Wprowadzenie do analityki predykcyjnej: jak firmy mogą przewidywać wyniki

Analityka predykcyjna szacuje przyszłe wartości, zdarzenia, klasy lub prawdopodobieństwa na podstawie wzorców w danych. Może oszacować sprzedaż w następnym tygodniu, zaklasyfikować zgłoszenie albo ocenić ryzyko, że klient przestanie kupować.

Analityka opisowa odpowiada, co się wydarzyło, a diagnostyczna szuka możliwych wyjaśnień. Analityka predykcyjna szacuje, co może się wydarzyć; preskryptywna pomaga rozważyć, jakie działanie podjąć. Żaden z tych etapów sam w sobie nie dowodzi przyczyny zdarzenia.

Prognozowanie szeregów czasowych jest jednym z zastosowań analityki predykcyjnej. Szereg czasowy to obserwacje mierzone w kolejnych momentach, takie jak dzienna sprzedaż jednego produktu. Inne zadania mogą przewidywać kategorię albo prawdopodobieństwo bez prognozowania kolejnych wartości w czasie.

Tabela rozróżnia pytania, na które odpowiadają różne rodzaje analizy. Przykład sklepu pokazuje różnicę między opisem wyniku, prognozą i wyborem działania.

Prognoza wspiera decyzję, ale nie gwarantuje wyniku ani sama nie wyjaśnia jego przyczyny.

Prognoza wspiera decyzję, która ma określony termin, właściciela i koszt pomyłki. W e-commerce może pomóc zaplanować uzupełnienie zapasu, a w marketingu przewidzieć liczbę leadów do końca miesiąca.

Tabela łączy pytanie biznesowe z decyzją i danymi potrzebnymi do jej podjęcia. Wybierz przykład, w którym firma ma możliwość zareagowania na wynik.

Prognoza kampanii powinna uwzględniać dane o sprzedaży, jeżeli firma je rejestruje. Kliknięcia i formularze nie pokazują, czy lead stał się klientem. Konfiguracja pomiaru konwersji może pomóc ustalić zdarzenia, które łączą działania na stronie z wynikiem biznesowym.

Dane surowych zdarzeń GA4 można eksportować do BigQuery. Standardowe usługi GA4 mają dzienny limit eksportu wynoszący 1 milion zdarzeń; Google opisuje ten limit w pomocy eksportu do BigQuery, stan na październik 2026 r. Eksport może mieć zastosowanie, gdy firma potrzebuje analizować dane zdarzeń poza standardowymi raportami GA4.

Perspektywa KC Mobile

Z naszych wdrożeń wynika, że zespoły często pytają o zakup AI przed ustaleniem, kto podejmie decyzję na podstawie prognozy. Jeśli wynik nie zmienia żadnego działania, model staje się dodatkowym raportem. Zalecamy najpierw wskazać właściciela decyzji oraz moment, w którym prognoza ma wpływać na zamówienie, budżet lub pracę zespołu.

Do pierwszej prognozy potrzebujesz obserwacji z datą, mierzoną wartością i wspólnym identyfikatorem, gdy analizujesz wiele produktów lub kampanii. Definicje tych samych pojęć muszą być spójne w sklepie, systemie reklamowym i CRM.

Dla sprzedaży zbierz datę zamówienia, numer zamówienia, SKU, liczbę sztuk, wartość po rabacie, status realizacji, zwrot i stan magazynu. Dla marketingu dodaj identyfikator kampanii, źródło, medium, koszt, sesje, zgłoszenia i etap leada w CRM. Dane produktowe powinny uwzględniać cenę obowiązującą w danym dniu oraz okresy niedostępności.

Zakres historii dobierz do rytmu decyzji. Prognoza dzienna wymaga obserwacji dziennych, a ocena wzorca rocznego wymaga historii obejmującej odpowiednie sezony. Jeśli firma zmieniła sklep, ceny albo sposób rejestrowania zamówień, oznacz datę zmiany, bo wcześniejsze rekordy mogą opisywać inny proces.

Tabela porządkuje kontrolę jakości danych szeregów czasowych. Rozróżnij brak pomiaru od zera sprzedaży, ponieważ te wartości mają inne znaczenie dla modelu.

Dni bez sprzedaży nie zawsze oznaczają brak popytu. Jeśli produkt był niedostępny, sprzedaż ograniczał stan magazynu, więc prognoza oparta wyłącznie na transakcjach może zaniżyć przyszłe zamówienie.

Projekt predykcyjny zaczyna się od decyzji, której wynik ma być użyteczny dla konkretnej osoby. Następnie zespół przygotowuje dane, wyznacza prosty punkt odniesienia i sprawdza, czy prognoza wnosi poprawę.

1. Wybierz decyzję i horyzont. Zapisz, co firma chce ustalić, na jaki okres i jak często będzie korzystać z wyniku. Przykład: raz w tygodniu oszacować sprzedaż wybranych SKU na kolejne dwa tygodnie.
2. Przygotuj dane. Uzgodnij definicje metryk, identyfikatory, promocje i sposób oznaczania braków. Zapisz reguły porządkowania danych, aby analizę można było odtworzyć.
3. Ustal punkt odniesienia. Sprawdź prostą prognozę, na przykład ostatnią znaną wartość albo średnią z wcześniejszych okresów. Złożona metoda powinna poprawiać wynik w sposób użyteczny dla firmy.
4. Zachowaj dane do oceny. W przypadku szeregu czasowego pozostaw późniejszy okres poza budową prognozy. Losowe tasowanie dni może przenieść informacje z przyszłości do modelowania.
5. Wprowadź wynik do procesu. Ustal format prognozy, częstotliwość aktualizacji, osobę odpowiedzialną i działanie po przekroczeniu uzgodnionego progu.

ARIMA_PLUS w BigQuery ML służy do prognozowania szeregów czasowych. Model tworzy się instrukcją `CREATE MODEL`, a funkcja `ML.FORECAST` zwraca prognozę; argument `HORIZON` określa liczbę przyszłych punktów czasowych. Dokumentacja Google Cloud opisuje tworzenie modeli ARIMA_PLUS oraz funkcję ML.FORECAST. Rozwiązanie wymaga przygotowania danych, dostępu do Google Cloud i utrzymywania zapytań.

Wybierz metodę, którą zespół potrafi regularnie zasilać danymi i wyjaśnić osobie podejmującej decyzję. Narzędzie nie naprawi niespójnych definicji ani braków w historii.

Tabela porównuje metody według skali danych, kompetencji, utrzymania i typowego zastosowania. Dobierz metodę do złożoności decyzji oraz zasobów firmy.

Google Sheets udostępnia funkcję `FORECAST`, która oblicza przewidywaną wartość na podstawie regresji liniowej. Może służyć jako prosty punkt odniesienia, ale nie zastępuje procesu obsługi sezonowości i aktualizacji prognoz. Składnię funkcji opisuje dokumentacja Google Sheets.

Jeśli firma chce osadzić prognozę w procesie, powinna określić, kto reaguje na wynik i jakie dane są wiarygodne. W przypadku kampanii ustal, czy konwersją jest formularz, kwalifikowany lead czy sprzedaż, a następnie zapewnij spójny pomiar. Wdrożenie pomiaru konwersji może objąć dobór zdarzeń i kontrolę ich jakości.

Trafność prognozy oceniaj na obserwacjach, których metoda nie użyła do budowy, i uwzględniaj koszt pomyłki dla firmy. Sam wyglądający wiarygodnie wynik nie dowodzi, że prognoza poprawia planowanie.

Jeśli prognoza wynosi 120 sztuk, a firma sprzedała 100, błąd bezwzględny wynosi 20 sztuk. MAE, czyli średni błąd bezwzględny, uśrednia różnice z okresu oceny i zachowuje jednostkę danych, na przykład sztuki albo złote.

MAPE wyraża średni błąd jako udział w wartości rzeczywistej. Przy wartości równej zero dzielenie jest niemożliwe, a przy bardzo małej wartości niewielki błąd bezwzględny może dać duży procent. Dla produktów z częstymi zerami raportuj MAE lub inną miarę dopasowaną do decyzji, a także oceniaj osobno koszt niedoszacowania i przeszacowania.

Tabela zestawia miary z pytaniem, na które odpowiadają. Dobór miary zależy od jednostki danych oraz kosztu błędnej decyzji.

Niższe MAE nie zawsze oznacza lepszą decyzję, jeśli prognoza pomija rzadki skok popytu przed sezonem. Zespół powinien ustalić, jaki rodzaj błędu najbardziej wpływa na zamówienia albo obsługę.

Prognozę często psuje przygotowanie danych albo zmiana warunków, a nie brak zaawansowanego algorytmu. Sprawdź błędy, które zawyżają pozorną trafność albo zmieniają znaczenie danych.

• Przeciek danych z przyszłości: model otrzymuje informację dostępną dopiero po prognozowanym zdarzeniu, na przykład końcowy status zamówienia przy prognozowaniu wcześniejszej sprzedaży.
• Nieporównywalna historia: migracja sklepu albo zmiana definicji zamówienia sprawia, że starsze rekordy opisują inny proces.
• Pominięta sezonowość i dostępność: święta, promocje i wyprzedane SKU zmieniają obserwowany popyt.
• Korelacja uznana za przyczynę: wzrost budżetu i sprzedaży mogą zbiegać się z promocją lub sezonem, więc sama relacja nie dowodzi wpływu budżetu.
• Zmiana wzorca: nowe ceny, asortyment albo kanały mogą sprawić, że historyczne zależności przestają pasować.

Trwały wzrost błędu, nowe kategorie, brak danych albo odchylenie po zmianie procesu to sygnały do ponownej oceny prognozy. Zapisuj daty zmian, aby ustalić, czy problem dotyczy danych, czy zmieniających się warunków biznesowych.

Pilotaż ogranicz do jednej decyzji i określ kryterium powodzenia przed wygenerowaniem pierwszej prognozy. Właściciel procesu powinien wiedzieć, co zrobi z wynikiem i kiedy uzna go za niewystarczający.

Tabela porządkuje pytania, które zespół powinien rozstrzygnąć przed testem. Uzgodnij zakres i odpowiedzialność, zanim zaczniesz oceniać skuteczność metody.

Zapisuj prognozę przed pojawieniem się danych rzeczywistych. Po zakończeniu pilotażu porównaj ją z prostą metodą bazową i sprawdź, czy różnica uzasadnia zmianę decyzji.

Przy ocenie kampanii uwzględnij jakość leadów albo sprzedaż, a nie wyłącznie liczbę kliknięć. Analizę danych sklepu można rozwinąć w materiale o analityce e-commerce i poprawie konwersji.

• Analityka internetowa: co oznacza i jak pomaga podejmować decyzje
• Przydatne funkcje AI w GA4: jak wykorzystać je w analizie danych
• Dane samplingowe - co oznaczają i kiedy mogą zniekształcać analizę?
• Jak analizować statystyki strony i wyciągać z nich trafne wnioski