Prognoza ex ante służy do szacowania przyszłych zjawisk na podstawie informacji dostępnych w chwili jej przygotowania. Prognoza ex post, rozumiana jako retrospektywna prognoza wyznaczona dla danych historycznych z zachowaniem informacji dostępnych w danym momencie, pozwala ocenić, czy model prognozujący był trafny i użyteczny w warunkach zbliżonych do rzeczywistych.
Co to jest prognoza ex ante i ex post?
Prognoza ex ante i prognoza ex post to pojęcia stosowane w analizie danych, ekonometrii, badaniach rynku oraz planowaniu sprzedaży. Określają dwa różne momenty pracy z prognozą: tworzenie przewidywania przed wystąpieniem badanego zjawiska oraz późniejszą ocenę tego przewidywania po poznaniu rzeczywistych wyników.
Prognoza ex ante jest prognozą przygotowaną „z góry”, czyli przed zakończeniem okresu, którego dotyczy. Powstaje na podstawie danych historycznych, bieżących obserwacji, założeń modelu i informacji dostępnych w momencie prognozowania. Jej celem jest oszacowanie przyszłej wartości zmiennej, na przykład sprzedaży produktu, liczby klientów, udziału marki w rynku, popytu na usługę, poziomu cen lub liczby zapytań ofertowych.
Prognoza ex post odnosi się do retrospektywnej oceny modelu po upływie prognozowanego okresu i po uzyskaniu danych rzeczywistych. W praktyce termin ten bywa używany w dwóch bliskich znaczeniach. Po pierwsze, może odnosić się do oceny ex post, czyli porównania wcześniej przygotowanej prognozy ex ante z faktycznie zaobserwowanym wynikiem. Po drugie, może oznaczać prognozę retrospektywną, wykonaną na danych historycznych tak, jak gdyby model działał w przeszłości bez znajomości późniejszych wartości. To drugie zastosowanie jest podstawą backtestingu.
Kluczowe jest zachowanie perspektywy informacyjnej właściwej dla danego momentu historycznego. W retrospektywnej prognozie ex post nie należy wykorzystywać danych, które w rzeczywistości nie były dostępne w chwili tworzenia prognozy. Takie wykorzystanie przyszłej wiedzy, określane jako przeciek informacji, sztucznie zawyża ocenę jakości modelu.
W kontekście badań rynku prognoza ex ante odpowiada na pytanie: „jakiego wyniku można oczekiwać?”. Ocena ex post odpowiada natomiast na pytanie: „na ile trafne było to oczekiwanie i czy model zasługuje na zaufanie w kolejnych okresach?”. Oba podejścia tworzą zamknięty cykl analityczny: model generuje prognozę, wynik zostaje zaobserwowany, a następnie model jest oceniany i ewentualnie aktualizowany.
Zastosowanie prognozy ex ante i ex post w praktyce
Prognoza ex ante i prognoza ex post są stosowane wszędzie tam, gdzie decyzje operacyjne lub marketingowe wymagają oszacowania przyszłego popytu, zachowań klientów albo wyników rynkowych. Pierwsza wspiera planowanie, druga dostarcza dowodów na jakość zastosowanego modelu i przyjętych założeń.
W badaniach ilościowych prognoza ex ante może wykorzystywać szeregi czasowe, dane sprzedażowe, wyniki badań trackingowych, dane panelowe, wskaźniki ekonomiczne, dane z kanałów cyfrowych lub wyniki ankiet deklaratywnych. Jeżeli dostępne są dane jakościowe, mogą one pomóc zidentyfikować czynniki nieuwzględnione w samych danych liczbowych, takie jak zmiana motywacji zakupowych, bariery użycia produktu czy nowe kryteria wyboru marki.
Typowe zastosowania obejmują między innymi:
- prognozowanie popytu i sprzedaży według kategorii, kanałów dystrybucji lub segmentów klientów,
- szacowanie efektów sezonowości, promocji, zmian cen i dostępności produktu,
- przewidywanie liczby leadów, konwersji, rezygnacji klientów lub odnowień umów,
- ocenę prawdopodobnego rozwoju wskaźników marki, takich jak świadomość, rozważanie zakupu lub deklarowana preferencja,
- prognozowanie ruchu na stronie, liczby zapytań, wykorzystania usługi albo obciążenia kanałów obsługi,
- analizę potencjału rynku na podstawie danych własnych i danych zewnętrznych.
Przykładowo producent dóbr szybkozbywalnych może przygotować prognozę ex ante sprzedaży przed okresem wzmożonego popytu. Po zakończeniu tego okresu ocena ex post pozwala sprawdzić, czy model poprawnie uwzględnił sezonowość, intensywność działań promocyjnych, zmiany dystrybucji oraz aktywność konkurencji. Z kolei firma B2B może prognozować liczbę zapytań ofertowych na podstawie historycznych danych CRM, aktywności marketingowej i cyklu zakupowego, a następnie oceniać odchylenia od wyniku rzeczywistego.
W projektach mixed-methods prognoza ex ante i prognoza ex post mogą być łączone z wywiadami indywidualnymi, badaniami etnograficznymi lub analizą otwartych odpowiedzi. Dane jakościowe nie zastępują pomiaru trafności prognozy, lecz pomagają wyjaśnić jej błędy. Jeżeli model systematycznie zawyża popyt, badanie jakościowe może ujawnić zmianę sposobu podejmowania decyzji, nową barierę zakupową albo wpływ czynnika, którego nie uwzględniono w modelu.
Prognoza ex ante i ex post a powiązane metody
Prognoza ex ante i prognoza ex post są częścią szerszego procesu prognozowania i walidacji modeli. Nie należy utożsamiać ich wyłącznie z konkretną techniką statystyczną. Mogą być realizowane przy użyciu prostych metod ekstrapolacyjnych, modeli szeregów czasowych, modeli regresyjnych, modeli uczenia maszynowego lub modeli opartych na scenariuszach.
Najbliżej powiązanym podejściem jest backtesting, czyli testowanie modelu na historycznych punktach w czasie. W backtestingu dane dzieli się chronologicznie: starsza część służy do zbudowania modelu, a późniejsza do sprawdzenia, jak model poradziłby sobie z prognozowaniem nieznanych jeszcze wartości. Taka procedura symuluje rzeczywiste warunki tworzenia prognozy ex ante.
Warto odróżnić prognozowanie od kilku podobnych pojęć:
- Estymacja polega na oszacowaniu parametrów modelu lub bieżącej wartości zjawiska na podstawie dostępnych danych. Nie musi dotyczyć przyszłości.
- Scenariusz przedstawia możliwy przebieg zdarzeń przy określonych założeniach. Nie jest automatycznie prognozą najbardziej prawdopodobnego wyniku.
- Predykcja klasyfikacyjna przewiduje przynależność do kategorii, na przykład ryzyko odejścia klienta. Może mieć charakter prognozy, jeżeli dotyczy przyszłego stanu lub zdarzenia.
- Monitoring i tracking dostarczają regularnych pomiarów. Same w sobie nie tworzą prognozy, ale stanowią wartościowe źródło danych do jej budowy i późniejszej weryfikacji.
Ważnym narzędziem oceny jest błąd prognozy, czyli różnica między wartością prognozowaną a wartością rzeczywistą. Jedną z popularnych miar jest MAPE, czyli średni bezwzględny błąd procentowy. MAPE pokazuje przeciętną skalę błędu wyrażoną względem wartości rzeczywistej, dzięki czemu ułatwia porównywanie trafności prognoz pomiędzy seriami o różnej skali.
MAPE ma jednak ograniczenia. Nie jest właściwą miarą, gdy wartości rzeczywiste są równe zero lub bardzo bliskie zeru, ponieważ wtedy błąd procentowy staje się nieokreślony albo nadmiernie wysoki. W takich sytuacjach stosuje się również miary oparte na błędzie bezwzględnym, błędzie kwadratowym lub miary symetryczne. Wybór miary powinien odpowiadać charakterowi danych i kosztowi błędów prognozy w danym zastosowaniu.
Jak oceniać trafność prognozy ex post?
Ocena prognozy ex post powinna analizować nie tylko pojedynczą różnicę między przewidywaniem a wynikiem rzeczywistym, lecz także powtarzalność błędów w czasie, ich kierunek oraz przyczyny. Model może osiągać pozornie akceptowalny średni błąd, a jednocześnie systematycznie zawyżać lub zaniżać wyniki w ważnych segmentach rynku.
Rzetelna weryfikacja zwykle obejmuje następujące elementy:
- porównanie prognozy ex ante z wartościami faktycznie zaobserwowanymi,
- obliczenie błędów prognozy, w tym MAPE, gdy charakter danych pozwala na jego zastosowanie,
- sprawdzenie, czy błędy są losowe, czy wykazują trwały kierunek,
- analizę trafności osobno dla okresów, segmentów, produktów lub kanałów,
- identyfikację zmian rynkowych, błędnych założeń i brakujących zmiennych,
- aktualizację modelu wyłącznie na podstawie informacji dostępnych w kolejnych momentach prognozowania.
Najważniejsza odpowiedź na pytanie, czym różni się prognoza ex ante od ex post, dotyczy momentu dostępu do informacji. Prognoza ex ante powstaje przed poznaniem wyniku, natomiast prognoza ex post służy do retrospektywnej oceny trafności przewidywania po uzyskaniu danych rzeczywistych. Dzięki temu możliwe jest oddzielenie modelu, który dobrze opisuje przeszłość, od modelu, który zachowuje użyteczność w przewidywaniu przyszłości.