Forecast většinou vychází z historických dat o prodejích a obratu a z cílů, které firma plánuje dosáhnout v daném období. Z těchto cílů se následně odvíjí požadovaná marže či průměrná prodejní cena, což umožňuje sestavit plán skladových zásob. Součástí plánování je i stanovení obrátky zásob, tedy jak rychle se produkty prodávají a jak často je bude nutné dokupovat. Klíčovým faktorem pro správné sestavení forecastu je segmentace produktů, která umožňuje přesně definovat, na jakou skupinu produktů se budget a předpovědi zaměřují. Díky tomu lze lépe plánovat a optimalizovat prodeje a skladové zásoby.

Podstatou forecastu je poskytnout kompletní přehled o budoucích finančních tocích. Tím dokáže e-shop lépe plánovat investice, marketing i logistiku. Přesnost předpovědí je klíčová, protože ovlivňuje nejen optimalizaci nákladů a marží, ale také celkové cash flow společnosti.

K čemu je forecasting prospěšný, lze ilustrovat na příkladech ze skladového hospodářství. E-shopy musí neustále řešit otázku, jak velkou zásobu a jaké konkrétní produkty držet skladem. V oboru elektroniky se to dobře ukazuje například u sezonního nebo rychle zastarávajícího zboží, kde je nutné pečlivě hlídat celkovou hodnotu skladu a předcházet situaci, kdy se neprodá zboží, o které už zákazníci ztratili zájem. Nedostatek atraktivních produktů má ale také negativní důsledky, protože zákazníci často nakoupí u konkurence, pokud e-shop není připraven na zvýšenou poptávku.

Protože e-shopy často prodávají velké množství produktů, je vhodné forecasting svěřit některému ze specializovaných nástrojů. Barbora Šolínová, která se podílela na zavádění systému pro forecasting a řízení zásob v CZC, uvádí úskalí zavádění takového systému: „Po zavedení systémového řízení zásob a předpovědi nějakou dobu trvalo přesvědčit některé zaměstnance, že systém dokáže plně automaticky nahradit jejich pohled na nákupy, aniž by to negativně ovlivnilo marži nebo jejich skladovou zásobu. Systém bylo nutné postupně odladit pro různé kategorie, které měly různou délku životního cyklu a byly citlivé třeba na měnové kurzy. Ve finále se ukázalo, že automatizace uvolnila ruce obchodníkům a pomohla optimalizovat plánování napříč celým sortimentem.“

Forecasting proto není jen otázkou technologických řešení. Jde o propojení správně nastavených výpočetních modelů s know-how zaměstnanců, kteří rozumějí specifikům sortimentu, životním cyklům produktů i vývoji trhu. Ukažme si to na příkladu e-shopu, který prodává oblečení, na základě forecastu odhaduje nižší poptávku po zimním zboží při změně ročního období. Může tak spustit slevové akce o několik týdnů dříve než konkurence.

Podobně důležité je sladění marketingu s odhadovanými výkyvy v poptávce. Představme si jiný e-shop, s kosmetikou, který díky analýze sezonních dat odhalí, že před Valentýnem prudce stoupá zájem o dárkové sady, a cíleně na ně upraví kampaň i skladové zásoby. Po skončení sezony může zase na základě očekávaného útlumu nasadit výprodej vybraných produktů.

Co lze v e-commerce předvídat poměrně spolehlivě, jsou opakované sezonní akce jako Black Friday či Vánoce. Díky historickým číslům se dá dobře stanovit, ve kterém období dojde k nárůstu poptávky, jakou roli sehraje kupní síla, či jakou část zákazníků přilákají slevy. Užitečná je také analýza trendových změn, třeba v oblasti udržitelnosti produktů či chytrých technologií. Firmy zároveň mohou lépe plánovat personalizaci své nabídky, když znají průměrnou hodnotu objednávek či četnost opakovaných nákupů.

Existují však situace, které je v e-commerce složité nebo nemožné předvídat. Patří sem náhlé makroekonomické šoky, pandemie, války či prudká inflace. Tyto události mají často okamžitý dopad na nákupní chování i provoz firem. Někdy může e-shop čelit i virálnímu trendu, který nečekaně katapultuje poptávku po konkrétním produktu, jako se to stalo se spinnery nebo různými vychytávkami z TikToku. Problémy způsobují také technologické výpadky či změny v legislativě, například ve způsobu správy uživatelských dat.

Krize spojená s pandemií covidu jasně ukázala, jak rychle se může trh měnit a jak důležité je pružně reagovat. Lidé začali nakupovat online a posílily se kategorie, do kterých by to dříve nikdo neřekl, třeba potraviny nebo drogerie. Ten, kdo dokázal rychle zareagovat úpravou skladových zásob a diverzifikací dodavatelů, získal náskok. V CZC například urychleně nasadili některé služby typu bezkontaktního doručení a k dalším změnám přistupovali agilně. „Jeden den jsme se rozhodli prodávat zahradní sortiment, a za 2 dny už byl vidět na webu, nebo například službu bezkontaktního doručení jsme zavedli během několika málo dní,“ popisuje Barbora Šolínová.

Pokud chceme k forecastingu přistupovat efektivně, je nezbytné pracovat s historickými i aktuálními daty, ideálně z mnoha zdrojů a propojených systémů. Metody strojového učení mohou díky velkým objemům dat vytvářet přesnější předpovědi, než by dokázal člověk na základě pouhých zkušeností a intuice. Automatizace dokáže navíc dynamicky reagovat na aktuální změny v prodejích nebo externích faktorech, jako je třeba kurz cizích měn u nákupu dováženého zboží.

Firmy by také měly mít připravené varianty pro nečekané scénáře – realistické, optimistické a pesimistické. Důležité je koordinovat celé plánování napříč odděleními, aby se do tvorby forecastu zapojily finance, marketing, logistika i obchod. Bez této souhry nejsou ani nejlepší odhady ve finále k užitku, protože jedna část firmy neví, co dělá ta druhá.

Reakce na nepředvídatelné situace jsou snazší, pokud firma uplatňuje agilní přístup a má připraveny různé alternativy. Rychlá úprava marketingu, změna cenové strategie nebo přesun zboží mezi sklady může vyrovnat dopady náhlých změn v poptávce. Přínosem je také důsledný monitoring a reporting v reálném čase, s jehož pomocí lze včas zpozorovat odchylky od plánu. Velmi důležitá zůstává i diverzifikace dodavatelů, která sníží riziko výpadku klíčových produktů a podpoří pružnou reakci na změnu situace.

Petr Tulach Autor článku je CTO společnosti Logio.