Aby proces prognozowania był jak najbardziej efektywny, czyli żeby dał na wyjściu dobrą prognozę warto stosować pewne zasady, zwane dobrymi praktykami. Mają one szczególne znaczenie podczas prognozowania nie wspartego systemem. Jednak nawet korzystając z systemu warto mieć pewność, że system został oparty na tych zasadach. Najczęściej należy o to zadbać na etapie wdrożenia.
Prognozowanie, czyli przewidywanie przyszłości może być racjonalne lub nieracjonalne. W pierwszym przypadku mamy do czynienia z podejściem zdroworozsądkowym lub naukowym. Systemy prognostyczne wykorzystują cały zbiór metod naukowych pozostawiając jednak użytkownikowi pole do ingerencji, jeśli prognoza wygenerowana przez system nie odpowiada jego oczekiwaniom. Prognozowanie ręczne najczęściej jest kompilacją wiedzy eksperckiej i metod naukowych. Doświadczenie pokazuje, że wykorzystując metody naukowe bez wsparcia systemu, zwłaszcza przy dużej złożoności i wolumenie danych prognozy prawie zawsze wymagają ręcznego dostosowania, czyli urealnienia. Wiedza ekspercka, tzw. czucie rynku, intuicja, ale także dodatkowe informacje są bardzo ważne. W powiązaniu z wiedzą naukową mogą przyczynić się do generowania dobrych prognoz.
Dobrą praktyką jest prognozowanie ilości, a nie wartości opierając się na danych historycznych obejmujących jak najszerszą perspektywę. Szeregi czasowe umożliwiają odkrycie wzorców statystycznych w przeszłości, które są wykorzystywane do prognozowania przyszłości. Nie zawsze jednak dane historyczne są zadowalające. Może się okazać, że dla wybranych asortymentów lub lokalizacji brakuje historii lub są luki w danych. Poza tym dane mogą być zniekształcone przez różne zdarzenia (in plus: promocje, wydarzenia handlowe, in minus: braki w dostępności, awarie, remonty, zamknięcia punktów handlowych). Dlatego kluczowa jest identyfikacja i ocena tzw. wyjątków oraz "oczyszczenie" danych historycznych ze zdarzeń nietypowych, co w praktyce oznacza punktowe dodanie lub odjęcie odpowiedniej ilości. Pozwala to na dobór najlepszej krzywej sprzedażowej. Dobre systemy prognostyczne automatycznie identyfikują wyjątki oczyszczając historię na podstawie zdefiniowanych parametrów (poziom tolerancji, maksymalne progi). Istnieje także możliwość ingerencji ręcznej, zwłaszcza jeśli chodzi o czas przyszły. Na podstawie wprowadzonej ręcznie informacji system proponuje prognozę uwzględniając zdarzenie które nastąpi.
Bardzo ważny z punktu widzenia doboru metody prognozowania, ale także oczyszczenia danych historycznych jest poziom prognozy. Jest on ściśle związany z hierarchią produktową i lokalizacyjną. Z uwagi na to, że dane na najniższym poziomie (produkt/lokalizacja/dzień) są zazwyczaj bardzo nieregularne aby wykryć wyraźny wzorzec prognozy dopuszcza się wykorzystanie wyższych poziomów (agregacja), z których po uzyskaniu prognozy przechodzi się z powrotem na poziomy niższe (dezagregacja). Dobre systemy prognostyczne automatycznie dobierają poziom prognozy, który może być różny dla różnych danych.
Mając oczyszczone dane można dokonać ich analizy identyfikując tzw. krzywe sprzedażowe. Różne dane mają inne charakterystyki. Jeden asortyment może wykazywać wyraźną tendencję rozwojową z wahaniami przypadkowymi, inny w miarę stabilny poziom, a jeszcze inny wahania sezonowe i cykle koniunkturalne. W zależności od charakterystyki danych należy zastosować odpowiednią metodę prognostyczną, biorąc pod uwagę najmniejszy błąd prognozy i najmniejszą możliwą złożoność. Jeśli dane historyczne mają niewielki zasięg i niską jakość można zastosować metody proste, np. wygładzanie wykładnicze i średnią ruchomą. Dla produktów niskorotujących, sprzedających się punktowo można wykorzystać metodę Crostona. Metoda Holta może sprawdzić się w przypadku identyfikacji tendencji rozwojowej (trendu). Dużą dokładnością charakteryzują się metody sezonowe, jednak wymagają dobrej jakości danych z dłuższego horyzontu czasowego. Najlepiej zastosować taką metodę, która da najmniejszy błąd prognozy lub kombinację błędów (MAE, MSE, RMSE, MAPE). Dobry system prognostyczny jest w stanie automatycznie dobrać najwłaściwszą prognozę dla odpowiedniego poziomu, a następnie dokonać wymaganej agregacji i dezagregacji.
Dużym wyzwaniem przy prognozowaniu jest obsługa nowych produktów i lokalizacji. Takie elementy nie mają historii, dlatego punktem wyjścia jest znalezienie podobieństw do produktów i lokalizacji już istniejących (na bazie atrybutów, jak np. cechy użytkowe, cena, marka dla produktów). Prognoza dla nowego produktu powiela prognozę dla istniejącego produktu z odpowiednimi modyfikacjami. Bardzo ważne jest tutaj uwzględnienie cyklu życia produktu, a także efektu kanibalizacji. Część produktów bowiem będzie wycofywana ze sprzedaży. Ich potencjał sprzedażowy może spadać mimo bardzo dobrych wyników w początkowych fazach cyklu. Na ich miejsce wejdą nowości rozpoczynając nowy cykl życia. Jeśli natomiast konkretne produkty są wycofywane nie tyle z uwagi na koniec cyklu życia asortymentu, ale np. z powodu wprowadzania substytutów, to takie substytuty wchodzą w aktualną fazę cyklu życia dotychczasowego produktu. Prognozując na najniższym poziomie produktowym należy zatem uwzględnić wystąpienie tzw. produktów phantomowych.
Kwestią podobną do obsługi wyjątków jest zarządzanie promocjami. Na podstawie dostępnej historii należy zidentyfikować zrealizowane akcje promocyjne lub marketingowe i zaaplikować je do przyszłych, zaplanowanych zdarzeń. Dobry system prognostyczny pozwala uwzględnić wpływ promocji na inne produkty (kanibalizacja, efekt halo).
Prognozowanie powinno być procesem realizowanym w sposób ciągły. Należy dokonywać usprawnień na każdym etapie procesu. Usprawnienia mogą polegać na monitoringu i walidacji oraz zmianie parametrów. Model prognostyczny powinien zapewniać adaptację do aktualnej sytuacji. Jeśli popyt permanentnie przewyższa prognozę, to prognoza powinna być w odpowiednim stopniu dostosowana. Należy zatem reagować na zbyt niską dokładność prognozy, wzrastające błędy prognoz, ale także na zmiany warunków rynkowych (ostatnia sprzedaż) i zmieniające się parametry (np. nowe produkty i lokalizacje).