Przykład: 20 kwiaciarni i „marzec do marca”
Fikcyjna sieć 20 kwiaciarni w galeriach handlowych co miesiąc wysyła zarządowi jedną liczbę: zmianę procentową sprzedaży wobec tego samego miesiąca rok wcześniej. W kwietniu 2025 roku raport mówi: marzec −5.7%. Miesiąc później: kwiecień +10.5%. Zarząd pyta: co się stało w marcu i co naprawiło się w kwietniu?
Odpowiedź: prawie nic, poza kalendarzem. Wielkanoc 2024 wypadła 31 marca, a Wielkanoc 2025 – 20 kwietnia, więc najlepszy tydzień przed świętami „przeszedł” z marca do kwietnia. Dzień Kobiet w 2024 roku był w piątek, w 2025 – w sobotę. Marzec 2024 miał pięć piątków, marzec 2025 – cztery. Takie porównanie rok do roku miesza zmianę w biznesie ze zmianą w kalendarzu.
Dane to dzienna sprzedaż całej sieci (tys. zł) od 1 stycznia 2023 do 31 grudnia 2025 roku – szereg czasowy 1096 dni. Wszystkie 20 sklepów działało przez cały okres. Sieć sama ustaliła dni zamknięte: 1 i 6 stycznia, Niedziela i Poniedziałek Wielkanocny, Boże Ciało, 15 sierpnia, 25–26 grudnia, a od 2025 roku także 24 grudnia. W pozostałe dni sklepy są otwarte, także w niedziele.
Dane są fikcyjne i wiemy, co w nich ukryliśmy. Ręcznie ustaliliśmy: poziom 38 tys. zł w zwykły poniedziałek stycznia 2023, wzrost bazowy 0.04 w skali logarytmu rocznie (czyli +4.1% rok do roku w każdym miesiącu), sezonowość miesięcy, efekty dni tygodnia (piątek +0.25, sobota +0.32, niedziela −0.25 wobec poniedziałku), efekty świąt (np. Walentynki +1.1, Dzień Kobiet +0.9, Wielka Sobota +0.6; dzień prezentowy w weekend −0.4, a piątek przed nim +0.45) i szum dnia z autokorelacją 0.5 (pogoda, ruch w galerii). Ziarno 688 ustalono raz i nie zmieniano. Po pierwszym uruchomieniu nie zmienialiśmy parametrów danych; zmieniliśmy sposób liczenia przedziałów ufności (opis przy rysunku 3) i poprawiliśmy wygląd rysunków. Dane pobierzesz jako rok-do-roku-kwiaciarnie-sprzedaz-dzienna.csv (wiersz = dzień).
Wpis nie powtarza prognozy sprzedaży z sezonowością i świętami: tam celem była przyszłość, tu – uczciwe porównanie przeszłości.
Rysunek 1: dwa kalendarze tego samego miesiąca
Co widać. W 2024 roku cały tydzień przed Wielkanocą – od Niedzieli Palmowej do Wielkiej Soboty – leży w marcu. W 2025 roku leży w kwietniu. Marzec 2025 ma o jeden dzień otwarty więcej (31 wobec 30), bo Wielkanoc 2024 zamknęła sklepy 31 marca. Ma też inny skład tygodnia: 4 piątki zamiast 5 i 5 niedziel zamiast 4. Kwiecień 2025 ma 28 dni otwartych, kwiecień 2024 – 29.
Jak może zmylić. Schemat nie mówi, ile każda różnica kosztuje. Piątek jest dla kwiaciarni dobrym dniem, niedziela słabym, ale „o ile” trzeba oszacować z danych. Do tego służy model (rysunek 3).
Podpis do pracy:
Rysunek 2: luty–maj dzień po dniu
set.seed(688)).Co widać. Zwykły dzień od lutego do maja (bez świąt i dni przed nimi) daje średnio 46.6 tys. zł w 2024 i 48.8 tys. zł w 2025 roku. Szczyty stoją jednak w innych miejscach. Dzień Kobiet w piątek 2024 przyniósł 136.0 tys. zł, a czwartek przed nim 54.1 tys. zł. W 2025 roku sprzedaż rozłożyła się na dwa dni: piątek 7 marca 93.4 i sobotę 8 marca 92.9 tys. zł. Walentynki w piątek 2025 dały 170.4 tys. zł wobec 125.0 tys. zł w środę rok wcześniej. Surowe sumy miesięcy: luty +5.5%, marzec −5.7%, kwiecień +10.5%, maj +10.4%.
Jak może zmylić. Maj 2025 też ma „premię” kalendarza: Dzień Matki w poniedziałek zamiast w niedzielę, a Boże Ciało (30 maja 2024) zamknęło sklepy w maju 2024, a w 2025 roku dopiero w czerwcu. Pojedynczy dzień ma też losowe wahania, które na wykresie wyglądają jak „wydarzenia”.
Podpis do pracy:
Rysunek 3: regresja z efektami kalendarza
Pomysł jest stary: zmienność kalendarzową opisuje się regresją, a resztę – modelem szeregu czasowego (Bell i Hillmer, 1983). Dla każdego otwartego dnia piszemy:
To regresja wieloraka na logarytmie sprzedaży, więc efekty są mnożnikami: exp(b) = 1.29 znaczy „o 29% więcej”. Miesiącrok to 36 osobnych poziomów (od stycznia 2023 do grudnia 2025) – sprzedaż typowego dnia w danym miesiącu po odjęciu kalendarza. Dzień tygodnia i święta to zmienne zero-jedynkowe, a „dzień prezentowy w weekend” to interakcja święta z weekendem. Lovell (1963) porównuje taki model ze zmiennymi zero-jedynkowymi na danych surowych z regresją na danych wcześniej odsezonowanych. Dni zamknięte wchodzą do modelu jako braki danych.
Dlaczego AR(1). Zwykła regresja (lm) dopasowała się dobrze (R² = .910), ale autokorelacja reszt wyniosła .48 dla sąsiednich dni: deszczowy tydzień to kilka słabych dni z rzędu. Najpierw policzyliśmy przedziały z błędami Neweya–Westa (Newey i West, 1987) – w takim ustawieniu prawda wpadła tylko do 19 z 25 przedziałów, bo błędy te źle radzą sobie ze zmiennymi, które są równe 1 przez trzy dni w ciągu trzech lat. Dlatego zmieniliśmy metodę na regresję z błędami AR(1) (arima() z regresorami). Oszacowana autokorelacja błędu to 0.504 (SE = 0.027).
set.seed(688)).Co widać. Ten wykres współczynników pokazuje, że piątek sprzedaje 1.29 razy tyle co poniedziałek, 95% CI [1.26, 1.31], a niedziela 0.78 razy tyle [0.77, 0.79]. Walentynki mnożą sprzedaż przez 3.07 [2.85, 3.29], Dzień Kobiet przez 2.45 [2.27, 2.65], Wielka Sobota przez 1.85 [1.69, 2.03]. Gdy dzień prezentowy wypada w weekend, jego efekt spada (mnożnik 0.68 [0.62, 0.75]), a piątek przed nim rośnie (1.51 [1.40, 1.63]). Prawda leży w 24 z 25 przedziałów (poza nim jest tylko Dzień Babci).
Jak może zmylić. W trzech latach dzień prezentowy wypadł w weekend tylko trzy razy, tak samo trzy razy był piątek przed nim. Efekt „święto w weekend” opiera się więc na trzech dniach i zakłada, że działa tak samo dla każdego święta. Przedziały są poprawne tylko, jeśli model kalendarza jest dobrze zapisany – tu wiemy, że jest, bo sami ukryliśmy te efekty.
Podpis do pracy:
Zdanie do Wyników:
Rysunek 4: surowa, „ten sam dzień tygodnia” i wyrównana zmiana
Teraz trzy sposoby liczenia zmiany rok do roku dla każdego miesiąca 2025 roku. Surowa: suma miesiąca do sumy tego samego miesiąca w 2024. Ten sam dzień tygodnia: każdy dzień porównujemy z dniem sprzed 364 dni (52 tygodni), więc środa ze środą. Wyrównana: różnica efektów miesiąca z modelu, exp(b2025 − b2024) − 1, z przedziałem ufności. Prawda ukryta w danych to +4.1% w każdym miesiącu.
set.seed(688)).Co widać. Surowa zmiana w marcu to −5.7%, w kwietniu +10.5%. Wyrównana: marzec +1.7%, 95% CI [−5.0, 8.8], kwiecień +3.1% [−3.8, 10.5] – obie zgodne ze stałym wzrostem. „Ten sam dzień tygodnia” naprawia skład tygodnia, ale nie Wielkanoc (marzec −2.4%) i psuje święta o stałej dacie: 1 listopada 2025 (sobota, duży dzień) porównuje z 2 listopada 2024 (zwykła sobota), stąd listopad +11.3%. Średni błąd bezwzględny wobec prawdy w 12 miesiącach: surowa 4.5, „ten sam dzień tygodnia” 4.4, wyrównana 2.6 punktu procentowego.
Jak może zmylić. Wyrównana zmiana też ma szum: przedziały pojedynczych miesięcy mają szerokość ok. 14 punktów procentowych, a w styczniu (+10.7% [3.5, 18.5]) prawda wypadła poza przedział – przy 12 przedziałach 95% to nic dziwnego. Pojedynczy miesiąc to mało danych. Cały rok jest stabilniejszy: surowo +4.17%, po wyrównaniu +4.49%, 95% CI [2.39, 6.62] (prawda +4.08%). Zwykła regresja bez AR(1) dałaby błąd standardowy rocznej zmiany 1.68 razy za mały (0.0061 wobec 0.0103).
Podpis do pracy:
Zdanie do Wyników:
Rysunek 5: z czego składa się spadek w marcu
Zarząd chce jednego obrazka: ile z −5.7% to kalendarz. Model pozwala rozłożyć różnicę na części. Włączamy po kolei: liczbę dni otwartych, dzień tygodnia, tydzień przed Wielkanocą i Dzień Kobiet, a na końcu zmianę bazową. To, co zostaje, to szum pojedynczych dni.
set.seed(688)).Co widać. W tym wykresie wodospadowym dodatkowy dzień otwarty dodał +3.3 punktu, skład tygodnia (jeden piątek mniej, niedziela więcej) zabrał −1.8, a przesunięta Wielkanoc −8.1. Dzień Kobiet w sobotę dał 0.0: szczyt nie zniknął, tylko rozlał się na piątek i sobotę. Zmiana bazowa to +1.7, szum −0.9. Razem −5.9 punktu logarytmicznego, czyli −5.7%.
Jak może zmylić. Części liczone są w skali logarytmu i sumują się dokładnie, ale procenty już nie. Kolejność włączania części trochę zmienia ich wielkość (podobnie jak w rozkładzie zmiany przychodu na cenę, ilość i mieszankę w porównaniu sklepów like-for-like). Napisz, w jakiej kolejności liczyłeś.
Podpis do pracy:
Co z tym zrobić w marketingu
- Nie oceniaj kampanii po surowym r/r miesiąca. Spadek o 5.7% w marcu nie był problemem do rozwiązania, a wzrost o 10.5% w kwietniu – sukcesem do nagrodzenia. Nagradzanie za kalendarz działa jak nagradzanie za szczęście, opisane we wpisie o kampanii miesiąca i regresji do średniej.
- Raportuj trzy liczby obok siebie: surową zmianę, zmianę wyrównaną z przedziałem i listę różnic kalendarza („Wielkanoc w kwietniu, Dzień Kobiet w sobotę, jeden piątek mniej”).
- Porównuj sezony świąteczne, nie miesiące. Dla Wielkanocy zestaw „14 dni przed Wielkanocą” z tym samym okresem rok wcześniej – niezależnie od miesiąca.
- Planuj zapasy i obsadę pod kalendarz. Dzień prezentowy w sobotę przesuwa zakupy na piątek (mnożnik 1.51), a w dzień roboczy daje jeden wysoki szczyt.
- Cele roczne stawiaj na wyrównanym wzroście. Rok 2025 urósł o 4.49% [2.39, 6.62] – to uczciwa baza do planu na 2026.
Gdy pytanie brzmi „czy wczorajszy dzień był dziwny?”, użyj karty kontrolnej dla KPI z tym samym modelem dnia tygodnia. Przegląd metod do prac z tej dziedziny znajdziesz w tekście statystyka w pracy z marketingu.
Jak opisać w pracy
W Metodzie opisz dane, zmienne kalendarza (z regułą dla świąt w weekend), postać modelu i sposób liczenia niepewności. W Wynikach podaj surową i wyrównaną zmianę obok siebie.
Model z błędami ARIMA to standard korekt kalendarzowych w statystyce publicznej (Findley i in., 1998) – możesz to zdanie dodać jako uzasadnienie. Szerzej o szeregach i modelach ARIMA pisze wpis szeregi czasowe i ARIMA w praktyce.
Kod R: kalendarz, regresja z błędami AR(1) i zmiana rok do roku
Kod odtwarza wszystkie liczby z tekstu i pięć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw, kalendarz i dane, przepis 3 dopasowuje model, a przepisy 4 i 5 korzystają z jego współczynników. Przepisy 1–5 kończą się nazwą wykresu (p1–p5), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p5, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.
Losuje tylko przepis 1 i zaczyna od set.seed(688); pozostałe przepisy nie losują. Ziarno ustalono raz i nie zmieniano. Ręcznie ustalono (przepis 1): okres 2023–2025, dni zamknięte, daty Wielkanocy i końca roku szkolnego, poziom 38 tys. zł, wzrost 0.04 w skali logarytmu rocznie, efekty miesięcy, dni tygodnia i świąt w obiekcie prawda, autokorelację szumu 0.5 i jego odchylenie 0.07. Po pierwszym uruchomieniu zmieniliśmy w przepisie 3 błędy standardowe Neweya–Westa (opóźnienie 14 dni) na regresję z błędami AR(1), bo pierwsze dawały za wąskie przedziały dla świąt; parametrów danych nie zmienialiśmy. Cały kod liczy się w kilka sekund.
1. Kalendarz, dane i surowe zmiany: Rysunek 1
R
# Rysunek 1. Dwa kalendarze: marzec i kwiecień 2024 oraz 2025 w fikcyjnej sieci 20 kwiaciarni
library(ggplot2)
# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", zolty = "#E69F00", blekit = "#56B4E9",
szary = "#999999", granat = "#0f1d3a")
motyw <- theme_minimal(base_size = 14) +
theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-", "−", x)
# --- Kalendarz 2023–2025 ---------------------------------------------------------------
d <- data.frame(data = seq(as.Date("2023-01-01"), as.Date("2025-12-31"), by = "day"))
d$rok <- as.integer(format(d$data, "%Y"))
d$mies <- as.integer(format(d$data, "%m"))
d$dzien <- as.integer(format(d$data, "%d"))
dni <- c("pn", "wt", "śr", "cz", "pt", "so", "nd")
d$dzien_tyg <- factor(dni[(as.POSIXlt(d$data)$wday + 6) %% 7 + 1], levels = dni) # niezależne od języka systemu
d$okres <- factor(format(d$data, "%Y-%m"))
md <- function(x) format(x, "%m-%d")
wielkanoc <- as.Date(c("2023-04-09", "2024-03-31", "2025-04-20")) # niedziele wielkanocne
koniec_szkoly <- as.Date(c("2023-06-23", "2024-06-21", "2025-06-27")) # ostatni piątek roku szkolnego
od_wlk <- sapply(d$data, function(x) { r <- wielkanoc[format(wielkanoc, "%Y") == format(x, "%Y")]; as.numeric(x - r) })
# Dni zamknięte (reguła sieci): 1 i 6 stycznia, Wielkanoc i Poniedziałek Wielkanocny, Boże Ciało,
# 15 sierpnia, 25–26 grudnia, a od 2025 roku także 24 grudnia
d$zamkniete <- md(d$data) %in% c("01-01", "01-06", "08-15", "12-25", "12-26") | od_wlk %in% c(0, 1, 60) |
(d$rok == 2025 & md(d$data) == "12-24")
# Dni prezentowe: efekt zależy od tego, czy wypadają w dzień roboczy, czy w weekend
weekend <- d$dzien_tyg %in% c("so", "nd")
d$walentynki <- as.integer(md(d$data) == "02-14")
d$dzien_kobiet <- as.integer(md(d$data) == "03-08")
d$dzien_matki <- as.integer(md(d$data) == "05-26")
d$dzien_nauczyciela <- as.integer(md(d$data) == "10-14")
prezent <- d$walentynki + d$dzien_kobiet + d$dzien_matki + d$dzien_nauczyciela
d$prezent_weekend <- as.integer(prezent == 1 & weekend) # dzień prezentowy w sobotę lub niedzielę
d$dzien_przed <- as.integer(c(prezent[-1], 0) == 1) # dzień przed dniem prezentowym
d$piatek_przed <- as.integer(d$dzien_tyg == "pt" & # piątek przed dniem prezentowym w weekend
(c(prezent[-1], 0) == 1 | c(prezent[-(1:2)], 0, 0) == 1))
d$babci <- as.integer(md(d$data) == "01-21"); d$dziadka <- as.integer(md(d$data) == "01-22")
d$niedziela_palmowa <- as.integer(od_wlk == -7)
d$wielki_tydzien <- as.integer(od_wlk %in% -6:-3) # poniedziałek–czwartek przed Wielkanocą
d$wielki_piatek <- as.integer(od_wlk == -2); d$wielka_sobota <- as.integer(od_wlk == -1)
d$koniec_szkoly <- as.integer(d$data %in% koniec_szkoly)
d$zmarli_29 <- as.integer(md(d$data) == "10-29"); d$zmarli_30 <- as.integer(md(d$data) == "10-30")
d$zmarli_31 <- as.integer(md(d$data) == "10-31"); d$zmarli_1 <- as.integer(md(d$data) == "11-01")
d$przed_bn <- as.integer(md(d$data) %in% sprintf("12-%d", 18:23))
# --- Parametry ustawione ręcznie (znamy je tylko dlatego, że dane są fikcyjne) ------------
prawda <- list(
poziom = 38, wzrost = 0.04, # 38 tys. zł dziennie w poniedziałek stycznia 2023; +0.04 log rocznie
miesiac = c(-0.15, -0.05, 0.05, 0.08, 0.12, 0.05, -0.15, -0.15, 0, 0.02, -0.05, 0.10),
dzien_tyg = c(pn = 0, wt = 0.03, śr = 0.06, cz = 0.10, pt = 0.25, so = 0.32, nd = -0.25),
efekty = c(walentynki = 1.1, dzien_kobiet = 0.9, dzien_matki = 1.0, dzien_nauczyciela = 0.5,
prezent_weekend = -0.4, dzien_przed = 0.2, piatek_przed = 0.45, babci = 0.35, dziadka = 0.2,
niedziela_palmowa = 0.3, wielki_tydzien = 0.15, wielki_piatek = 0.35, wielka_sobota = 0.6,
koniec_szkoly = 0.5, zmarli_29 = 0.4, zmarli_30 = 0.7, zmarli_31 = 0.9, zmarli_1 = 0.5, przed_bn = 0.25),
ar = 0.5, sd_szumu = 0.07) # szum dnia (pogoda, ruch w galerii) z autokorelacją AR(1)
set.seed(688) # ziarno ustalone raz, bez dobierania pod wynik
t_lata <- as.numeric(d$data - as.Date("2023-01-01")) / 365.25
szum <- as.numeric(arima.sim(list(ar = prawda$ar), n = nrow(d), sd = prawda$sd_szumu))
X <- as.matrix(d[names(prawda$efekty)])
log_y <- log(prawda$poziom) + prawda$wzrost * t_lata + prawda$miesiac[d$mies] +
prawda$dzien_tyg[as.character(d$dzien_tyg)] + drop(X %*% prawda$efekty) + szum
d$sprzedaz <- ifelse(d$zamkniete, 0, round(exp(log_y), 2)) # tys. zł dziennie, 20 sklepów razem
write.csv(d[c("data", "rok", "mies", "dzien_tyg", "zamkniete", "sprzedaz", names(prawda$efekty))],
"rok-do-roku-kwiaciarnie-sprzedaz-dzienna.csv", row.names = FALSE)
# Sprzedaż w marcu i kwietniu: zmiana „ten sam miesiąc rok wcześniej”
mc <- aggregate(cbind(sprzedaz, otwarte = !zamkniete) ~ rok + mies, data = d, FUN = sum)
mc <- mc[mc$mies %in% 2:5 & mc$rok >= 2024, ]
mc$sprzedaz <- round(mc$sprzedaz, 1)
print(mc, row.names = FALSE)
for (m in 2:5) cat(month.abb[m], "2025 vs 2024:", round(100 * (mc$sprzedaz[mc$rok == 2025 & mc$mies == m] /
mc$sprzedaz[mc$rok == 2024 & mc$mies == m] - 1), 1), "%\n")
# Ile poszczególnych dni tygodnia (dni otwarte) ma marzec w obu latach?
with(subset(d, mies == 3 & rok >= 2024 & !zamkniete), table(rok, dzien_tyg))
# Na jaki dzień tygodnia wypadają dni prezentowe?
subset(d, (walentynki | dzien_kobiet | dzien_matki | dzien_nauczyciela) == 1, c(data, dzien_tyg))
# --- Rysunek: kalendarz-schemat marca i kwietnia w dwóch latach ----------------------------
k <- subset(d, rok >= 2024 & mies %in% 3:4)
pierwszy <- as.Date(sprintf("%d-%02d-01", k$rok, k$mies))
k$kolumna <- as.integer(k$dzien_tyg)
k$tydzien <- (k$dzien + (as.integer(d$dzien_tyg[match(pierwszy, d$data)]) - 1) - 1) %/% 7 + 1
k$typ <- ifelse(k$zamkniete, "sklepy zamknięte",
ifelse(k$dzien_kobiet == 1, "Dzień Kobiet",
ifelse(k$niedziela_palmowa + k$wielki_tydzien + k$wielki_piatek + k$wielka_sobota > 0, "tydzień przed Wielkanocą",
ifelse(k$dzien_tyg %in% c("pt", "so"), "piątek lub sobota", "pozostałe dni"))))
k$typ <- factor(k$typ, levels = c("pozostałe dni", "piątek lub sobota", "Dzień Kobiet", "tydzień przed Wielkanocą", "sklepy zamknięte"))
k$znak <- ifelse(k$zamkniete, "×", ifelse(k$dzien_kobiet == 1, "DK", ifelse(k$wielka_sobota == 1, "WS",
ifelse(k$niedziela_palmowa == 1, "NP", ""))))
opis <- aggregate(cbind(otwarte = !zamkniete, pt = dzien_tyg == "pt" & !zamkniete, so = dzien_tyg == "so" & !zamkniete,
nd = dzien_tyg == "nd" & !zamkniete) ~ rok + mies, data = k, FUN = sum)
opis$panel <- sprintf("%s %d: %d dni otwartych (pt %d, so %d, nd %d)",
c("Marzec", "Kwiecień")[opis$mies - 2], opis$rok, opis$otwarte, opis$pt, opis$so, opis$nd)
k$panel <- factor(opis$panel[match(paste(k$rok, k$mies), paste(opis$rok, opis$mies))], levels = opis$panel)
print(opis[c("rok", "mies", "otwarte", "pt", "so", "nd")], row.names = FALSE)
wypelnienie <- c("pozostałe dni" = "white", "piątek lub sobota" = "grey85", "Dzień Kobiet" = kol[["zolty"]],
"tydzień przed Wielkanocą" = kol[["blekit"]], "sklepy zamknięte" = kol[["granat"]])
p1 <- ggplot(k, aes(kolumna, tydzien)) +
geom_tile(aes(fill = typ), colour = "grey55", linewidth = 0.4, width = 0.94, height = 0.9) +
geom_text(aes(label = dzien, colour = typ == "sklepy zamknięte"), size = 3.6, nudge_x = -0.25, nudge_y = 0.2) +
geom_text(aes(label = znak, colour = typ == "sklepy zamknięte"), size = 3.9, fontface = "bold", nudge_x = 0.12, nudge_y = -0.12) +
scale_colour_manual(values = c(`FALSE` = "#0f1d3a", `TRUE` = "white"), guide = "none") +
scale_fill_manual(values = wypelnienie, name = NULL, drop = FALSE) +
scale_x_continuous(breaks = 1:7, labels = dni, position = "top", expand = c(0.01, 0.01)) +
scale_y_reverse(expand = c(0.02, 0.02)) +
facet_wrap(~ panel, ncol = 2, scales = "free_x") +
labs(x = NULL, y = NULL, title = "Ten sam miesiąc, inny kalendarz",
subtitle = "DK – Dzień Kobiet, NP – Niedziela Palmowa, WS – Wielka Sobota, × – sklepy zamknięte") +
motyw + theme(panel.grid = element_blank(), axis.text.y = element_blank(),
strip.text = element_text(size = rel(0.82), hjust = 0)) +
guides(fill = guide_legend(nrow = 2, override.aes = list(colour = "grey55")))
p1 # zapis: ggsave("rok-do-roku-kalendarz-dwa-lata.svg", p1, width = 10, height = 6.6)Wynik w R
rok mies sprzedaz otwarte
2024 2 1303.7 29
2025 2 1375.1 28
2024 3 1634.9 30
2025 3 1542.0 31
2024 4 1359.9 29
2025 4 1503.3 28
2024 5 1591.0 30
2025 5 1756.6 31
Feb 2025 vs 2024: 5.5 %
Mar 2025 vs 2024: -5.7 %
Apr 2025 vs 2024: 10.5 %
May 2025 vs 2024: 10.4 %
dzien_tyg
rok pn wt śr cz pt so nd
2024 4 4 4 4 5 5 4
2025 5 4 4 4 4 5 5
data dzien_tyg
45 2023-02-14 wt
67 2023-03-08 śr
146 2023-05-26 pt
287 2023-10-14 so
410 2024-02-14 śr
433 2024-03-08 pt
512 2024-05-26 nd
653 2024-10-14 pn
776 2025-02-14 pt
798 2025-03-08 so
877 2025-05-26 pn
1018 2025-10-14 wt
rok mies otwarte pt so nd
2024 3 30 5 5 4
2025 3 31 4 5 5
2024 4 29 4 4 4
2025 4 28 4 4 32. Sprzedaż dzień po dniu: Rysunek 2
R
# Rysunek 2. Dzienna sprzedaż od lutego do maja 2024 i 2025 – gdzie leżą „dziury” i „szczyty” kalendarza
# (korzysta z d, kol, motyw i minus z przepisu 1)
library(ggplot2)
s <- subset(d, rok >= 2024 & mies %in% 2:5)
s$rodzaj <- ifelse(s$zamkniete, "sklepy zamknięte",
ifelse(s$walentynki + s$dzien_kobiet + s$dzien_matki + s$dzien_przed + s$piatek_przed > 0, "dzień prezentowy lub dzień przed",
ifelse(s$niedziela_palmowa + s$wielki_tydzien + s$wielki_piatek + s$wielka_sobota > 0, "tydzień przed Wielkanocą",
"pozostałe dni")))
s$rodzaj <- factor(s$rodzaj, levels = c("pozostałe dni", "dzień prezentowy lub dzień przed", "tydzień przed Wielkanocą", "sklepy zamknięte"))
s$dzien_sezonu <- as.Date(sprintf("2000-%s", format(s$data, "%m-%d"))) # wspólna oś dla obu lat (rok 2000 też przestępny)
# Najwyższe dni i średnia zwykłego dnia (bez świąt i dni przed nimi) w każdym roku
naj <- s[order(-s$sprzedaz), c("data", "dzien_tyg", "sprzedaz", "rodzaj")]
print(head(naj[format(naj$data, "%Y") == "2024", ], 4), row.names = FALSE)
print(head(naj[format(naj$data, "%Y") == "2025", ], 4), row.names = FALSE)
round(tapply(s$sprzedaz[s$rodzaj == "pozostałe dni"], s$rok[s$rodzaj == "pozostałe dni"], mean), 1)
# Dzień Kobiet i dzień przed nim w obu latach
subset(s, mies == 3 & dzien %in% 7:8, c(data, dzien_tyg, sprzedaz))
etyk <- subset(s, walentynki + dzien_kobiet + dzien_matki + wielka_sobota > 0)
etyk$opis <- ifelse(etyk$walentynki == 1, "Walentynki", ifelse(etyk$dzien_kobiet == 1, "Dzień Kobiet",
ifelse(etyk$dzien_matki == 1, "Dzień Matki", "Wielka Sobota")))
etyk$opis <- paste0(etyk$opis, " (", etyk$dzien_tyg, ")")
p2 <- ggplot(s, aes(dzien_sezonu, sprzedaz)) +
geom_col(aes(fill = rodzaj), width = 0.85) +
geom_point(data = subset(s, zamkniete), aes(y = 4), shape = 4, size = 2.6, stroke = 1.1, colour = kol[["granat"]]) +
geom_text(data = etyk, aes(y = sprzedaz + 8, label = opis, hjust = ifelse(mies == 5, 1, 0.5)), size = 3.4, vjust = 0, colour = "#0f1d3a") +
facet_wrap(~ rok, ncol = 1) +
scale_fill_manual(values = c("pozostałe dni" = "grey70", "dzień prezentowy lub dzień przed" = kol[["zolty"]],
"tydzień przed Wielkanocą" = kol[["blekit"]], "sklepy zamknięte" = kol[["granat"]]),
name = NULL, drop = FALSE) +
scale_x_date(breaks = as.Date(c("2000-02-01", "2000-03-01", "2000-04-01", "2000-05-01")),
labels = c("1 lutego", "1 marca", "1 kwietnia", "1 maja"), expand = c(0.005, 0.005)) +
scale_y_continuous(limits = c(0, 200), expand = c(0, 0)) +
labs(x = NULL, y = "Sprzedaż (tys. zł dziennie)", title = "Luty–maj w dwóch latach: te same daty, inne dni",
subtitle = "20 kwiaciarni razem; × – dzień zamknięty") +
motyw + theme(panel.grid.major.x = element_blank()) + guides(fill = guide_legend(nrow = 2))
p2 # zapis: ggsave("rok-do-roku-sprzedaz-dzienna.svg", p2, width = 10, height = 6.2)Wynik w R
data dzien_tyg sprzedaz rodzaj
2024-03-08 pt 135.99 dzień prezentowy lub dzień przed
2024-02-14 śr 124.96 dzień prezentowy lub dzień przed
2024-03-30 so 115.73 tydzień przed Wielkanocą
2024-05-24 pt 90.52 dzień prezentowy lub dzień przed
data dzien_tyg sprzedaz rodzaj
2025-02-14 pt 170.36 dzień prezentowy lub dzień przed
2025-05-26 pn 139.14 dzień prezentowy lub dzień przed
2025-04-19 so 111.23 tydzień przed Wielkanocą
2025-03-07 pt 93.40 dzień prezentowy lub dzień przed
2024 2025
46.6 48.8
data dzien_tyg sprzedaz
432 2024-03-07 cz 54.10
433 2024-03-08 pt 135.99
797 2025-03-07 pt 93.40
798 2025-03-08 so 92.903. Regresja z efektami kalendarza: Rysunek 3
R
# Rysunek 3. Regresja z efektami kalendarza: ile wnosi dzień tygodnia i każde święto (oszacowanie i prawda)
# (korzysta z d, prawda, kol, motyw i minus z przepisu 1)
library(ggplot2)
library(patchwork)
efekty <- names(prawda$efekty)
# Krok 1: zwykła regresja (lm) na dniach otwartych – czy reszty są niezależne?
otw <- subset(d, !zamkniete) # dni zamknięte (sprzedaż 0) nie wchodzą do modelu logarytmów
m_lm <- lm(reformulate(c("okres", "dzien_tyg", efekty), response = "log(sprzedaz)"), data = otw)
c(n_dni = nobs(m_lm), R2 = round(summary(m_lm)$r.squared, 3), sd_reszt = round(sigma(m_lm), 3))
round(acf(resid(m_lm), plot = FALSE)$acf[2:4], 2) # autokorelacja reszt: opóźnienia 1–3 dni
# Krok 2: ta sama regresja z błędami AR(1) – dzień „pamięta” odchylenie poprzedniego (pogoda, ruch)
# okres = miesiąc kalendarzowy (36 poziomów: 2023-01 … 2025-12); dni zamknięte jako braki danych
y <- ifelse(d$zamkniete, NA, log(d$sprzedaz))
X <- cbind(model.matrix(~ 0 + okres, d), model.matrix(~ dzien_tyg, d)[, -1], as.matrix(d[efekty]))
m <- arima(y, order = c(1, 0, 0), xreg = X, include.mean = FALSE, method = "ML")
V <- m$var.coef
round(c(ar1 = coef(m)[["ar1"]], se_ar1 = sqrt(V["ar1", "ar1"]), sd_szumu = sqrt(m$sigma2)), 3)
# Współczynniki kalendarza: mnożnik sprzedaży exp(b) z 95% CI obok prawdy z symulacji
wsp <- c(paste0("dzien_tyg", levels(d$dzien_tyg)[-1]), efekty)
se <- sqrt(diag(V))[wsp]
tab <- data.frame(zmienna = wsp, b = coef(m)[wsp], se = se,
prawda = c(prawda$dzien_tyg[-1], prawda$efekty))
tab$mnoznik <- exp(tab$b); tab$dolna <- exp(tab$b - 1.96 * tab$se); tab$gorna <- exp(tab$b + 1.96 * tab$se)
tab$w_ci <- log(tab$dolna) <= tab$prawda & tab$prawda <= log(tab$gorna)
print(transform(tab[c("zmienna", "mnoznik", "dolna", "gorna", "w_ci")],
mnoznik = round(mnoznik, 2), dolna = round(dolna, 2), gorna = round(gorna, 2)), row.names = FALSE)
c(prawda_w_95_CI = sum(tab$w_ci), wszystkich = nrow(tab))
# Ile razy w 3 latach zdarzył się każdy efekt (liczba dni z wartością 1)
colSums(otw[c("prezent_weekend", "piatek_przed", "dzien_kobiet", "wielka_sobota")])
nazwy <- c(dzien_tygwt = "wtorek", `dzien_tygśr` = "środa", dzien_tygcz = "czwartek", dzien_tygpt = "piątek",
dzien_tygso = "sobota", dzien_tygnd = "niedziela", walentynki = "Walentynki", dzien_kobiet = "Dzień Kobiet",
dzien_matki = "Dzień Matki", dzien_nauczyciela = "Dzień Nauczyciela", prezent_weekend = "…gdy wypada w weekend",
dzien_przed = "dzień przed dniem prezentowym", piatek_przed = "piątek przed weekendowym",
niedziela_palmowa = "Niedziela Palmowa", wielki_tydzien = "Wielki Tydzień (pn–cz)", wielki_piatek = "Wielki Piątek",
wielka_sobota = "Wielka Sobota", koniec_szkoly = "koniec roku szkolnego", zmarli_31 = "31 października")
pokaz <- tab[tab$zmienna %in% names(nazwy), ]
pokaz$etykieta <- factor(nazwy[pokaz$zmienna], levels = rev(nazwy))
pokaz$panel <- ifelse(grepl("^dzien_tyg", pokaz$zmienna), "A. Dzień tygodnia (wobec poniedziałku)", "B. Święta i dni wokół nich")
rys <- function(dd, ttl, przerwy) ggplot(dd, aes(y = etykieta)) +
geom_vline(xintercept = 1, colour = "grey40", linewidth = 0.5) +
geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.3, orientation = "y", colour = kol[["niebieski"]], linewidth = 0.8) +
geom_point(aes(x = mnoznik), shape = 16, size = 2.8, colour = kol[["niebieski"]]) +
geom_point(aes(x = exp(prawda)), shape = 4, size = 2.8, stroke = 1.1, colour = kol[["pomaranczowy"]]) +
scale_x_log10(breaks = przerwy, labels = function(x) paste0("×", x)) +
labs(x = "Mnożnik sprzedaży dnia (skala logarytmiczna)", y = NULL, title = ttl) + motyw
p3 <- rys(subset(pokaz, grepl("^A", panel)), "A. Dzień tygodnia (wobec pn)", c(0.8, 0.9, 1, 1.2, 1.4)) +
rys(subset(pokaz, grepl("^B", panel)), "B. Święta i dni wokół nich", c(0.75, 1, 1.5, 2, 3)) +
plot_layout(widths = c(1, 1.25)) +
plot_annotation(subtitle = "Niebieskie kropki: oszacowanie z 95% CI (regresja z błędami AR(1)); pomarańczowe ×: prawda ukryta w danych",
theme = theme(plot.subtitle = element_text(colour = "grey30")))
p3 # zapis: ggsave("rok-do-roku-efekty-kalendarza.svg", p3, width = 10, height = 6.4)Wynik w R
n_dni R2 sd_reszt
1071.000 0.910 0.082
[1] 0.48 0.20 0.05
ar1 se_ar1 sd_szumu
0.504 0.027 0.069
zmienna mnoznik dolna gorna w_ci
dzien_tygwt 1.02 1.01 1.03 TRUE
dzien_tygśr 1.06 1.04 1.07 TRUE
dzien_tygcz 1.10 1.09 1.12 TRUE
dzien_tygpt 1.29 1.26 1.31 TRUE
dzien_tygso 1.37 1.35 1.39 TRUE
dzien_tygnd 0.78 0.77 0.79 TRUE
walentynki 3.07 2.85 3.29 TRUE
dzien_kobiet 2.45 2.27 2.65 TRUE
dzien_matki 2.87 2.65 3.10 TRUE
dzien_nauczyciela 1.58 1.46 1.70 TRUE
prezent_weekend 0.68 0.62 0.75 TRUE
dzien_przed 1.18 1.13 1.23 TRUE
piatek_przed 1.51 1.40 1.63 TRUE
babci 1.54 1.43 1.66 FALSE
dziadka 1.28 1.18 1.38 TRUE
niedziela_palmowa 1.41 1.30 1.52 TRUE
wielki_tydzien 1.18 1.10 1.27 TRUE
wielki_piatek 1.42 1.29 1.55 TRUE
wielka_sobota 1.85 1.69 2.03 TRUE
koniec_szkoly 1.76 1.64 1.89 TRUE
zmarli_29 1.51 1.39 1.63 TRUE
zmarli_30 1.94 1.78 2.13 TRUE
zmarli_31 2.42 2.21 2.65 TRUE
zmarli_1 1.69 1.56 1.83 TRUE
przed_bn 1.34 1.27 1.41 TRUE
prawda_w_95_CI wszystkich
24 25
prezent_weekend piatek_przed dzien_kobiet wielka_sobota
3 3 3 3 4. Trzy sposoby liczenia zmiany rok do roku: Rysunek 4
R
# Rysunek 4. Zmiana rok do roku w każdym miesiącu 2025: surowa, „ten sam dzień tygodnia” i wyrównana z modelu
# (korzysta z d, prawda, kol, motyw i minus z przepisu 1 oraz m, V i m_lm z przepisu 3)
library(ggplot2)
proc <- function(x) 100 * (x - 1)
rr <- do.call(rbind, lapply(1:12, function(mm) {
dni25 <- d$data[d$rok == 2025 & d$mies == mm]
surowa <- sum(d$sprzedaz[d$data %in% dni25]) / sum(d$sprzedaz[d$rok == 2024 & d$mies == mm])
t364 <- sum(d$sprzedaz[d$data %in% dni25]) / sum(d$sprzedaz[d$data %in% (dni25 - 364)]) # 52 tygodnie wcześniej
L <- setNames(rep(0, length(coef(m))), names(coef(m))) # kontrast: okres 2025-mm minus okres 2024-mm
n25 <- sprintf("okres2025-%02d", mm); n24 <- sprintf("okres2024-%02d", mm)
L[n25] <- 1; L[n24] <- -1
roznica <- sum(L * coef(m)); se <- sqrt(drop(t(L) %*% V %*% L))
t_lata <- as.numeric(dni25 - as.Date("2023-01-01")) / 365.25
t_lata24 <- as.numeric(d$data[d$rok == 2024 & d$mies == mm] - as.Date("2023-01-01")) / 365.25
data.frame(mies = mm, surowa = proc(surowa), t364 = proc(t364), wyrownana = proc(exp(roznica)),
dolna = proc(exp(roznica - 1.96 * se)), gorna = proc(exp(roznica + 1.96 * se)),
prawda = proc(exp(prawda$wzrost * (mean(t_lata) - mean(t_lata24)))))
}))
print(round(rr, 1), row.names = FALSE)
# Cały rok 2025 wobec 2024: surowo i po wyrównaniu (średnia 12 miesięcznych różnic w logarytmach)
L <- setNames(rep(0, length(coef(m))), names(coef(m)))
L[sprintf("okres2025-%02d", 1:12)] <- 1 / 12; L[sprintf("okres2024-%02d", 1:12)] <- -1 / 12
b_rok <- sum(L * coef(m)); se_rok <- sqrt(drop(t(L) %*% V %*% L))
round(c(surowa = proc(sum(d$sprzedaz[d$rok == 2025]) / sum(d$sprzedaz[d$rok == 2024])),
wyrownana = proc(exp(b_rok)), dolna = proc(exp(b_rok - 1.96 * se_rok)), gorna = proc(exp(b_rok + 1.96 * se_rok)),
prawda = proc(exp(prawda$wzrost))), 2)
L_lm <- setNames(rep(0, length(coef(m_lm))), names(coef(m_lm))) # to samo w zwykłej regresji (lm) bez AR(1)
L_lm[sprintf("okres2025-%02d", 1:12)] <- 1 / 12; L_lm[sprintf("okres2024-%02d", 1:12)] <- -1 / 12
se_lm <- sqrt(drop(t(L_lm) %*% vcov(m_lm) %*% L_lm))
round(c(se_AR1 = se_rok, se_lm = se_lm, iloraz = se_rok / se_lm), 4)
# Rozrzut wokół prawdy: średni błąd bezwzględny (pkt proc.) każdej metody w 12 miesiącach
round(sapply(rr[c("surowa", "t364", "wyrownana")], function(x) mean(abs(x - rr$prawda))), 1)
mies_pl <- c("sty", "lut", "mar", "kwi", "maj", "cze", "lip", "sie", "wrz", "paź", "lis", "gru")
dl <- rbind(data.frame(mies = rr$mies, metoda = "surowa (ten sam miesiąc)", wart = rr$surowa, dolna = NA, gorna = NA),
data.frame(mies = rr$mies, metoda = "ten sam dzień tygodnia (−364 dni)", wart = rr$t364, dolna = NA, gorna = NA),
data.frame(mies = rr$mies, metoda = "wyrównana z modelu (95% CI)", wart = rr$wyrownana, dolna = rr$dolna, gorna = rr$gorna))
dl$metoda <- factor(dl$metoda, levels = unique(dl$metoda))
dl$x <- dl$mies + c(-0.22, 0, 0.22)[as.integer(dl$metoda)]
p4 <- ggplot(dl, aes(x, wart, colour = metoda, shape = metoda)) +
geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.4) +
geom_hline(yintercept = mean(rr$prawda), colour = "grey20", linetype = "dashed", linewidth = 0.6) +
annotate("text", x = 0.45, y = mean(rr$prawda) - 1.3, label = sprintf("prawda +%.1f%%", mean(rr$prawda)),
hjust = 0, size = 3.6, colour = "grey20") +
geom_errorbar(aes(ymin = dolna, ymax = gorna), width = 0.18, linewidth = 0.8, na.rm = TRUE, show.legend = FALSE) +
geom_point(size = 3) +
scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["szary"]], kol[["niebieski"]]), name = NULL) +
scale_shape_manual(values = c(17, 15, 16), name = NULL) +
scale_x_continuous(breaks = 1:12, labels = mies_pl) +
scale_y_continuous(labels = function(x) minus(paste0(x, "%"))) +
labs(x = "Miesiąc 2025 roku", y = "Zmiana wobec 2024", title = "Rok do roku: trzy sposoby liczenia",
subtitle = "20 kwiaciarni; prawdziwa zmiana bazowa jest w każdym miesiącu taka sama") +
motyw + theme(panel.grid.minor = element_blank()) + guides(colour = guide_legend(nrow = 2))
p4 # zapis: ggsave("rok-do-roku-trzy-metody.svg", p4, width = 10, height = 5.8)Wynik w R
mies surowa t364 wyrownana dolna gorna prawda
1 13.8 8.6 10.7 3.5 18.5 4.1
2 5.5 7.9 6.2 -0.8 13.7 4.1
3 -5.7 -2.4 1.7 -5.0 8.8 4.1
4 10.5 6.6 3.1 -3.8 10.5 4.1
5 10.4 10.0 5.0 -1.7 12.1 4.1
6 -2.0 -0.5 1.5 -5.0 8.5 4.1
7 3.1 3.1 3.6 -3.0 10.6 4.1
8 -1.4 -1.1 2.1 -4.4 9.1 4.1
9 4.9 3.6 3.4 -3.2 10.6 4.1
10 1.2 -1.8 0.0 -6.4 6.7 4.1
11 6.0 11.3 8.6 1.6 16.1 4.1
12 6.7 9.2 8.5 1.4 16.0 4.1
surowa wyrownana dolna gorna prawda
4.17 4.49 2.39 6.62 4.08
se_AR1 se_lm iloraz
0.0103 0.0061 1.6811
surowa t364 wyrownana
4.5 4.4 2.6 5. Rozkład zmiany w marcu: Rysunek 5
R
# Rysunek 5. Skąd się wziął spadek w marcu: rozkład surowej zmiany r/r na części kalendarza (wykres wodospadowy)
# (korzysta z d, kol, motyw i minus z przepisu 1 oraz m z przepisu 3)
library(ggplot2)
b <- coef(m)
wd <- c(pn = 0, b[paste0("dzien_tyg", levels(d$dzien_tyg)[-1])]); names(wd) <- levels(d$dzien_tyg)
grupy <- list(wielkanoc = c("niedziela_palmowa", "wielki_tydzien", "wielki_piatek", "wielka_sobota"),
dzien_kobiet = c("dzien_kobiet", "prezent_weekend", "dzien_przed", "piatek_przed"))
# Suma „mnożników kalendarza” po dniach otwartych miesiąca przy włączonych kolejnych częściach modelu
suma_kal <- function(rr, mm, czesci) {
x <- subset(d, rok == rr & mies == mm & !zamkniete)
c_d <- if ("dzien_tyg" %in% czesci) wd[as.character(x$dzien_tyg)] else rep(0, nrow(x))
for (g in intersect(names(grupy), czesci)) c_d <- c_d + as.matrix(x[grupy[[g]]]) %*% b[grupy[[g]]]
sum(exp(c_d))
}
kroki <- list(character(), "dzien_tyg", c("dzien_tyg", "wielkanoc"), c("dzien_tyg", "wielkanoc", "dzien_kobiet"))
log_ilorazy <- sapply(kroki, function(cz) log(suma_kal(2025, 3, cz) / suma_kal(2024, 3, cz)))
wklad <- c(dni_otwarte = log_ilorazy[1], dzien_tygodnia = log_ilorazy[2] - log_ilorazy[1],
wielkanoc = log_ilorazy[3] - log_ilorazy[2], dzien_kobiet = log_ilorazy[4] - log_ilorazy[3],
zmiana_bazowa = unname(b["okres2025-03"] - b["okres2024-03"]))
surowa_log <- log(sum(d$sprzedaz[d$rok == 2025 & d$mies == 3]) / sum(d$sprzedaz[d$rok == 2024 & d$mies == 3]))
wklad <- c(wklad, szum_dnia = surowa_log - sum(wklad)) # reszta: losowe odchylenia dni (pogoda itp.)
round(100 * wklad, 1) # punkty logarytmiczne × 100 (≈ %)
round(c(suma_log = 100 * surowa_log, surowa_proc = 100 * (exp(surowa_log) - 1),
bez_kalendarza_proc = 100 * (exp(wklad[["zmiana_bazowa"]]) - 1)), 1)
w <- data.frame(krok = c("dni otwarte\n(Wielkanoc 31.03)", "skład dni\ntygodnia", "tydzień przed\nWielkanocą",
"Dzień Kobiet\nw sobotę", "zmiana\nbazowa", "szum dnia\n(pogoda itp.)"),
wart = 100 * wklad)
w$koniec <- cumsum(w$wart); w$start <- w$koniec - w$wart; w$i <- seq_len(nrow(w))
w$znak <- ifelse(w$wart < 0, "obniża", "podnosi")
calosc <- data.frame(i = nrow(w) + 1, start = 0, koniec = 100 * surowa_log,
krok = "surowa zmiana\nmarzec r/r")
p5 <- ggplot(w) +
geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.4) +
geom_rect(aes(xmin = i - 0.4, xmax = i + 0.4, ymin = start, ymax = koniec, fill = znak)) +
geom_segment(data = w[-nrow(w), ], aes(x = i + 0.4, xend = i + 0.6, y = koniec, yend = koniec), colour = "grey50", linetype = "dotted") +
geom_rect(data = calosc, aes(xmin = i - 0.4, xmax = i + 0.4, ymin = start, ymax = koniec), fill = kol[["granat"]]) +
geom_text(aes(x = i, y = pmax(start, koniec) + 0.5, label = minus(sub("^[+-]0\\.0$", "0.0", sprintf("%+.1f", wart)))), vjust = 0, size = 4, colour = "#0f1d3a") +
geom_text(data = calosc, aes(x = i, y = koniec - 0.5, label = minus(sprintf("%+.1f\n(%+.1f%%)", koniec, 100 * (exp(koniec / 100) - 1)))),
vjust = 1, size = 4, colour = "#0f1d3a", lineheight = 0.9) +
scale_fill_manual(values = c(obniża = kol[["pomaranczowy"]], podnosi = kol[["niebieski"]]), name = NULL) +
scale_x_continuous(breaks = 1:(nrow(w) + 1), labels = c(w$krok, calosc$krok)) +
scale_y_continuous(labels = function(x) minus(format(x)), expand = expansion(mult = c(0.18, 0.1))) +
labs(x = NULL, y = "Wkład (punkty logarytmiczne × 100 ≈ %)", title = "Marzec 2025 wobec marca 2024: z czego składa się spadek",
subtitle = "Kalendarz zabrał więcej, niż dodał wzrost bazowy") +
motyw + theme(panel.grid.major.x = element_blank(), axis.text.x = element_text(size = rel(0.78), lineheight = 0.9))
p5 # zapis: ggsave("rok-do-roku-marzec-wodospad.svg", p5, width = 10, height = 5.8)Wynik w R
dni_otwarte dzien_tygodnia wielkanoc dzien_kobiet zmiana_bazowa
3.3 -1.8 -8.1 0.0 1.7
szum_dnia
-0.9
suma_log surowa_proc bez_kalendarza_proc
-5.9 -5.7 1.7 6. Kontrola palety: symulacja zaburzeń widzenia barw
R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "błękit – żółty" = c("#56B4E9", "#E69F00"),
"szary – pomarańczowy" = c("#999999", "#D55E00"), "granat – błękit" = c("#0f1d3a", "#56B4E9"),
"czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) { # odległość barw w przestrzeni CIELAB (ΔE)
lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
protanopia = roznica(protan(k))))), 1)Wynik w R
widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy 114.6 108.3 91.9
błękit – żółty 113.1 111.4 101.5
szary – pomarańczowy 77.2 62.9 56.0
granat – błękit 62.8 59.6 61.8
czerwony – zielony (do unikania) 121.7 21.1 31.6Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Symulacja szumu (arima.sim()), zwykła regresja (lm()), autokorelacja reszt (acf()) i regresja z błędami AR(1) (arima() z argumentem xreg) – pakiet stats z podstawowej instalacji R. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
Pułapki
- Zmiana liczby sklepów. Gdy w 2025 roku dojdą nowe kwiaciarnie, wzrost całej sieci miesza kalendarz z otwarciami. Najpierw zawęź dane do sklepów porównywalnych (zob. like-for-like i paradoks Simpsona), potem wyrównuj kalendarz.
- Pogoda. Deszczowy tydzień przed Dniem Matki obniży sprzedaż, a model uzna to za szum albo – przy jednym roku – za „słabszy maj”. Jeśli masz dane pogodowe, dodaj je jako zmienną; jeśli nie, pamiętaj o szerokich przedziałach pojedynczych miesięcy.
- Ruchome święta w danych miesięcznych. Liu (1980) pokazuje, że Wielkanoc przechodząca między miesiącami zaburza nawet autokorelację szeregu. Na danych miesięcznych dodaj zmienną „ile dni przedświątecznych wypada w miesiącu”.
- Za mało powtórzeń. Trzy lata to trzy Wielkanoce i jeden Dzień Kobiet w sobotę. Wspólny efekt „święto w weekend” jest założeniem, nie odkryciem.
- Porównanie z dniem sprzed 364 dni. Dobre dla dnia tygodnia, złe dla świąt o stałej dacie (1 listopada, Walentynki) i nadal ślepe na Wielkanoc.
- Niesprawdzony model. Cleveland i Devlin (1982) radzą po korekcie szukać w resztach pozostałych efektów kalendarza. Obejrzyj reszty według dnia tygodnia i wokół każdego święta.
Najczęstsze pytania
Dlaczego porównanie sprzedaży rok do roku w tym samym miesiącu bywa mylące?
Bo ten sam miesiąc w dwóch latach ma inny kalendarz: inną liczbę piątków, sobót i niedziel, inną liczbę dni otwartych i święta w inne dni tygodnia, a Wielkanoc może przejść z marca do kwietnia. W przykładzie kwiaciarni surowy marzec spadł o 5.7%, a po wyrównaniu kalendarza wzrósł o 1.7%. Zawsze sprawdź kalendarz obu lat, zanim zinterpretujesz zmianę.
Jak wyrównać sprzedaż o dzień tygodnia i święta?
Dopasuj regresję logarytmu dziennej sprzedaży z efektem każdego miesiąca kalendarzowego, dniem tygodnia i zmiennymi zero-jedynkowymi dla świąt. Zmiana wyrównana to exp(b2025 − b2024) − 1 dla efektów tego samego miesiąca. Ponieważ dni sąsiednie są podobne, licz przedziały z modelu z błędami AR(1), a nie ze zwykłej regresji (Bell i Hillmer, 1983).
Czy porównanie z tym samym dniem tygodnia sprzed roku wystarczy?
Porównanie z dniem sprzed 364 dni (52 tygodni) usuwa efekt dnia tygodnia, ale nie Wielkanocy i psuje święta o stałej dacie. W przykładzie 1 listopada 2025 porównano ze zwykłą sobotą 2 listopada 2024, więc listopad wyszedł +11.3% zamiast ok. +4%. To dobra szybka kontrola, nie zamiennik modelu.
Jak Wielkanoc wpływa na porównanie marca i kwietnia?
Wielkanoc to święto ruchome: w 2024 roku wypadła 31 marca, w 2025 – 20 kwietnia, więc tydzień przedświątecznych zakupów przeszedł z marca do kwietnia. W przykładzie sam ten efekt obniżył marcową zmianę o 8.1 punktu. Porównuj okresy „X dni przed Wielkanocą”, a w danych miesięcznych dodaj zmienną z liczbą dni przedświątecznych w miesiącu (Liu, 1980).
Co zrobić, gdy Walentynki lub Dzień Kobiet wypadają w weekend?
Uwzględnij to w modelu: dodaj interakcję święta z weekendem i osobny efekt piątku przed świętem weekendowym. W przykładzie dzień prezentowy w weekend sprzedawał 0.68 razy tyle co w dzień roboczy, a piątek przed nim 1.51 razy więcej niż zwykły piątek. Dzień Kobiet w sobotę nie obniżył więc marca – szczyt rozłożył się na dwa dni.
Powiązane hasła
Przeczytaj też
Prognoza sprzedaży: sezonowość, święta i promocje
Sklep z zabawkami, trzy lata dziennych zamówień: STL, ETS i ARIMA z regresorami, MAE i MAPE na teście, przeciek danych i prognoza z przedziałami w R.
Czytaj →PoradnikLike-for-like i paradoks Simpsona
Sklepy przy stacjach paliw: sprzedaż porównywalna, indeksy Laspeyresa i Paaschego, efekt mieszanki i średnia ze średnich – pięć rysunków z kodem R.
Czytaj →PoradnikKampania miesiąca i regresja do średniej
Sieć szkół jazdy i 60 kampanii: wykres lejkowy, spadek zwycięzcy w następnym miesiącu, ściąganie w modelu mieszanym i symulacja – z kodem R.
Czytaj →PoradnikAnomalie w KPI – karta kontrolna
Sklep sportowy i dzienna konwersja: karta p, dzień tygodnia, poprawka Laneya, EWMA, CUSUM i symulacja fałszywych alarmów – pięć rysunków z kodem R.
Czytaj →PoradnikLoteria promocyjna: przyrost czy przesunięcie
Kody w opakowaniach: różnica w różnicach z produktem kontrolnym, spłata po akcji, przyrost netto z CI, krzywa Lorenza kodów i rachunek – z kodem R.
Czytaj →Porównujesz sprzedaż rok do roku w pracy?
Pomożemy zbudować kalendarz świąt i dni handlowych, dopasować regresję z efektami kalendarza, policzyć zmianę wyrównaną z przedziałem i opisać wyniki tak, żebyś umiał(a) je obronić.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- Bell, W. R., & Hillmer, S. C. (1983). Modeling time series with calendar variation. Journal of the American Statistical Association, 78(383), 526–534. https://doi.org/10.1080/01621459.1983.10478005
- Cleveland, W. S., & Devlin, S. J. (1982). Calendar effects in monthly time series: Modeling and adjustment. Journal of the American Statistical Association, 77(379), 520–528. https://doi.org/10.1080/01621459.1982.10477841
- Findley, D. F., Monsell, B. C., Bell, W. R., Otto, M. C., & Chen, B.-C. (1998). New capabilities and methods of the X-12-ARIMA seasonal-adjustment program. Journal of Business & Economic Statistics, 16(2), 127–152. https://doi.org/10.1080/07350015.1998.10524743
- Liu, L.-M. (1980). Note—Analysis of time series with calendar effects. Management Science, 26(1), 106–112. https://doi.org/10.1287/mnsc.26.1.106
- Lovell, M. C. (1963). Seasonal adjustment of economic time series and multiple regression analysis. Journal of the American Statistical Association, 58(304), 993–1010. https://doi.org/10.1080/01621459.1963.10480682
- Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610
Cytowania BibTeX
@article{bell1983modeling, author={Bell, William R. and Hillmer, Steven C.}, title={{Modeling time series with calendar variation}}, journal={Journal of the American Statistical Association}, year={1983}, volume={78}, number={383}, pages={526--534}, doi={10.1080/01621459.1983.10478005}}@article{cleveland1982calendar, author={Cleveland, William S. and Devlin, Susan J.}, title={{Calendar effects in monthly time series: Modeling and adjustment}}, journal={Journal of the American Statistical Association}, year={1982}, volume={77}, number={379}, pages={520--528}, doi={10.1080/01621459.1982.10477841}}@article{findley1998new, author={Findley, David F. and Monsell, Brian C. and Bell, William R. and Otto, Mark C. and Chen, Bor-Chung}, title={{New capabilities and methods of the X-12-ARIMA seasonal-adjustment program}}, journal={Journal of Business \& Economic Statistics}, year={1998}, volume={16}, number={2}, pages={127--152}, doi={10.1080/07350015.1998.10524743}}@article{liu1980analysis, author={Liu, Lon-Mu}, title={{Note—Analysis of time series with calendar effects}}, journal={Management Science}, year={1980}, volume={26}, number={1}, pages={106--112}, doi={10.1287/mnsc.26.1.106}}@article{lovell1963seasonal, author={Lovell, Michael C.}, title={{Seasonal adjustment of economic time series and multiple regression analysis}}, journal={Journal of the American Statistical Association}, year={1963}, volume={58}, number={304}, pages={993--1010}, doi={10.1080/01621459.1963.10480682}}@article{newey1987simple, author={Newey, Whitney K. and West, Kenneth D.}, title={{A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix}}, journal={Econometrica}, year={1987}, volume={55}, number={3}, pages={703--708}, doi={10.2307/1913610}}