Wprowadzenie
Współczesny handel wymaga precyzyjnego planowania, zwłaszcza w przypadku usług agencyjnych takich jak Ootdbuy. W niniejszym artykule przedstawiamy, jak zbudować model prognozowania sprzedaży w Arkuszach Google, wykorzystując dane historyczne i czynniki rynkowe, oraz jak zastosować te prognozy w optymalizacji zarządzania zapasami.
1. Przygotowanie danych
- Historia sprzedaży:
- Zmienne rynkowe:
Struktura danych powinna zawierać m.in.: daty, wielkość sprzedaży, cenę jednostkową, koszty logistyki.
2. Modele analityczne w Arkuszach
Analiza szeregów czasowych
=FORECAST.ETS(data_docelowa; zakres_sprzedaży; zakres_dat; [sezonowość])
Pozwala uwzględnić wzorce sezonowe historycznych danych.
Regresja wieloraka
=LINEST(zakres_celowy; macierz_niezależna; [stała]; [statystyki])
Pomaga określić wpływ czynników rynku (np. wskaźnik reklam) na sprzedaż.
3. Integracja z zarządzaniem magazynem
| Wskaźnik | Formuła arkusza | Cel optymalizacyjny |
|---|---|---|
| Zapas bezpieczeństwa | =PROGNOZA + (ODCH.STANDARD.K * WSKAŹNIK_BEZPIECZEŃSTWA) | Minimalizacja wypadnięcia ze stanów |
| Idealne zamówienie | =MAX(0; PROGNOZA - STAN_BIEŻĄCY + ZAPAS_MINIMALNY) | Unikanie nadwyżek |
4. Automatyzacja decyzji
- Konfiguracja alertów przy przekroczeniu progów zapasów
- Integracja z systemem zamówień Ootdbuy poprzez Google Apps Script
- Wizualizacje trendów w Data Studio
5. Przypadek praktyczny
Dla linii kosmetyków koreańskich: 34% spadek kosztów magazynowych przy 98% dostępności produktów dzięki prognozie sezonowości opartej na danych o poprzednich festiwalach K-beauty.