Čtyři otázky, na které data dokážou odpovědět, každá jinak náročná
Analytika se dá rozdělit podle toho, na jakou otázku odpovídá. Deskriptivní analytika řekne, co se stalo. Diagnostická vysvětlí, proč se to stalo. Prediktivní odhadne, co se pravděpodobně stane. Preskriptivní navrhne, co s tím konkrétně udělat. Jde o postupně náročnější stupně, ne o čtyři nezávislé metody, každý další stupeň staví na tom předchozím.
- 1
Deskriptivní: co se stalo
Základní reporting, tržby minulý měsíc, počet objednávek, návštěvnost webu. Odpovídá na otázku 'co se stalo', bez vysvětlení příčiny. Většina firem tady stráví většinu času, dashboardy, grafy, přehledy.
- 2
Diagnostická: proč se to stalo
Hlubší analýza, která hledá příčinu za číslem, proč tržby klesly (méně návštěv, nižší konverze, horší mix produktů), proč jeden segment zákazníků přestal nakupovat. Vyžaduje rozklad dat na detailnější úroveň a srovnání napříč obdobími nebo segmenty.
- 3
Prediktivní: co se pravděpodobně stane
Odhad budoucího vývoje na základě historických dat, kolik se prodá příští měsíc, kdy dojde konkrétní produkt na skladě. Pracuje s pravděpodobností, ne s jistotou, a je jen tak dobrá, jak dobrá je historie, ze které vychází.
- 4
Preskriptivní: co s tím udělat
Nejnáročnější stupeň, který k předpovědi přidá konkrétní doporučenou akci, kolik kusů objednat, kdy spustit doplnění skladu, jaký produkt zařadit do promoakce. Spojuje prognózu s rozhodovacím pravidlem nebo optimalizací.
Kde firmy pálí peníze
Nejčastější chyba není špatná analytika, je to zaseknutí na prvním stupni, aniž by si firma uvědomila, že tam je.
Dashboardy plné čísel, žádné vysvětlení
Firma má report, který ukáže pokles tržeb, ale nikdo se nedostane k diagnóze, jestli za tím je nižší návštěvnost, horší konverze, nebo vyprodaný bestseller. Bez diagnostického kroku zůstává jasné jen to, že se něco zhoršilo, ne co s tím dělat.
Rozhodování na základě pocitu tam, kde existuje historie dat
Nákupčí objednává zboží podle intuice nebo podle toho, co se objednávalo loni ručně upravené, přestože firma sedí na letech prodejních dat, ze kterých by šlo predikovat poptávku přesněji. Ušlá příležitost se neprojeví jako viditelná ztráta, ale jako zbytečně vysoké zásoby nebo zbytečně časté výpadky.
Predikce bez doporučené akce
Firma má prognózu poptávky, ale nikdo neřekne, kolik konkrétně objednat a kdy. Prognóza samotná (prediktivní stupeň) bez převodu na nákupní rozhodnutí (preskriptivní stupeň) zůstává zajímavým číslem, které nikam nevede.
Přeskočení diagnostiky rovnou k predikci
Nasazení prediktivního modelu na data, jejichž problémy (chybějící historie, nekonzistentní kategorizace, needitovaná vratka) nikdo předtím nediagnostikoval, dá predikci, která vypadá důvěryhodně, ale staví na chybném základu.
Jak to vypadá v praxi na skladových zásobách
AI skladové predikce jsou konkrétní příklad posunu od deskriptivní analytiky (kolik zboží mám teď na skladě) k prediktivnímu a preskriptivnímu stupni zároveň.
Predikce po SKU, ne jeden průměr pro celý katalog
Systém pracuje s historií prodejů, sezónností a dalšími signály a predikuje poptávku pro jednotlivé produkty zvlášť, ne jedním odhadem pro celý katalog. To je prediktivní vrstva nad deskriptivními daty o dosavadním prodeji.
Doporučené množství objednávek jako preskriptivní krok
Z predikce vychází konkrétní doporučené množství k objednání, ne jen odhad budoucího prodeje. To je posun z prediktivní do preskriptivní analytiky, z odhadu 'co se pravděpodobně stane' do doporučení 'kolik objednat'.
Přesnost predikce se měří, ne jen tvrdí
Přesnost se sleduje v reportu pomocí metrik MAE a sMAPE a jejich vývoje v čase. Přesnost závisí na historii prodejů, sezóně a počtu SKU, konkrétní čísla u konkrétního katalogu se ověřují v pilotu, ne paušálním slibem předem.