EN
Objective– Twomethods of predictionwereproposed in the article, usingsales data. Modelswereidentified and estimated, forecastsweredetermined, theirreliability was verified, and thenvaluesobtained for eachmethodwerecompared. Methodology – The article presents models belonging to two different categories. They are regression function, which is a classic example of cause-and-effect model, and ARIMA model for time-series analysis. Results– The results obtained for both models were satisfactorily described by empirical data, but the regression model is much easier to estimate and does not require complex transformations orcalculations, nor the use of specialized software. In the analyzed case, demand forecasting based on the linear regression model is sufficient and reflects the nature of studied phenomenon.
PL
Cel. W artykule, wykorzystując dane dotyczące sprzedaży, zaproponowano dwie metody predykcji.popytu. Dokonano identyfikacji i estymacji modeli, wyznaczono prognozy, sprawdzono ich wiarygodność a następnie porównano wartości otrzymane dla każdej z metod. Metoda. W artykule zaprezentowano modele należące do dwóch różnych kategorii. Funkcję regresji, będącą klasycznym przykładem modelu przyczynowo – skutkowego, oraz służący do analizy szeregów czasowych model ARIMA. Wyniki.Wyznaczone prognozy nie różnią się zdecydowanie między sobą, a przewidywane wartości charakteryzuje niewielki, względny błąd prognozy. Otrzymane wyniki dla obu modeli satysfakcjonująco opisały analizowane dane empiryczne, jednak model regresji jest zdecydowanie łatwiejszy do estymacji i nie wymaga skomplikowanych przekształceń i obliczeń, a także wykorzystania specjalistycznego oprogramowania. W analizowanym przypadku, prognozowanie popytu w oparciu o model regresji liniowej jest wystarczające i oddaje charakter badanego zjawiska.