dla informacji.
  • plan (opcjonalnie) – planowane zużycie w przyszłych okresach.
  1. Zapisz plik jako CSV UTF-8. Separator może być „;” lub „,” (narzędzie wykrywa automatycznie).

Wskazówka: Im dłuższa historia (12–36+ okresów), tym lepiej działa walidacja i modele sezonowe.

2) Załaduj dane

  1. W sekcji Import danych (CSV) kliknij Wybierz plik i wskaż swój CSV.
  2. Ustaw Separator na „Auto (wykryj)” (domyślnie) lub wybierz ręcznie „;”/„,”.
  3. Kliknij Importuj CSV.
  4. Jeśli chcesz zacząć od nowa, użyj Resetuj dane.

Po imporcie narzędzie automatycznie:
– agreguje dane do miesięcy lub tygodni (wg wyboru),
– uruchamia walidację rolling origin (gdy masz ≥ 12 okresów).

3) Wybierz agregację i horyzont

  1. Agregacja: wybierz Miesięczną lub Tygodniową.
  2. Horyzont prognozy: wybierz liczbę przyszłych okresów (np. 12M lub 52W).
  3. Zmieniasz te opcje → narzędzie przelicza się automatycznie (nie ma przycisku „Przelicz”).

4) Wybierz metody prognozowania

  1. Domyślnie żaden model nie jest zaznaczony.
  2. Zaznacz te metody, które chcesz uwzględnić (np. Holt–Winters, Holt, SES, Croston/SBA/TSB dla popytu przerywanego).
  3. W razie potrzeby ustaw parametry:
    • SMA – okno (np. 6 lub 12),
    • α (alpha) – wygładzanie poziomu,
    • β (beta) – wygładzanie trendu,
    • γ (gamma) – sezonowość,
    • Sezonowość (m) – zwykle 12 dla miesięcy, 52 dla tygodni,
    • Poziom ufności (procent) – np. 95.

Praktyka:
– Brak sezonowości: Holt (trend) lub SES/SMA.
– Sezon addytywny: Holt–Winters addytywny.
– Sezon procentowy: Holt–Winters multiplikatywny.
– Dużo zer: Croston/SBA/TSB (TSB gdy zmienia się częstość wystąpień).

5) Walidacja i strojenie

  1. Po imporcie (gdy ≥ 12 okresów) walidacja uruchamia się automatycznie.
  2. W tabeli Walidacja zobaczysz metryki: MAPE, MAE, RMSE – dla różnych modeli i zestawów parametrów.
  3. Z listy Kryterium wyboru ustaw, co jest ważniejsze (np. MAPE).
  4. Kliknij Waliduj teraz, by wykonać walidację ponownie (np. po zmianie agregacji/parametrów).
  5. Najlepszy model zostanie wskazany (i może automatycznie podstawić parametry).

Uwaga: Długość rolling origin dopasowuje się do liczby Twoich okresów (12–24+). Im więcej historii, tym rzetelniejsza ocena.

6) Kalendarz świąt i kampanii (opcjonalnie)

  1. Kampanie: wprowadź zakresy w formacie od,do,mnożnik, po jednym na linię.
  • Przykład:
    2025-11-20,2025-12-05,1.2 (okres dzienny)
    2025-W48,2025-W50,1.1 (okres tygodniowy)
    2025-12,2025-12,0.85 (miesiąc)
  1. Dodatkowe mnożniki: okres:mnożnik, np.
    2025-12:0.85 lub 2025-W52:0.6
  2. Święta PL są wbudowane – domyślnie mogą obniżać prognozę w okresach obejmujących święta.

Te korekty stosują się do przyszłych prognoz i są widoczne na wykresie (tooltipy) oraz w tabeli.

7) ROP (punkt ponownego zamówienia) i zamówienia

  1. Podaj Lead time – średnia (dni) i σ (dni), oraz Okres przeglądu (dni).
  2. Ustal Poziom serwisu (procent) (np. 95).
  3. Wprowadź Stan bieżący (szt.) i ewentualnie MOQ (minimalna partia).
  4. Narzędzie wyliczy ROP (probabilistycznie) i zaproponuje Sugerowane zamówienie w tabeli (z zaokrągleniem do MOQ).

8) Odczyt wyników (KPIs, tabela, wykres)

  • KPIs: liczba okresów w historii, średnie zużycie/okres, zmienność (σ), wybrany model, ROP.
  • Tabela wyników:
    • Kolumny modeli: SMA, SES, Holt, HW (addytywny/multiplikatywny), Regresja, Croston, SBA, TSB (tylko jeśli zaznaczysz modele).
    • CI↓ / CI↑ – dolna/górna granica przedziału ufności,
    • ROP i Sugerowane zamówienie – na podstawie średniej z wybranych modeli i Twoich ustawień ROP/MOQ.
  • Wykres: historia, prognozy (dla wszystkich zaznaczonych metod), pasmo CI, tooltipy (prognozy/święta/kampanie).

9) Eksport danych

  • Kliknij Eksportuj wyniki CSV, aby pobrać zestawienie z prognozami, CI oraz ROP dla przyszłych okresów (pod bieżące ustawienia).

10) Dobre praktyki

  • Utrzymuj spójny poziom agregacji (nie mieszaj miesięcy z tygodniami w jednym exporcie).
  • Jeśli występują długie okresy zer — rozważ Croston/SBA/TSB.
  • W przypadku wyjątków (promocje, braki) skorzystaj z kalendarza kampanii/mnożników, aby nie „uczyć” modeli błędnych wzorców.
  • Wybieraj 2–3 najlepsze modele (na podstawie walidacji) i licz średnią z wybranych — często stabilniejsza niż pojedynczy model.

11) Najczęstsze błędy i rozwiązania

  • „Nie widzę danych po imporcie” – sprawdź separator w CSV i nagłówki (data, zużycie).
  • „Prognozy nie mają sezonowości” – ustaw Sezonowość (m) na 12 (miesiące) lub 52 (tygodnie) i wybierz Holt–Winters.
  • „Model się nie waliduje” – upewnij się, że masz ≥ 12 okresów historii; skróć „h” w walidacji.
  • „Wykres nie pokazuje prognoz” – zaznacz co najmniej jeden model w sekcji Metody prognozowania.
  • „Zamówienie jest 0” – sprawdź stan magazynowy, ROP i to, czy wybrane modele generują nie-puste prognozy.

Miary jakości prognoz: MAPE, MAE, RMSE

MAPE – Średni bezwzględny błąd procentowy

MAPE pokazuje średni procentowy błąd prognozy względem wartości rzeczywistych.
Na przykład MAPE = 8

Zalety: Łatwy do interpretacji, niezależny od jednostek (działa dla kg, szt., zł).
Wady: Nie działa poprawnie, gdy Rt = 0; faworyzuje przeszacowania.

MAE – Średni bezwzględny błąd

MAE to przeciętna różnica między prognozowaną a rzeczywistą wartością.
Pokazuje, o ile jednostek średnio się mylimy – np. MAE = 120 szt. oznacza,
że przeciętny błąd prognozy wynosi 120 sztuk.

Zalety: Intuicyjny, w tych samych jednostkach co dane.
Wady: Nie pokazuje skali błędu w ujęciu procentowym.

RMSE – Pierwiastek z błędu średniokwadratowego

RMSE pokazuje przeciętne odchylenie prognoz od rzeczywistych wartości,
przy czym większe błędy mają silniejszy wpływ (bo są potęgowane).
Dzięki temu RMSE jest czuły na duże odchylenia.

Zalety: Dobrze wykrywa duże błędy; popularny w modelach statystycznych i ML.
Wady: Mniej intuicyjny, ponieważ błąd rośnie w kwadracie.

Im niższe wartości MAPE, MAE i RMSE, tym lepsza dokładność prognozy.
Dla MAPE < 10 10–20 20–50 >50

UWAGA
Narzędzie Goodman Demand Planner+ zostało opracowane i udostępnione przez GOODMAN GROUP Sp. z o.o. wyłącznie w celach edukacyjnych i demonstracyjnych.
Firma GOODMAN GROUP Sp. z o.o. nie ponosi odpowiedzialności za wykorzystanie narzędzia w warunkach komercyjnych, ani za jakiekolwiek decyzje, straty, szkody lub inne konsekwencje powstałe w wyniku jego stosowania.
Użytkownik korzysta z narzędzia na własną odpowiedzialność i zobowiązuje się do samodzielnej weryfikacji poprawności uzyskanych wyników przed ich praktycznym użyciem.