So verbessern Sie die Genauigkeit der Shopify-Bestandsprognose

Eine Prognose, die „falsch“ ist, ist an sich keine nützliche Information. Um wie viel und in welche Richtung abweichen, sind zwei verschiedene Fragen. Die meisten Händler, die sagen, dass ihre Prognosen „nicht funktionieren“, haben nie eine davon tatsächlich gemessen. Die Genauigkeit verbessert sich weniger durch eine bessere Formel als vielmehr durch die Gewohnheit, eine Prognose mit dem zu vergleichen, was tatsächlich passiert ist, und zu lesen, was die Lücke aussagt.

Warum Prognosen abweichen

In den meisten Fällen ist eine Prognose nicht deshalb falsch, weil die Methode fehlerhaft ist, sondern weil sich etwas im Geschäft geändert hat und die Prognose nicht aufgeholt hat. ALieferzeit des Lieferantenleise länger geworden, aFörderungDie Nachfrage stieg an und verschwand, oder ein wirklich saisonales Muster zeigte sich gegenüber einer Prognose, die immer noch den Durchschnitt der Nebensaisonmonate vorsah. Dabei handelt es sich nicht um methodische Fehler: Der Prognose wurde lediglich nicht mitgeteilt, dass sich der Boden verändert hat.

Es gibt eine subtilere Abweichung, die nicht auf ein einzelnes Ereignis zurückzuführen ist: einen Lagerbestand. Wenn ein Produkt zur Neige geht, entsprechen die von Ihnen erfassten Verkäufe nicht der bestehenden Nachfrage, sondern der Nachfrage, die Sie decken konnten, begrenzt auf Null, sobald das Regal geleert wurde. Eine auf dieser Historie basierende Prognose interpretiert den Lagerbestand als „die Nachfrage gesunken“ und nicht als „wir waren ausgegangen“ und bestellt beim nächsten Mal stillschweigend weniger. Bestellen Sie weniger, gehen Sie wieder aus, und die Zahl sinkt weiter – ein dokumentiertes Muster, das manchmal als Spiral-Down-Effekt bezeichnet wird. Wenn die Prognose einer SKU weiterhin zu niedrig ausfällt und der Lagerbestand immer wieder bei Null liegt, prüfen Sie den Fehlbestandsverlauf, bevor Sie die Formel anwenden.

Prognosefehler messen

„Wie weit weg und in welche Richtung“ ist die ganze Idee. Es lohnt sich, die folgenden formalen Begriffe zu kennen, aber die Frage im Klartext ist, was sich tatsächlich an dem ändert, was Sie als Nächstes tun.

Der mittlere absolute Fehler (MAE) ist die durchschnittliche Größe des Fehlers in realen Einheiten:

MAE = Durchschnitt von |Actual − Forecast|

Nehmen wir an, die Prognose für „Zeder und Feige, 250 g“ lag letzte Woche bei 35 Einheiten und tatsächlich wurden 42 verkauft. Der Fehlschlag liegt bei |42 − 35| = 7 Einheiten. Ausgedrückt als Prozentsatz dessen, was tatsächlich verkauft wurde, ist derselbe Fehler der mittlere absolute prozentuale Fehler oder MAPE:

MAPE = Durchschnitt von ( |Actual − Forecast| ÷ Actual ), als Prozentsatz

7 ÷ 42 = 16,7 %. MAPE ist beliebt, weil es skalierungsfrei ist – ein Prozentsatz ermöglicht es Ihnen, eine Kerze mit fünf Einheiten pro Tag mit einer Kerze mit fünfzig Einheiten pro Tag zu vergleichen, ohne dass die größere Zahl automatisch schlechter aussieht. Genau da bricht es auch.

Eine SKU-Prognose bei 2 Einheiten, die 1 verkauft, zeigt einen MAPE von 100 % für diese Woche – |1 − 2| ÷ 1 = 100 % – obwohl es sich bei dem tatsächlichen Fehlschlag nur um eine einzige Einheit handelte. Die meisten kleinen Shopify-Kataloge führen eine lange Liste genau dieser Art von SKUs mit geringem Volumen, was MAPE bei den Produkten, die ein Händler am meisten braucht, am wenigsten vertrauenswürdig macht. Verfolgen Sie MAE oder die reine Stückzahl daneben für alles, was im einstelligen Bereich verkauft wird.

Allein die Größe verfehlt die Richtung. Bias – mittlerer prozentualer Fehler oder MPE – behält das Vorzeichen bei, anstatt den absoluten Wert anzunehmen, sodass eine konsistente Abweichung auftritt, anstatt sich aufzuheben:

Forecast Bias (MPE) = Durchschnitt von ((Prognose − Istwert) ÷ Istwert), mit Vorzeichen

Für dieselbe Woche: (35 − 42) ÷ 42 = −16,7 %. Das negative Vorzeichen bedeutet, dass die Prognose unter den tatsächlichen Verkäufen lag. Eine Woche davon ist Lärm. Eine Reihe von Wochen, die alle negativ ausfallen, ist eine Prognose, die systematisch niedrig ist – ein Muster, das MAE und MAPE für sich genommen nicht erkennen lassen, da keines von beiden die Richtung verfolgt.

Eine verwandte Metrik, das Tracking-Signal, erfasst diese Art von Lauf – eine kumulative Summe der vorzeichenbehafteten Fehler dividiert durch den durchschnittlichen absoluten Fehler, beobachtet auf einen Wert, der stetig von Null weg driftet. Eine häufig verwendete Standardeinstellung geht davon aus, dass etwa ±4 eine Untersuchung wert ist, aber das ist eine Branchenkonvention und kein abgeleiteter statistischer Grenzwert. Die gleiche Vorsicht gilt für MAPE: Es gibt keine universelle „gute“ MAPE-Nummer. Was als angemessen gilt, hängt von der Kategorie, der Volatilität und der von Ihnen prognostizierten Zukunft ab – vergleichen Sie Ihre eigene Zahl mit ihrem eigenen Trend, nicht mit einem geliehenen Schwellenwert.

Prognose vs. tatsächliche Bewertung

Der Fehler einer einzelnen Woche sagt für sich genommen fast nichts aus – jede Prognose geht manchmal daneben, und ein Fehler von fünf Einheiten bei einem Produkt mit fünf Einheiten pro Tag ist eine andere Geschichte als derselbe Fehler bei einem Produkt mit fünfhundert Einheiten pro Tag. Was zählt, ist die Überprüfung: Die Prognose und die Ist-Werte nebeneinander für dieselbe SKU, Zeitraum für Zeitraum, protokollieren und das Muster beobachten, anstatt auf eine einzelne Zahl zu reagieren.

Da lohnt es sich, zwei Dinge zu trennen. Die Fehlergröße gibt Auskunft darüber, wie genau die Prognose in letzter Zeit war. Richtung – Voreingenommenheit, oben – sagt Ihnen, ob es sich um eine systematische Neigung handelt, um ein anderes Problem mit einer anderen Lösung als um einen Fehler, der einfach in beide Richtungen verrauscht ist: Verrauscht, aber zentriert erfordert eine stabilere Eingabe, voreingenommen erfordert eine Korrektur der zugrunde liegenden Annahme.

Wie oft dies ausgeführt wird, hängt davon ab, wie schnell eine falsche Nummer teuer wird. Wer sich schnell bewegt, verschärft schnell eine schlechte Prognose, daher lohnen sich die zehn Minuten pro Woche. Ein Ladenhüter kann monatlich überprüft werden, ohne viel zu verpassen – das Risiko besteht normalerweise in einem langsamen Abdriften und nicht in einem plötzlichen.

Eine Neukalibrierungsgewohnheit aufbauen

Es lohnt sich, eine Prüfung durchzuführen, bevor Sie einer Prognose Komplexität verleihen: Vergleichen Sie sie mit der einfachsten möglichen Basislinie, einer naiven Prognose, die einfach die tatsächlichen Zahlen der letzten Periode wiederholt. Dieser Vergleich hat in der Prognosepraxis einen Namen, „Prognosewertschöpfung“, und die Frage dahinter ist unverblümt: Ist die sorgfältigere Prognose tatsächlich besser als „nur die Zahl der letzten Woche verwenden“ oder ist der zusätzliche Prozess nicht rentabel?

Wenn die obige Überprüfung einen echten, wiederholten Fehler aufdeckt (keine laute Woche, sondern ein Muster), ist die Lösung selten eine andere Formel. Es handelt sich fast immer um eine kurze Liste konkreter Ursachen: ein veraltetes Verkaufsfenster, das einen echten Trend übersehen hat, eine Vorlaufzeit, die sich geändert hat, ohne dass die Eingaben aktualisiert wurden, eine Werbeaktion oder ein Lagerbestand, der die Basislinie stillschweigend verzerrt hat.Die häufigsten Prognosefehler dahinterEs lohnt sich, direkt nachzuschauen und nicht zu raten.

Eine Prognose zu protokollieren, auf die tatsächlichen Ergebnisse zu warten, die Lücke zu berechnen und in einem realen Katalog auf ein Muster zu achten, ist die Art von Gewohnheit, die die erste Woche überlebt und in der dritten Woche verblasst.StockCueBerechnet jede Nacht die Prognosen jeder SKU mit den tatsächlichen Verkäufen neu, sodass der Vergleich automatisch erfolgt und nicht in einer Tabellenkalkulation erfolgt. Beim Wachstum wird die Frage „Warum diese Menge?“ beantwortet. Die Aufschlüsselung zeigt genau, welche Eingaben (Geschwindigkeit, Trend oder Saisonalität) die Zahl verschoben haben, und verwandelt „die Prognose war falsch“ in „die Prognose war aus diesem Grund falsch“.

Häufig gestellte Fragen

Wie messen Sie die Genauigkeit der Bestandsprognose?

Die Prognosegenauigkeit wird gemessen, indem Sie Ihre Prognose mit den tatsächlich verkauften Produkten vergleichen und dann sowohl die Größe als auch die Richtung der Lücke betrachten. Die Größe wird normalerweise als MAE (der durchschnittliche Fehlschlag in Einheiten) oder MAPE (der Fehlschlag als Prozentsatz des tatsächlichen Umsatzes) ausgedrückt; Richtung (ob Sie ständig zu viel oder zu wenig prognostizieren) ist eine separate Frage, die genauso wichtig ist.

Was ist ein vernünftiger Prognosefehler, der für einen kleinen Shopify-Shop zu erwarten ist?

Es gibt keine einzelne „gute“ Prognosefehlerzahl für jeden Shopify-Shop: Sie hängt von der Kategorie, der natürlichen Nachfragevolatilität und dem Prognosehorizont ab, und keine glaubwürdige Quelle legt einen universellen Schwellenwert fest. Verfolgen Sie stattdessen Ihren eigenen Fehler im Laufe der Zeit und nach SKU: Stabil oder verbessernd ist wichtiger als das Überwinden einer externen Messlatte, und ein größer werdender Fehler bei einer SKU ist das Signal zur Untersuchung, nicht die absolute Zahl.

Wie oft sollten Sie eine Prognose mit den tatsächlichen Verkäufen vergleichen?

Wöchentlich für schnelldrehende Produkte, da sich eine schlechte Prognose bei hohem Volumen schnell verstärkt. Bei langsameren Verkäufern reicht die monatliche Abrechnung in der Regel aus, ohne auf den gewöhnlichen wöchentlichen Lärm zu reagieren. In jedem Fall muss es konsequent genug geschehen, dass ein echter Wandel (ein neuer Trend, eine Änderung der Vorlaufzeit, ein Lagerbestand) erkannt wird, bevor er sich monatelang unbemerkt wiederholt.

Den vollständigen Prozess, in den diese Messgewohnheit passt, finden Sie unterDer vollständige Leitfaden zur Bestandsprognose von Shopify.