Popyt da się policzyć sensownie tylko wtedy, gdy najpierw wiadomo, co dokładnie mierzymy: rynek, pojedynczy produkt, konkretny okres czy reakcję na cenę. Poniżej pokazuję, jak obliczyć popyt w praktyce, jakie wzory mają realny sens, jak przenieść to do Excela i kiedy lepiej przejść z prostych obliczeń do prognozowania opartego na trendzie, sezonowości i danych historycznych.
Najważniejsze punkty, które ułatwią obliczenie popytu
- Popyt rynkowy to suma popytów poszczególnych klientów lub segmentów, a nie jedna losowa liczba ze sprzedaży.
- Jeśli sprzedaż jest stabilna, zwykle wystarczy średnia lub średnia ruchoma; przy trendzie lepiej działa prognoza liniowa.
- W Excelu kluczowe jest uporządkowanie danych: okres, ilość, cena, promocje i odchylenia od normy.
- Gdy nie masz historii sprzedaży, zaczynasz od rynku docelowego, częstotliwości zakupu i średniej ilości na transakcję.
- Sam wynik nie wystarczy, jeśli nie sprawdzisz błędu prognozy i nie uwzględnisz sezonowości oraz ceny.
Najpierw rozdziel popyt, wielkość popytu i prognozę sprzedaży
W praktyce te pojęcia są często mieszane, a to pierwszy błąd, który potem psuje całe liczenie. Popyt to relacja między ceną a ilością, jaką rynek jest gotów kupić, natomiast wielkość popytu to konkretna liczba jednostek przy danej cenie i w danym okresie. Z kolei prognoza sprzedaży mówi, ile faktycznie sprzedasz w przyszłości, jeśli utrzymają się określone warunki biznesowe.
| Co liczysz | Co to oznacza | Praktyczny przykład |
|---|---|---|
| Popyt | Zależność między ceną a chęcią zakupu | Im niższa cena, tym zwykle większe zainteresowanie |
| Wielkość popytu | Ilość przy konkretnej cenie i czasie | Przy cenie 49 zł rynek kupuje 1 200 sztuk miesięcznie |
| Prognoza sprzedaży | Przewidywany wynik na przyszły okres | W przyszłym miesiącu spodziewasz się 1 350 sztuk |
Ja zwykle zaczynam właśnie od tego rozróżnienia, bo dopiero wtedy wiadomo, czy potrzebna jest ekonomiczna krzywa popytu, czy zwykła prognoza operacyjna do zakupów i planowania zapasu. Kiedy to uporządkujesz, wzory stają się prostsze i można przejść do liczb.
Najprostsze wzory, które naprawdę mają zastosowanie w firmie
Do obliczeń nie potrzebujesz od razu ciężkiej analityki. W wielu przypadkach wystarczają 3-4 wzory, które dają porządny punkt startowy i dobrze działają w Excelu. Najważniejsze jest to, żeby dobrać wzór do charakteru danych, a nie odwrotnie.
| Metoda | Wzór | Kiedy ma sens | Ograniczenie |
|---|---|---|---|
| Popyt rynkowy | Qm = Q1 + Q2 + ... + Qn |
Gdy sumujesz popyt kilku klientów, segmentów albo punktów sprzedaży | Nie pokazuje zmian w czasie, tylko aktualny poziom rynku |
| Średni popyt | Qśr = (Q1 + Q2 + ... + Qn) / n |
Przy stabilnej sprzedaży i małych wahaniach | Ukrywa sezonowość i nagłe skoki |
| Średnia ruchoma | Ft+1 = (Qt-k+1 + ... + Qt) / k |
Gdy chcesz wygładzić szum i prognozować kolejny okres | Opóźnia reakcję na trend |
| Prognoza liniowa |
Q = a + bX lub funkcja FORECAST.LINEAR
|
Gdy dane rosną lub maleją w miarę regularnie | Słabiej radzi sobie z sezonowością i skokami promocyjnymi |
| Elastyczność cenowa | E = (%ΔQ) / (%ΔP) |
Gdy sprawdzasz, jak popyt reaguje na zmianę ceny | To nie jest wzór na wolumen, tylko na wrażliwość popytu |
Jeśli mam do czynienia z produktem stabilnym, biorę średnią lub średnią ruchomą. Jeśli widzę trend, przechodzę do regresji lub funkcji prognozy. A gdy kluczowa staje się cena, dopiero wtedy dokładam elastyczność, bo bez niej można łatwo źle ocenić, czy podwyżka nie zje wolumenu. Następny krok to przeniesienie tych obliczeń do Excela tak, żeby nie robić tego ręcznie przy każdej aktualizacji danych.
Jak policzyć to w Excelu krok po kroku
W Excelu nie wygrywa ten, kto zna najbardziej efektowną funkcję, tylko ten, kto ma porządny układ danych. Ja zawsze zaczynam od jednej tabeli z osią czasu, sprzedażą, ceną i ewentualnymi znacznikami promocji, a dopiero potem dokładam formuły.
1. Zbuduj prostą tabelę danych
Wystarczą kolumny: okres, ilość sprzedana, cena, promocja, uwagi. Taki układ pozwala później odfiltrować miesiące z brakami magazynowymi albo jednorazowymi skokami sprzedaży, które nie są prawdziwym popytem.
| Miesiąc | Sprzedaż | Cena | Uwagi |
|---|---|---|---|
| Styczeń | 100 | 49 | bez promocji |
| Luty | 110 | 49 | bez promocji |
| Marzec | 105 | 47 | krótka promocja |
| Kwiecień | 120 | 49 | bez promocji |
| Maj | 125 | 49 | bez promocji |
| Czerwiec | 130 | 49 | bez promocji |
2. Oblicz średnią i średnią ruchomą
Jeżeli dane są względnie stabilne, mogę policzyć zwykłą średnią z kilku ostatnich okresów. W Excelu wystarczy funkcja =AVERAGE(B2:B7) albo jej lokalny odpowiednik. Gdy chcę lepiej wyczuć najbliższy okres, używam średniej ruchomej, na przykład z ostatnich trzech miesięcy: =AVERAGE(B4:B6).
W naszym przykładzie prognoza na kolejny miesiąc z trzymiesięcznej średniej ruchomej wyniesie 125 sztuk, bo liczę średnią z 120, 125 i 130. To prosty model, ale w wielu sklepach i małych magazynach działa zaskakująco dobrze, o ile sprzedaż nie jest bardzo sezonowa.
3. Dodaj prognozę liniową, jeśli widzisz trend
Gdy kolejne miesiące rosną albo maleją, średnia ruchoma bywa zbyt ospała. Wtedy lepiej użyć funkcji prognozującej opartej na regresji liniowej, na przykład FORECAST.LINEAR. W praktyce pozwala ona oszacować wartość dla kolejnego okresu na podstawie dotychczasowego trendu.
Jeżeli masz w kolumnie A numery miesięcy, a w kolumnie B sprzedaż, możesz policzyć prognozę dla następnego okresu na podstawie znanych punktów. To rozwiązanie jest szczególnie przydatne tam, gdzie wolumen rośnie stopniowo, a nie skacze losowo.
Przeczytaj również: WYSZUKAJ.PIONOWO w Excelu - 5 ćwiczeń, które musisz znać!
4. Sprawdzaj błąd prognozy, a nie tylko sam wynik
Dobry model nie kończy się na tym, że coś policzy. Zawsze sprawdzam, jak bardzo prognoza rozmija się z rzeczywistością. W praktyce używa się do tego takich miar jak MAE albo MAPE, czyli średni błąd bezwzględny i średni błąd procentowy.
To ważne, bo model z pozoru elegancki może być bezużyteczny operacyjnie. Jeżeli przez kilka miesięcy regularnie przestrzeliwuje wynik, to nie poprawiam samej formuły na ślepo, tylko sprawdzam dane wejściowe, sezonowość i to, czy nie ma w arkuszu sprzedaży ograniczonej przez braki towaru zamiast prawdziwego popytu. Kiedy nie mam historii sprzedaży, zmieniam podejście i liczę rynek od strony potencjału.
Gdy nie masz historii sprzedaży, oprzyj się na rynku docelowym
Nowy produkt to osobny przypadek. Nie da się tu uczciwie udawać, że średnia z przeszłości wystarczy, skoro przeszłości po prostu nie ma. Wtedy liczę popyt od dołu: najpierw wielkość grupy docelowej, potem częstotliwość zakupu, a na końcu średnią liczbę sztuk na transakcję.
Prosty wzór wygląda tak: Q = N × F × S, gdzie N to liczba potencjalnych klientów, F to częstotliwość zakupu w danym okresie, a S to średnia liczba jednostek w jednym zakupie.
| Składnik | Przykład | Znaczenie |
|---|---|---|
| N | 8 000 klientów | Rzeczywisty zasięg rynku, nie cały kraj |
| F | 2 zakupy rocznie | Jak często klient wraca po produkt |
| S | 1,5 sztuki na zakup | Średni koszyk ilościowy |
| Q | 24 000 sztuk rocznie | Szacowany popyt rynkowy |
Ten model jest prosty, ale ma jedną zaletę, której nie ma surowa średnia: zmusza mnie do myślenia o realnym rynku, a nie o życzeniowym wolumenie. Jeśli wiem, że tylko część rynku jest osiągalna, obniżam N do segmentu faktycznie dostępnego, a nie do całej bazy teoretycznej. Właśnie tu dobrze widać, że cena i inne czynniki potrafią zmienić wynik bardziej, niż na pierwszy rzut oka widać w arkuszu.
Jak uwzględnić cenę, sezonowość i inne czynniki, które zmieniają wynik
Popyt prawie nigdy nie zależy tylko od samej ceny, choć cena zwykle ma największy wpływ. Jeśli chcę, żeby obliczenie miało wartość biznesową, dokładam przynajmniej trzy grupy zmiennych: cenę, sezonowość i czynniki zewnętrzne, takie jak promocje, dostępność towaru, kampanie marketingowe czy ruch w kanałach sprzedaży.
| Czynnik | Jak go ująć w analizie | Co daje w praktyce |
|---|---|---|
| Cena | Elastyczność cenowa lub regresja | Pokazuje, jak bardzo wolumen spada lub rośnie po zmianie ceny |
| Sezonowość | Oddzielne średnie dla miesięcy lub kwartałów | Nie miesza okresu szczytu z martwym sezonem |
| Promocje | Flaga 0/1 w arkuszu lub osobna kolumna | Oddziela regularny popyt od sztucznie podbitej sprzedaży |
| Braki magazynowe | Oznaczenie jako miesiąc ograniczonej sprzedaży | Chroni przed błędnym wnioskiem, że popyt był niski |
| Ruch i kampanie | Dodatkowa zmienna w regresji | Pozwala zobaczyć wpływ marketingu na wolumen |
Jeśli cena wzrosła o 10%, a ilość spadła o 15%, elastyczność wynosi około -1,5. To sygnał, że popyt jest dość wrażliwy i podwyżka może mocno uderzyć w wolumen. Z kolei jeśli zmiana ceny prawie nie rusza sprzedaży, produkt zachowuje się inaczej niż większość pozycji w katalogu i można podejść do niego bardziej agresywnie cenowo. Ta sama logika działa przy sezonie: osobno liczę okresy świąteczne, wakacyjne albo sprzedaż przed końcem roku, zamiast mieszać je z resztą danych.
Najczęstsze błędy i ograniczenia tej metody
Najwięcej problemów nie wynika z samego wzoru, tylko z tego, że do arkusza trafiają złe dane albo zbyt ambitne założenia. W praktyce widzę kilka błędów, które powtarzają się najczęściej.
- Mylone są sprzedaż i popyt. Jeśli produkt był niedostępny, niska sprzedaż nie oznacza niskiego popytu.
- Do średniej trafia za mało okresów. Dwa lub trzy miesiące to zwykle za mało, chyba że rynek jest bardzo stabilny.
- Jednorazowe skoki są traktowane jak trend. Duża kampania albo kontrakt B2B potrafi zafałszować cały model.
- Sezonowość jest ignorowana. Wtedy prognoza na grudzień bywa równie słaba jak prognoza na sierpień.
- Model jest ten sam dla wszystkich produktów. Inaczej zachowuje się SKU o niskiej zmienności, a inaczej produkt impulsowy.
- Brak jest walidacji błędu. Bez porównania prognozy z rzeczywistością nie wiadomo, czy model działa.
Ograniczenie Excela też warto nazwać wprost: przy kilku tysiącach rekordów, wielu kanałach sprzedaży i częstych zmianach cen ręczne liczenie robi się kruche. Wtedy bardziej opłaca się zautomatyzować import danych, odfiltrowanie anomalii i odświeżanie prognozy, niż ciągle poprawiać arkusz. I właśnie dlatego ostatni krok nie polega już tylko na policzeniu liczby, ale na przełożeniu jej na decyzję operacyjną.
Jak przełożyć wynik na decyzję o zakupach, cenie i automatyzacji
Sam wynik nie ma wartości, jeśli nie kończy się konkretną decyzją. Dla mnie popyt ma sens dopiero wtedy, gdy pomaga odpowiedzieć na trzy pytania: ile zamówić, jaką cenę utrzymać i czy proces da się zautomatyzować bez utraty kontroli.
- Jeśli prognoza pokazuje wyższy wolumen niż obecny stan magazynu, przygotowuję plan zakupów albo produkcji z buforem zależnym od zmienności sprzedaży.
- Jeśli elastyczność jest wysoka, ostrożniej podchodzę do podwyżek, bo niewielka zmiana ceny może kosztować więcej wolumenu, niż się wydaje.
- Jeśli prognoza regularnie się rozjeżdża, dzielę asortyment na osobne grupy zamiast trzymać jeden model dla całego portfolio.
- Jeśli aktualizacja danych zajmuje zbyt dużo czasu, automatyzuję import i odświeżanie, zamiast ręcznie przepisywać liczby co tydzień.
Najlepszy proces to nie ten najbardziej skomplikowany, tylko taki, który da się utrzymać przez wiele miesięcy i który realnie wspiera decyzje. Gdy liczysz popyt w ten sposób, dostajesz nie tylko estymację wolumenu, ale też narzędzie do zarządzania zapasem, ceną i tempem wzrostu. Właśnie o to chodzi w analityce, która ma działać w biznesie, a nie tylko dobrze wyglądać w arkuszu.
