Prognozowanie popytu w produkcji: ELM vs. ARIMA — co wybrać dla MŚP?

Prognozowanie popytu to jeden z tych problemów, które wydają się rozwiązane — dopóki plan nie rozjedzie się z rzeczywistością. Sezonowość, jednorazowe zamówienia, nieregularny rytm klientów: klasyczne metody oparte na Excel i intuicji doświadczonego planisty zawodzą właśnie wtedy, gdy potrzeba ich najbardziej.

Badanie opublikowane w LogForum (DOI: 10.17270/J.LOG.2022.637) testuje dwa podejścia algorytmiczne w warunkach typowych dla MŚP produkcyjnych: ARIMA (AutoRegressive Integrated Moving Average) — standard statystyczny znany od dekad — oraz ELM (Extreme Learning Machine), rodzaj jednowarstwowej sieci neuronowej, która trenuje się w ułamku czasu potrzebnego konwencjonalnym sieciom głębokim.

Na czym polega różnica między ARIMA a ELM?

ARIMA to model szeregów czasowych — analizuje historię sprzedaży i wychwytuje wzorce autokorelacji: co z czego wynika w czasie. Wymaga stacjonarności danych (często trzeba je różnicować) i ma ograniczoną zdolność do uchwycenia nagłych zmian strukturalnych popytu.

ELM to inna klasa modeli. Zamiast opierać się na założeniach statystycznych, uczy się na przykładach. Wagi warstwy wejściowej są losowane i zamrażane — tylko wyjście jest optymalizowane analitycznie (nie przez gradient descent). To daje:

• bardzo krótki czas trenowania (sekundy, nie godziny),
• możliwość włączenia zmiennych zewnętrznych (cenniki, kampanie, sezonowość kalendarzowa),
• lepsze radzenie sobie z nieliniowymi zależnościami w danych.

Wyniki badania: kiedy ELM wygrywa?

Autorzy porównywali obydwa podejścia na danych rzeczywistych z kilku firm produkcyjnych z sektora MŚP. Kluczowy wniosek: przy regularnym, sezonowym popycie ARIMA i ELM są porównywalnie dokładne. Natomiast przy popycie nieregularnym — skokowym, z outlierami, z krótkimi seriami historii — ELM osiąga wyraźnie niższy błąd prognozy (mierzony MAPE).

Dla firm z portfelem produktów o różnym charakterze sprzedaży praktyczny wniosek jest jeden: nie ma jednego najlepszego modelu dla całego katalogu. Warto segmentować produkty i dobierać metodę do profilu popytu.

Co to oznacza dla planisty produkcji?

Nie chodzi o to, żeby zastąpić planistę algorytmem. Chodzi o to, żeby planista miał lepszy punkt startowy niż "poprzedni rok razy 1,05".

Algorytm daje prognozę bazową. Planista wnosi kontekst: wiadomo, że klient X traci dużego odbiorcę, więc obniżamy prognozę o 20%. Wiadomo, że trwa kampania u dystrybutora — podnosimy na 6 tygodni. Ten hybrydowy proces — algorytm + korekty eksperckie — jest tym, co najskuteczniejsze firmy produkcyjne stosują w praktyce.

Trzy warunki, które muszą być spełnione, zanim warto wdrożyć ELM

1. Historia sprzedaży w jednym miejscu. ELM potrzebuje danych. Minimum 18–24 miesięcy historii na poziomie SKU lub grupy produktów, w formacie nadającym się do automatycznego przetwarzania (nie pivot table z ręcznymi poprawkami).
2. Zdefiniowany cykl planowania. Prognoza algorytmiczna musi być aktualizowana regularnie i musi wchodzić do procesu — nie być produkowana raz i zapomniana.
3. Ktoś odpowiedzialny za wynik. Najczęstszą przyczyną niepowodzenia projektów "AI w planowaniu" nie jest algorytm — jest brak właściciela procesu, który przejmuje prognozę i ponosi odpowiedzialność za decyzje zakupowe i produkcyjne.

Praktyczny krok dla zarządzających: audit danych

Zanim zainwestujesz w narzędzie (czy to ERP z modułem ML, czy oddzielne oprogramowanie), zrób prosty test: czy Twój zespół jest w stanie w ciągu godziny wyciągnąć z systemu historię sprzedaży ostatnich 2 lat w podziale na SKU, z datami i ilościami? Jeśli nie — to jest właściwy punkt startowy, nie algorytm.

Większość firm, z którymi pracujemy, ma dane — rozrzucone po arkuszach, systemach i głowach planistów. Konsolidacja danych i standaryzacja procesu planowania dają więcej niż najlepszy algorytm na złych danych.