Sezonowość w danych rynkowych: rozpoznawanie i korekta

Czym jest sezonowość w danych rynkowych i czym nie jest

W ekonomii sezonowość to względnie regularne, krótkookresowe zmiany wielkości ekonomicznych; w e-commerce – powtarzalne wahania sprzedaży i zainteresowania ofertą. Definicja wymaga dwóch warunków: powtarzalności w tym samym oknie czasowym kolejnych lat oraz krótkiego horyzontu – miesięcy w roku, nie kierunku wieloletniego.

Odróżnienie sezonowości od trendu, jednorazowego piku i szumu decyduje, czy reagować. Trend to długookresowy kierunek zmian, na który nakłada się sezonowość: rosnący trend z grudniowym szczytem to nie to samo co grudniowy szczyt bez wzrostu rok do roku.

Pojedynczy skok nie dowodzi sezonowości: nie należy wnioskować z jednorazowego piku. Szum to losowe odchylenia bez powtarzalnego wzorca; korygowanie ich prowadzi do przeszacowania reakcji na przypadkowy ruch.

W danych sprzedażowych sezonowość widać w dwóch miarach: liczbie i wartości transakcji oraz zainteresowaniu ofertą (ruch, zapytania, dodania do koszyka). Miary mogą się rozjeżdżać – szczyt ruchu nie zawsze pokrywa się ze szczytem sprzedaży, a wskaźniki konwersji zmieniają się w czasie. Dlatego sezonowość analizuj osobno dla popytu (ruch) i realizacji (transakcje), zamiast opierać się na jednej liczbie.

W danych rynkowych sezonowość rozpoznaje się po powtarzalności w tym samym oknie czasowym w kolejnych latach. Pojedynczy szczyt, choćby duży, nie spełnia tego warunku. Dlatego pierwszym krokiem jest zestawienie wielu lat, a nie pojedynczego sezonu.

W analizie szeregów czasowych sezonowość identyfikuje się m.in. metodami X-13-ARIMA-SEATS, TRAMO/SEATS, X-12-ARIMA oraz X-11/Y2K. X-12-ARIMA została zastąpiona przez X-13-ARIMA-SEATS.

Dekompozycja sezonowa występuje jako Census I, a korekcja sezonowa jako Census II i X-11/Y2K. Wyrównanie sezonowe to usunięcie zmienności kalendarzowej.

Sezonowość może być deterministyczna albo stochastyczna; w tej drugiej występują sezonowe pierwiastki jednostkowe. To rozróżnienie zmienia sposób prognozowania.

Źródła sezonowości: od pogody i świąt po cykl życia produktu

Główne czynniki sezonowości w e-commerce to pory roku, święta i wydarzenia oraz wydarzenia kulturalne i sportowe. Należą do nich też trendy w social mediach i cykl życia produktu.

Pory roku działają przez pogodę i temperaturę: latem rośnie sprzedaż strojów kąpielowych, kremów z filtrem i sprzętu do grillowania, zimą – kurtek i sprzętu narciarskiego. Pogoda i temperatura bezpośrednio wpływają na popyt, więc porównanie tego samego tygodnia w różnych latach bywa zawodne.

Święta i wydarzenia – Boże Narodzenie, Black Friday, Dzień Kobiet – generują wzmożony ruch w sklepach internetowych. Szczyty są krótkie i przypisane do konkretnych dat, łatwiej je zaplanować niż wahania pogodowe.

Wydarzenia kulturalne i sportowe dzielą się na wyczekiwane i spontaniczne. Mistrzostwa świata w piłce nożnej i igrzyska olimpijskie są zdarzeniami przewidywalnymi kalendarzowo, a wyjątkowo udana premiera kinowa to przykład spontaniczny. Pierwsze dają powtarzalny, planowalny wzrost w powiązanych kategoriach, drugie – jednorazowy skok, trudny do przewidzenia i niebędący sezonowością.

Trendy w social mediach – wiralowe filmy czy hity z TikToka – mogą wywołać nagły wzrost zainteresowania produktem. Zwykle jest krótki i nie ma odpowiednika w poprzednich latach; jeśli produkt nie jest przygotowany na falę, po jej wygaśnięciu zostaje nadmiar zapasów.

Cykl życia produktu działa inaczej: niektóre produkty same wyznaczają sezon, np. nowe modele smartfonów pojawiają się na rynku jesienią. Wzorzec wraca co roku, ale jego siła słabnie lub przesuwa się wraz z dojrzewaniem kategorii.

Osobno odnotuj czynniki niekalendarzowe, które modyfikują obraz sezonu. Sezonowość to złożona funkcja zmiennych logistycznych, finansowych, marketingowych i psychologicznych.

Średni współczynnik konwersji w e-commerce spadł z 1,97% w 2023 roku do 1,65% w 2024 roku. Może to przesuwać lub skracać „okno sprzedażowe”, czyli okres gotowości klienta do zakupu.

Efekty kalendarzowe to osobny składnik odsezonowania. Ich modelowanie jest jednym z kroków wyrównania sezonowego.

GUS podaje Wskaźnik ogólnego klimatu koniunktury; dane dla budownictwa są wyrównywane sezonowo metodą TRAMO/SEATS.

Dane o konwersji i podziale kanałów pochodzą z analizy Gonito.

Jak rozpoznać sezonowość we własnej niszy

Zacznij od analizy danych historycznych z różnych okresów. Pobierz dane co najmniej z kilku lat i zestaw te same okresy rok do roku, nie sąsiadujące miesiące. Dopiero powtarzalność wzorca w kolejnych latach pozwala mówić o sezonowości.

Najpierw dane historyczne z różnych okresów, potem segmentacja, następnie zestawienie miar popytu i realizacji. Na końcu porównanie rok do roku, a nie miesiąc do miesiąca.

Minimalna długość szeregu wynika z warunku powtarzalności. Potrzebne są dane co najmniej z kilku lat. Krótszy okres nie pozwala odróżnić sezonowości od trendu i jednorazowego piku.

Drugi krok to segmentacja. Analiza zbiorcza zbyt wielu danych nie będzie łatwa ani skuteczna – lepiej pogrupować je na kategorie, np. według kanałów sprzedaży lub grup docelowych.

Sensowność podziału widać w danych rynkowych: 60,9% transakcji realizowanych jest z telefonu, a 37,5% z komputera stacjonarnego. Zbiorczy wskaźnik dla całego sklepu uśrednia więc dwa różne zachowania zakupowe i może maskować odmienny rytm sezonowy w każdym z kanałów.

Zestawiaj miary popytu i realizacji: ruch, zapytania, dodania do koszyka oraz faktyczną sprzedaż. Jeśli szczyt ruchu wypada w innym okresie niż szczyt zamówień, klient zbiera informacje wcześniej, a kupuje później – planowanie kampanii tylko na podstawie ruchu prowadzi wtedy do przeszacowania sprzedaży w szczycie zainteresowania.

Przy interpretacji wyników pamiętaj o charakterze metod. Metody statystyczne są proste i tańsze, ale dają tylko dane szacunkowe, a w analizie rynku trzeba uwzględnić wiele czynników. Wyliczony wskaźnik sezonowości jest przybliżony i powinien być regularnie weryfikowany na bieżących danych, a nie traktowany jako stała charakterystyka rynku.

Krok 1: identyfikacja struktury szeregu czasowego. Służą do niej autokorelacje (ACF) i funkcja autokorelacji cząstkowej (PACF).

Krok 2: identyfikacja modelu ARIMA i estymacja parametrów. Stosuje się metodologię Boxa-Jenkinsa oraz modele autoregresyjne i modele średniej ruchomej.

Krok 3: testy stabilności parametrów. Wymienia się test Chowa i test CUSUM; sezonowość stochastyczną bada się przez sezonowe pierwiastki jednostkowe.

Krok 4: analiza spektralna. Gęstość widmowa, periodogram i test Fishera-Kappa służą do oceny okresowości.

Krok 5: metody zmiany częstotliwości szeregu czasowego. Pozwalają dopasować dane do częstotliwości analizy.

Do wyliczenia wskaźników sezonowości potrzebny jest szereg o ustalonej częstotliwości, np. 12 miesięcy. Nie każda częstotliwość jest dozwolona w pakietach X-13-ARIMA i TRAMO/SEATS.

Porównanie popytu i realizacji w sezonie – klucz do trafnej analizy

Kroki do rozpoznania sezonowości w danych rynkowych

Korekta odczytu danych: porównuj okresy i segmenty, nie surowe sumy

Surowe sumy miesięczne mylą, bo mieszają co najmniej trzy zjawiska: trend, sezonowość i zmiany jednorazowe. Punktem odniesienia powinien być ten sam okres w poprzednim roku, nie poprzedni miesiąc. Spadek lub wzrost rok do roku pozwala oddzielić ruch wynikający z kalendarza od rzeczywistej zmiany pozycji sklepu na rynku.

Korekta odczytu ma trzy kroki. Pierwszy: porównanie tego samego okresu rok do roku. Drugi: rozdzielenie trendu, komponentu sezonowego i składnika losowego. Trzeci: porównanie sprzedaży rzeczywistej z odsezonowaną.

Drugie narzędzie to rozdzielenie składowych szeregu czasowego – trendu, komponentu sezonowego i składnika losowego – i wyliczenie wartości oczyszczonej z sezonowości. Porównanie sprzedaży rzeczywistej z odsezonowaną odpowiada na pytanie, czy wzrost w szczycie wynika wyłącznie z kalendarza, czy z realnego wzrostu skali biznesu.

Bez tego rozdzielenia każdy udany sezon wygląda jak sukces strategii. Każde osłabienie wygląda jak porażka – także gdy zmienił się tylko termin zakupów.

Osobno rozpoznawaj zmiany strukturalne: wejście nowego kanału sprzedaży, zmianę szerokości oferty, nowego konkurenta czy trwałe przesunięcie zachowań klientów. Takie zdarzenia modyfikują wzorzec sezonowy i mogą wyglądać jak jego załamanie. Porównanie danych sprzed zmiany i po niej, z podziałem na segmenty, pozwala odróżnić trwałe przestawienie popytu od zaburzenia w jednym okresie.

Segmentacja to nie tylko wygoda, lecz warunek poprawności wniosku. Jeżeli jeden kanał rośnie w sezonie, a drugi spada, agregat pokaże stabilizację i ukryje potrzebę odmiennych decyzji w każdym z nich.

Przy każdym wyniku pytaj, ile wynika z kalendarza, a ile z realnej zmiany. Porównuj rok do roku i sprawdzaj osobno kanały oraz grupy klientów.

Odsezonowanie to usunięcie zmienności kalendarzowej; inaczej wyrównanie sezonowe. Procedura obejmuje identyfikację modelu ARIMA, estymację parametrów i ocenę modelu.

Następnie stosuje się odsezonowanie metodą X-12-ARIMA lub TRAMO/SEATS. Optymalny dobór parametrów odsezonowania jest osobnym krokiem.

Metody korekcji sezonowej to Census I, Census II, X-11/Y2K, X-12-ARIMA, X-13-ARIMA-SEATS i TRAMO/SEATS. Narzędzia to Demetra, Gretl i SAS.

W Gretlu pakiety X-13-ARIMA i TRAMO/SEATS instaluje się osobno. Ścieżki ustawia się w Narzędzia -> Ustawienia -> Ogólne -> Programy.

W Demetra odsezonowanie wykonuje się metodą X-12-ARIMA oraz TRAMO/SEATS. Program służy też do prognozowania szeregów czasowych.

Diagnostyka modelu obejmuje względny błąd prognozy i analizę komponentu nieregularnego.

Miary jakości odsezonowania to badanie stabilności modelu, analiza sliding spans, idempotencja oraz rewizje danych odsezonowanych i trendu-cyklu.

Odsezonowanie szeregów zagregowanych prowadzi się metodą pośrednią i bezpośrednią.

Analiza spektralna: gęstość widmowa i periodogram; interpretacja funkcji zysku i test Fishera-Kappa.

Wartość odsezonowaną porównuje się ze sprzedażą rzeczywistą. To pokazuje, czy wzrost w szczycie wynika z kalendarza, czy z realnej skali.

Od korekty danych do korekty działań: oferta, magazyn, płynność

Rozpoznana sezonowość przekłada się najpierw na ofertę. Skupienie na okresach wzmożonego popytu pozwala maksymalizować zyski, łatwiej też przyciągnąć nowych klientów, gdy zainteresowanie całą kategorią jest większe, a dostosowanie oferty do potrzeb kupujących w danym okresie buduje pozytywne relacje i zwiększa lojalność obecnych klientów. Zmiany w ofercie i ekspozycji produktów planuj przed szczytem, nie w jego trakcie.

Zarządzanie zapasami opiera się na tej samej wiedzy. Świadomość sezonowych wahań pozwala lepiej zarządzać zapasami i unikać nadwyżek lub braków towaru. Kluczowy jest czas: zamówienia u dostawców składa się z wyprzedzeniem, więc sygnał o zbliżającym się szczycie musi pojawić się wcześniej niż wzrost sprzedaży – inaczej towar dotrze po szczycie i zamieni się w nadwyżkę.

Kampanie planuj z rozróżnieniem na to, co przewidywalne, i to, czego przewidzieć się nie da. Część wydarzeń można wykorzystać w skrupulatnie zaplanowanej strategii, ale nie wszystkie da się przewidzieć, a warunkiem jest najpierw zauważenie trendu. Zdarzenia kalendarzowe (święta, Black Friday) wpisuj w harmonogram z wyprzedzeniem, a budżet na reakcję na wydarzenia spontaniczne trzymaj w rezerwie.

Sezonowość determinuje przepływy pieniężne przez pełne 12 miesięcy roku. Plan finansowy musi więc objąć nie tylko szczyt sprzedaży, ale też okres przed nim – zakup towaru i finansowanie kampanii – oraz okres po nim, gdy zapasy są już kupione, a wpływy wygasły.

Większość sprzedawców wchodzących na Amazon Marketplace traktuje sezonowość reaktywnie, nie proaktywnie. Przy rosnącej konkurencji i rosnącym koszcie pozyskania klienta oznacza to decyzje podejmowane po fakcie.

Korekta decyzji zaczyna się od pytania, czy zmiana wyniku wynika z kalendarza, czy z realnego popytu. Odpowiedź na to pytanie decyduje, czy zwiększać zamówienia i budżet kampanii, czy tylko przygotować się na typowy sezon.

Decyzje opieraj na wartościach odsezonowanych, nie na surowych sumach. Porównanie sprzedaży rzeczywistej z odsezonowaną rozstrzyga, czy zwiększać zamówienia i budżet.

Wskaźnik konwersji spadł z 1,97% w 2023 roku do 1,65% w 2024 roku. To może skracać okno sprzedażowe i wymaga korekty planu.

Podział transakcji: 60,9% z telefonu, 37,5% z komputera stacjonarnego. Osobne odsezonowanie kanałów zapobiega uśrednieniu różnych rytmów.

Modelowanie efektów kalendarzowych pozwala oddzielić ruch z tytułu świąt i wydarzeń od realnego popytu.

Jeżeli analiza sliding spans lub rewizje danych odsezonowanych są niestabilne, decyzję o zamówieniach oprzyj na buforze.

Proces korekty decyzji na podstawie odsezonowania danych

Ryzyka i granice strategii opartej na sezonowości

Wadą strategii uwzględniającej sezonowość są nierównomierne przychody i ewentualne problemy z płynnością finansową w kolejnych miesiącach – zwłaszcza gdy sezonowość staje się podstawą strategii sprzedażowej. Im większa część rocznego przychodu przypada na jedno okno czasowe, tym ważniejsze jest finansowanie zakupów przed sezonem i utrzymanie kosztów stałych poza szczytem.

Do wad należą też duże nakłady pracy na identyfikowanie czynników sezonowych innych niż najpopularniejsze, zwłaszcza na początku. Inna wada to trudność przebicia się do świadomości klienta, jeśli konkurencja również działa sezonowo.

Nie opieraj strategii na sezonowości, gdy bazuje na prognozie, która może się nie sprawdzić: istnieje ryzyko niepowodzenia, jeśli przewidywania trendów okażą się błędne. Dotyczy to zwłaszcza zdarzeń nieprzewidywalnych – viralnych trendów i spontanicznych wydarzeń kulturalnych. Bezpieczniejsze zastosowanie to korygowanie odczytu danych i planowanie operacyjne z buforem, a nie uzależnianie całej sprzedaży od jednego prognozowanego szczytu.

Korekta danych nie usuwa ryzyka. Nawet dobrze rozpoznany sezon może się przesunąć przez zmiany zachowań klientów, np. skrócenie „okna sprzedażowego” przy spadającym współczynniku konwersji z 1,97% w 2023 roku do 1,65% w 2024 roku.

Korekta danych nie usuwa ryzyka; miary jakości odsezonowania to sliding spans, idempotencja i rewizje.

Diagnostyka modelu obejmuje względny błąd prognozy i analizę komponentu nieregularnego.

Analiza spektralna z periodogramem i testem Fishera-Kappa służy do oceny okresowości, ale nie eliminuje nieprzewidywalnych zdarzeń.

Przy sezonowych pierwiastkach jednostkowych prognoza wymaga modeli dla sezonowości stochastycznej.

Zalety i ryzyka strategii opartej na sezonowości