V skratke
- Predikcia dopytu je odhad budúcich predajov z vlastnej histórie objednávok a malému e-shopu na ňu stačí export predajov a Excel alebo AI nástroj, ktorý vie analyzovať súbory.
- Excel má prognózu so sezónnosťou zabudovanú, kým ChatGPT a Claude ju vedia vypočítať kódom z nahraného súboru CSV.
- V experimente so 123 ľuďmi a piatimi jazykovými modelmi neboli modely sústavne presnejšie než ľudia a počas akcií sa viac mýlili obe skupiny.
- Prognózu si overte na mesiacoch, ktoré už poznáte, a ručné úpravy smerom nahor robte len s konkrétnym dôvodom, ktorý si zapíšete.
Predikcia dopytu s AI znamená, že z histórie predajov necháte nástroj vypočítať, koľko kusov sa pravdepodobne predá v ďalších týždňoch alebo mesiacoch. V e-shope slúži na plánovanie objednávok tovaru a sezónnych zásob. Spoľahlivá je vtedy, keď výpočet robí štatistická metóda nad vašimi dátami a výsledok overíte na období, ktoré už poznáte.
Čo je predikcia dopytu a kedy ju e-shop potrebuje
Predikcia dopytu (po anglicky demand forecasting) je číselný odhad, koľko kusov konkrétneho produktu si zákazníci kúpia v danom období. Vychádza z toho, čo sa predalo v minulosti, a hľadá v tom dve veci: trend, teda či predaje dlhodobo rastú alebo klesajú, a sezónnosť, teda vzor, ktorý sa pravidelne opakuje, napríklad každý december.
E-shop ju potrebuje vo chvíli, keď objednáva tovar s dodacou lehotou dlhšou než pár dní. Ak objednáte málo, produkt sa vypredá práve vtedy, keď oň je záujem, a ak objednáte veľa, peniaze ležia v sklade. Prognóza tento odhad neodstráni, ale nahradí pocit číslom, ktoré sa dá spätne skontrolovať.
Dôležité je oddeliť prognózu od plánu. Prognóza hovorí, koľko sa pravdepodobne predá, kým plán hovorí, koľko objednáte, a zohľadňuje aj to, ako veľmi sa bojíte vypredania. Štúdia publikovaná v časopise International Journal of Forecasting ukázala, že ľudia tieto dve čísla často nerozlišujú a požiadavku na dostupnosť tovaru premietajú do prognózy, aj keď dostanú výslovný pokyn to nerobiť. Pri akciových obdobiach s vysokou požadovanou dostupnosťou mali navyše väčší sklon dopyt nadhodnotiť (Fahimnia a kol., 2025).
Pre prax z toho plynie jednoduché poradie: najprv si nechajte vypočítať, koľko sa predá, a až v druhom kroku rozhodnite, akú rezervu k tomu pridáte.
Predikcia dopytu v Exceli: prognóza bez programovania
Začať sa dá bez akéhokoľvek AI nástroja, lebo Excel má funkciu Hárok prognózy. Podľa návodu Microsoftu potrebuje dva rady údajov, ktoré spolu súvisia: rad s dátumami a rad s hodnotami, v našom prípade s počtom predaných kusov. Časová os musí mať konzistentné intervaly, napríklad mesačné hodnoty vždy k prvému dňu mesiaca (Vytvorenie prognózy v Exceli pre Windows).
Postup je krátky:
- Pripravte hárok s dvoma stĺpcami, dátum a predané kusy, a oba rady označte.
- Na karte Údaje v skupine Prognóza vyberte Hárok prognózy.
- Zvoľte čiarový alebo stĺpcový graf a v poli Koniec prognózy nastavte dátum, po ktorý chcete odhad.
- Kliknite na Vytvoriť. Excel pridá nový hárok s tabuľkou historických a predpovedaných hodnôt a s grafom.
Výpočet robí algoritmus exponenciálneho vyrovnávania, ktorý Microsoft označuje ako AAA verziu ETS. Rovnaký výpočet ponúka aj funkcia FORECAST.ETS, ktorú môžete napísať priamo do bunky a o ktorej Microsoft uvádza, že sa hodí na predpoveď budúcich predajov alebo potreby zásob (Funkcia FORECAST.ETS).
Ako Excel pracuje so sezónnosťou
Sezónnosť je v Exceli číslo, ktoré udáva dĺžku opakujúceho sa vzoru, a zisťuje sa automaticky. Pri ročnom cykle predaja, kde každý bod predstavuje jeden mesiac, má hodnotu 12. Microsoft upozorňuje, že z menej než dvoch cyklov historických údajov Excel sezónne zložky neurčí, a ak je sezónnosť príliš slabá, predpoveď sa vráti k lineárnemu trendu.
Pri mesačných dátach a ročnej sezóne to znamená aspoň dva celé roky histórie. E-shop, ktorý funguje rok a pol, preto z Excelu sezónny vzor nedostane a vianočný vrchol si musí do odhadu doplniť sám.
Interval spoľahlivosti a chýbajúce údaje
Hárok prognózy vie zobraziť interval spoľahlivosti, teda rozsah okolo každej predpovedanej hodnoty, do ktorého má podľa prognózy spadnúť 95 % budúcich bodov, pričom užší interval znamená istejší odhad. Pre objednávanie je to užitočnejšie číslo než samotná stredná hodnota, lebo ukazuje, s akým výkyvom máte rátať.
Excel si poradí aj s dierami v dátach. V časovej osi môže chýbať až 30 % bodov a chýbajúce hodnoty sa doplnia z okolitých, hoci Microsoft dodáva, že zhrnutie údajov pred vytvorením prognózy vedie k presnejším výsledkom. Kto má export po jednotlivých objednávkach, mal by ho preto najprv sčítať na týždne alebo mesiace.
Ako spraviť predikciu dopytu v ChatGPT alebo Claude
AI nástroj sa oplatí vtedy, keď máte desiatky produktov, export v neupravenom tvare alebo chcete k číslam aj vysvetlenie. Rozdiel oproti bežnému chatu je v tom, že nástroj odpoveď neháda z textu, ale napíše a spustí výpočet nad vaším súborom.
OpenAI uvádza, že ChatGPT analyzuje nahrané tabuľky vo formátoch .xls, .xlsx a .csv a pri niektorých úlohách píše a spúšťa kód v jazyku Python vrátane štatistickej analýzy (Data analysis with ChatGPT). Anthropic pri Claude popisuje to isté: nahráte súbor CSV alebo TSV a Claude vytvorí skripty v Pythone na analýzu dát aj grafy (Create and edit files with Claude). Gemini v Google Tabuľkách podľa Googlu vytvára vzorce, analýzy dát a grafy priamo v tabuľke (Collaborate with Gemini in Google Sheets).
Stav k 11. 10. 2026 podľa stránok výrobcov:
| Nástroj | Čo podľa výrobcu zvládne | Na čo si dať pozor |
|---|---|---|
| Excel, Hárok prognózy | Prognóza so sezónnosťou a intervalom spoľahlivosti, štatistika chýb | Potrebuje pravidelné intervaly a aspoň dva cykly na sezónnosť |
| ChatGPT | Analýza súborov .xls, .xlsx a .csv, výpočty v Pythone, grafy | Prostredie na výpočty nemá prístup na web a nástroj môže zvoliť metódu, ktorá nesedí s vaším zámerom |
| Claude | Analýza súborov CSV a TSV skriptami v Pythone, grafy, súbor do 30 MB | V plánoch Team a Enterprise môže vlastník organizácie funkciu vypnúť |
| Gemini v Google Tabuľkách | Vzorce, analýza dát a grafy priamo v tabuľke | Vyžaduje vhodný plán Google Workspace alebo Google AI a najlepšie funguje s natívnymi tabuľkami Google |
Postup krok za krokom
- Exportujte predaje. Stačia tri stĺpce: dátum, kód produktu a počet kusov. Mená, e-maily a adresy zákazníkov z exportu vymažte, lebo na prognózu ich nepotrebujete. Čo ešte do nástroja nepatrí, rozoberá článok firemné dáta v ChatGPT, Claude a Gemini.
- Upravte tabuľku. OpenAI odporúča popisné hlavičky v prvom riadku, jeden záznam na riadok a žiadne prázdne riadky, ktoré dáta rozdeľujú.
- Označte výnimočné obdobia. Pridajte stĺpec, v ktorom vyznačíte týždne s akciou a týždne, keď bol produkt vypredaný. Nulový predaj pri prázdnom sklade totiž nie je nulový dopyt a nástroj to bez vašej poznámky nerozlíši.
- Zadajte prompt a pýtajte si metódu aj kód, nielen výsledné číslo.
- Urobte spätný test. Nechajte nástroj predpovedať mesiace, ktoré už poznáte, a porovnajte odhad so skutočnosťou.
- Rozhodnite o objednávke. Až teraz pridajte rezervu podľa dodacej lehoty a toho, ako veľmi vám vypredanie uškodí.
Hotový prompt na predikciu dopytu
V prílohe je export predajov e-shopu: stĺpce datum, kod_produktu, kusy, akcia (1 = prebiehala zľava), vypredane (1 = produkt nebol skladom).
1. Sčítaj predaje na mesiace pre každý produkt a vypíš, koľko mesiacov histórie má každý z nich.
2. Mesiace s hodnotou vypredane = 1 nepovažuj za bežný dopyt a povedz, ako si s nimi naložil.
3. Posledné 3 mesiace odlož bokom. Z ostatných dát vypočítaj prognózu na tieto 3 mesiace exponenciálnym vyrovnávaním so sezónnosťou a porovnaj ju so skutočnosťou. Uveď priemernú absolútnu chybu v kusoch.
4. Pre porovnanie uveď aj chybu jednoduchého odhadu „rovnaký mesiac minulého roka".
5. Až potom vypočítaj prognózu na najbližšie 3 mesiace zo všetkých dát, s dolnou a hornou hranicou.
6. Pri produktoch s históriou kratšou než 24 mesiacov napíš, že sezónnosť sa nedá spoľahlivo určiť.
Ukáž kód, ktorý si použil, a vypíš všetky predpoklady. Nič si nedomýšľaj: ak údaj v súbore chýba, napíš to.OpenAI v návode výslovne odporúča pred použitím výsledku skontrolovať vygenerovaný kód, výstupy a predpoklady, a ak záleží na konkrétnej metóde, vypýtať si ju. Upozorňuje aj na to, že veľký alebo zle štruktúrovaný súbor sa nemusí analyzovať celý, takže si nechajte vypísať počet spracovaných riadkov a porovnajte ho s exportom. Podobné kontroly pri reklamných dátach popisuje článok analýza výsledkov kampaní s AI.
Čo ukazujú štúdie o presnosti AI pri prognózach
Lákavá skratka je spýtať sa chatu priamo, koľko sa predá, a nechať model odhadnúť číslo úsudkom. Práve toto testoval experiment z maloobchodu, v ktorom sa porovnávalo 123 ľudí s piatimi jazykovými modelmi: ChatGPT-4, ChatGPT-3.5, Bard, Bing a Llama2. Presnosť sa merala absolútnou percentuálnou chybou v bežných aj akciových obdobiach (Abolghasemi a kol., 2025).
Výsledok je triezvy, lebo jazykové modely neboli sústavne presnejšie než ľudia a pokročilejší štatistický model v pozadí nepomohol rovnako ani ľuďom, ani modelom. Chyby oboch skupín rástli najmä počas akcií. Autori preto odporúčajú zapájať jazykové modely do prognózovania opatrne. Štúdia testovala len uvedené verzie modelov, takže o novších nič netvrdí, no hlavné poučenie platí pre každý nástroj: akcie sú miesto, kde sa prognóza kazí najčastejšie.
Druhá otázka znie, či má človek číslo z nástroja opravovať. Analýza približne 147 000 prognóz zo šiestich štúdií zistila, že ručné úpravy zlepšili presnosť a skreslenie len pri o niečo viac než polovici skladových položiek. Úpravy smerom nahor prognózu skôr zhoršovali, kým úpravy nadol ju zvyčajne zlepšili, najmä keď boli veľké. Dôkazy o tom, že ľudia pri úpravách využívali informácie, ktoré algoritmus nemal, boli slabé a prognostici skôr reagovali na málo podstatné podnety (Fildes a kol., 2025).
Pre majiteľa e-shopu z toho vychádzajú dve pravidlá. Jazykový model používajte ako analytika, ktorý nad vašimi dátami spustí overenú štatistickú metódu, a nie ako veštca. A keď číslo zvyšujete, lebo „tento rok to určite pôjde lepšie", zapíšte si dôvod a po sezóne skontrolujte, či ste mali pravdu.
Kde musí pri predikcii dopytu rozhodnúť človek
Prognóza z histórie vie len to, čo sa už stalo. Všetko nové do nej musí doplniť človek, ktorý pozná plány firmy.
| Situácia | Prečo história nestačí | Čo spraviť |
|---|---|---|
| Nový produkt bez predajov | Nástroj nemá z čoho počítať | Odhad urobte podľa podobného produktu a označte ho ako odhad |
| Plánovaná akcia alebo kampaň | V citovanom experimente rástli chyby najmä pri akciách | Prognózu pre akciu počítajte zvlášť z minulých akcií |
| Vypredaný tovar v histórii | Nulový predaj skresľuje dopyt nadol | Vypredané obdobia označte a z výpočtu ich vynechajte |
| Menej než dva roky dát | Sezónnosť sa nedá určiť | Rátajte s trendom a sezónny vrchol doplňte vlastným odhadom |
| Zmena ceny alebo sortimentu | Minulé predaje vznikli za iných podmienok | Zmenu uveďte v zadaní a výsledok berte s rezervou |
Pri kampaniach sa oplatí zladiť prognózu s tým, kto spravuje reklamu. Ak má v danom období bežať PPC reklama s vyšším rozpočtom než vlani, v histórii predajov to nevidno a nástroj to sám nepredpokladá.
Rovnako platí, že AI nástroj môže uviesť číslo alebo vysvetlenie, ktoré v dátach nemá oporu. Ako také tvrdenia odhaliť, popisuje článok halucinácie AI.
Ako zistiť, či prognóza funguje
Jediný spoľahlivý test je porovnanie so skutočnosťou. Hárok prognózy v Exceli na to má nastavenie Začiatok prognózy: keď zvolíte dátum pred koncom historických údajov, výpočet použije len staršie dáta a predpovedaný rad môžete porovnať s tým, čo sa naozaj predalo. Microsoft tento postup nazýva spätným testovaním a pri sezónnych údajoch ho odporúča.
Po zaškrtnutí voľby Zahrnúť štatistiku prognózy pridá Excel aj tabuľku s metrikami chyby MASE, SMAPE, MAE a RMSE. Na začiatok stačí MAE, teda priemerná absolútna chyba, ktorá hovorí, o koľko kusov sa prognóza v priemere mýli bez ohľadu na smer.
Veďte si jednoduchú tabuľku so štyrmi stĺpcami: prognóza nástroja, vaša upravená prognóza, skutočný predaj a dôvod úpravy. Po troch až štyroch mesiacoch z nej uvidíte, či vaše zásahy číslo spresňujú, alebo či by ste dopadli lepšie, keby ste nechali výpočet tak. Ak pracujete najmä v tabuľkách, ďalšie postupy nájdete v článku AI v Exceli a Google Tabuľkách a všetky návody v sekcii AI v podnikaní.
Časté otázky
Koľko dát potrebujem na predikciu dopytu?
Na trend stačí kratšia história, no na sezónnosť potrebujete aspoň dva celé cykly. Microsoft pri prognóze v Exceli uvádza, že z menej než dvoch cyklov sa sezónne zložky určiť nedajú, čo pri mesačných dátach a ročnej sezóne znamená 24 mesiacov.
Vie ChatGPT predpovedať predaje presnejšie než človek?
Podľa experimentu so 123 ľuďmi a piatimi jazykovými modelmi vrátane ChatGPT-4 neboli modely sústavne presnejšie než ľudia a obe skupiny sa viac mýlili počas akcií. Spoľahlivejšie je nechať nástroj vypočítať prognózu štatistickou metódou z vášho súboru a výsledok overiť na známych mesiacoch.
Môžem do AI nástroja nahrať export objednávok?
Na prognózu stačí dátum, kód produktu a počet kusov, takže osobné údaje zákazníkov z exportu pred nahratím odstráňte. Pri firemných dátach si zároveň overte, aký plán nástroja používate a aké podmienky spracúvania údajov k nemu patria.
Čo robiť s produktom, ktorý predávam len pár mesiacov?
Z krátkej histórie nástroj vypočíta nanajvýš trend a sezónny vzor neurčí. Pomôcť si môžete predajmi podobného produktu, no takto získané číslo označte ako odhad a po prvej sezóne ho nahraďte prognózou z vlastných dát.
Prečo je prognóza počas akcií menej presná?
Akcia vytvára predaje, ktoré sa bežným týždňom nepodobajú, a prognóza počítaná z bežnej histórie s nimi neráta. V citovanom experimente rástli chyby ľudí aj jazykových modelov práve v akciových obdobiach, a preto sa oplatí počítať akcie oddelene z minulých akcií.
Stačí na predikciu dopytu Excel, alebo treba AI?
Na jeden až niekoľko produktov s čistými mesačnými dátami stačí Hárok prognózy v Exceli. AI nástroj s analýzou súborov šetrí prácu pri väčšom počte produktov a pri neupravenom exporte, no výsledok treba overiť rovnakým spätným testom.
