Methoden zur Bestandsprognose für Shopify-Händler

Fragen Sie fünf Händler, wie sie den Lagerbestand prognostizieren, und Sie erhalten fünf verschiedene Antworten, von denen die meisten halb richtig sind, je nachdem, an welche SKU der Händler gerade gedacht hat. Eine Kerze, die fünf Einheiten am Tag verkauft und so stabil wie ein Metronom ist, und ein Nischenzubehör, das in einem guten Monat vier Einheiten verkauft und in der übrigen Zeit keine, sind nicht das gleiche Prognoseproblem. Die Methode, die für den einen funktioniert, wird Sie für den anderen aktiv in die Irre führen.

In diesem Beitrag werden die wissenswerten Methoden untersucht, die sich danach richten, wie die Nachfrage einer SKU tatsächlich aussieht. Wenn Sie das zuerst richtig machen, ist die Wahl einer Methode keine bloße Vermutung mehr.

Quantitativ vs. qualitativ

Quantitative Prognosen erstellen eine Zahl aus Ihrer eigenen Verkaufshistorie: eine Formel, die auf reale Daten angewendet wird. Qualitative oder wertende Prognosen ersetzen Erfahrung und Vergleich, wenn nicht genügend historische Daten für die Berechnung vorhanden sind. Dies wird in einem eigenen Abschnitt weiter unten behandelt.

Bevor Sie zwischen quantitativen Methoden wählen, sollten Sie die Klassifizierung kennen, die tatsächlich erklärt, warum eine Methode bei einer SKU gut und bei einer anderen schlecht funktioniert. Eine Klassifizierung der Nachfrageprognose, die Syntetos, Boylan und Kollegen zugeschrieben wird, unterteilt die Nachfrage in vier Muster, basierend auf zwei Dingen: wie regelmäßig eine SKU überhaupt verkauft wird und wie stark die Menge schwankt, wenn dies der Fall ist.

Glatt– wird oft verkauft, jedes Mal in ungefähr der gleichen Menge.

Unberechenbar– wird oft verkauft, aber die Menge schwankt stark.

Intermittierend– wird selten verkauft, aber ungefähr in der gleichen Menge, wenn es verkauft wird.

Klumpig– wird selten verkauft und auch die Menge ist unvorhersehbar.

Das Papier zieht die Grenze zwischen „regelmäßigen“ und „unregelmäßigen“ Verkäufen mit einem durchschnittlichen Abstand von 1,32 Perioden zwischen den Verkäufen, eine Zahl, die direkt aus dem veröffentlichten Cutoff des Papiers entnommen wurde. Ein begleitender Grenzwert von 0,49, der angibt, wie viel Menge variieren darf, bevor die Nachfrage als „hohe Variation“ gilt, wird überall dort wiederholt, wo diese Klassifizierung auftaucht, konnte aber nicht auf den Text des Hauptpapiers selbst zurückgeführt werden. Betrachten Sie es als eine Konvention, nicht als eine feste Linie.

Noch eine Kleinigkeit: Es ist nicht festgelegt, in welche Kategorie eine SKU fällt. Eine SKU, die Tag für Tag unregelmäßig gezählt aussieht, kann Woche für Woche glatt aussehen, einfach weil ein breiterer Bereich weniger Zeiträume ohne Verkäufe aufweist. Bevor Sie entscheiden, dass eine SKU „einfach unvorhersehbar“ ist, prüfen Sie, ob Sie sie auf einer sinnvollen Aggregationsebene betrachten.

Der Rest dieses Beitrags ist um diese Klassifizierung herum organisiert. Zunächst jedochBringen Sie Ihre eigenen Verkaufsdaten in Form. Bei jeder unten aufgeführten Methode wird davon ausgegangen, dass sie bereits vorhanden ist.

Gleitender Durchschnitt

Ein einfacher gleitender Durchschnitt ermittelt aus Ihren letzten N Verkaufsperioden den Durchschnitt; Die nächste Prognose entspricht genau diesem Durchschnitt und das Fenster verschiebt sich um eine Periode nach der anderen. Es handelt sich um die Methode hinter dem „durchschnittlichen Tagesumsatz“ der Nachbestellpunktformel und tatsächlich um das richtige Werkzeug für eine reibungslose Nachfrage: regelmäßiger Verkauf mit geringen Schwankungen ohne wirklichen Trend.

Seine dokumentierte Grenze ist der Trend: Es ist nur dann eine nützliche Schätzung, wenn die zugrunde liegenden Daten keinen haben, und ausdrücklich kein guter Schätzer, wenn ein Trend auftritt. Jeder Punkt im Fenster hat das gleiche Gewicht, auch die veralteten, sodass er bei einer echten Verschiebung nach oben oder unten immer verzögert wird. Eine gewichtete Variante, die den jüngsten Perioden mehr Einfluss verleiht, mildert dies, ohne es zu lösen. Die vollständige Formel und ein ausgearbeitetes Beispiel finden Sie unterUnser tiefer Einblick in den gleitenden Durchschnitt.

Exponentielle Glättung

Die exponentielle Glättung löst das Problem „Veraltete Daten zählen immer noch vollständig“ auf andere Weise: Anstelle einer harten Grenze bei N Perioden erhält jede vergangene Beobachtung eine Gewichtung, die umso abnimmt, je weiter sie zurückliegt.

Nächster geglätteter Wert = α × (letzter tatsächlicher Wert) + (1 − α) × (letzter geglätteter Wert)

Alpha, irgendwo über 0 und bis zu 1, steuert, wie viel Gewicht aktuelle Daten erhalten: höher reagiert schneller, niedriger glättet stärker und behält den Verlauf länger bei. Es gibt kein einziges richtiges Alpha. Die Standardrichtlinie besteht darin, den Wert auszuwählen, der Ihren Prognosefehler auf Ihren eigenen Daten minimiert, typischerweise durch Tests zwischen 0,1 und 0,9, und nicht durch das Kopieren einer Zahl, die in manchen Blogbeiträgen als „Branchenstandard“ bezeichnet wird. Wie ein einfacher gleitender Durchschnitt ist auch die einfache Glättung nicht besonders gut, sobald ein Trend auftritt. Aus diesem Grund gibt es erweiterte Versionen: Die doppelte Glättung fügt einen Trendterm hinzu und die dreifache Glättung („Holt-Winters“) fügt zusätzlich einen saisonalen Term hinzu.

Eine sporadische Nachfrage, seltener Verkauf und eine konstante Menge, wenn dies der Fall ist, machen beide oben genannten Methoden zunichte, da es in den meisten Zeiträumen nichts zu glätten gibt. Dafür wurde Crostons Methode entwickelt: Sie führt zwei geglättete Serien, eine für die Verkaufsgröße und eine für die Lücke zwischen den Verkäufen, und aktualisiert sie nur, wenn etwas tatsächlich verkauft wurde.

Prognoserate = (geglättete Nachfragegröße) ÷ (geglättetes Intervall zwischen Verkäufen)

Sie weist eine eigene dokumentierte Schwäche auf: Untersuchungen zu dieser Methode haben eine durchweg positive Tendenz ergeben, was bedeutet, dass sie zu Überprognosen neigt. Eine häufig vorgeschlagene Korrektur kann genauso leicht in die andere Richtung überkorrigieren, sodass keine der beiden Versionen standardmäßig neutral ist. Es lohnt sich zu wissen, ob einige Ihrer Langsamläufer es verwenden würden, ohne eine bestimmte Zahl zu erwarten, die mit der Voreingenommenheit verknüpft ist, da keine nachvollziehbare Quelle eine solche angibt.

Nachbestellpunktbasierte Prognosen

DieNachordnungspunktformelwird normalerweise nicht unter „Prognose“ abgelegt, funktioniert aber wie eine solche: durchschnittlicher Tagesumsatz, projiziert über die Vorlaufzeit, plus einen Puffer. Das gleiche 250-g-Beispiel aus Cedar & Fig aus diesem Leitfaden (5 Einheiten pro Tag, 12 Tage Vorlaufzeit, 30 Einheiten Sicherheitsbestand) erreicht einen Nachbestellpunkt von 90 Einheiten, und diese 90 sind in Wirklichkeit eine kurzfristige Nachfrageprognose, die den Namen „Triggerpunkt“ trägt.

Er passt gut zu einer gleichmäßigen bis mäßig unregelmäßigen Nachfrage, und zwar aus dem gleichen Grund wie ein gleitender Durchschnitt: Er geht davon aus, dass die aktuelle Geschwindigkeit ein angemessener Ersatz für die Geschwindigkeit der nahen Zukunft ist. Es macht keinen Sinn mehr, wenn eine SKU unregelmäßig oder klumpig ist. „Durchschnittlicher Tagesumsatz“ bedeutet kaum etwas für ein Produkt, das zweimal im Monat in sehr unterschiedlichen Mengen verkauft wird, und ein auf diesem Durchschnitt basierender Nachbestellpunkt löst in beiden Fällen fast zum falschen Zeitpunkt aus.

Urteilende Prognose

Beurteilungsmethoden verwandeln Erfahrung und Vergleich in eine Zahl, wenn es nicht genügend Verkaufshistorie gibt, als dass eine Formel funktionieren könnte: eine wirklich klumpige SKU oder eine ohne Historie. Wissenswertes: Analoge Prognosen (Suche nach einem vorhandenen, ähnlichen Produkt und Verwendung seines frühen Musters als Vorlage), Expertenmeinung und die Delphi-Methode, ein strukturierter Prozess anonymer, mehrstufiger Schätzungen, der darauf abzielt, das Gruppendenken zu reduzieren, das eine einzelne Meinung oder eine offene Diskussion normalerweise hervorruft.

Nichts davon ist neutral. Ermessensschätzungen tragen durch ihre Konstruktion die eigene Voreingenommenheit des Schätzers in sich und basieren auf einer Ausgangszahl oder einer Agenda, die nichts mit dem Produkt zu tun hat. Die Expertenmeinung ist genau dort am schwächsten, wo sie am wichtigsten ist: etwas wirklich Neues, ohne wirklichen Präzedenzfall, aus dem man schlussfolgern könnte. Das konsistenteste Ergebnis der Studie ist, dass die Kombination mehrerer Methoden (eine analoge Schätzung, eine wertende Schätzung und die ersten tatsächlichen Verkaufswochen, sobald sie eintreffen) besser abschneidet als die Verwendung einer einzelnen Methode.

Die schwankende Nachfrage verdient hier eine Erwähnung, da es sich um das Muster handelt, mit dem keine der oben genannten quantitativen Methoden gut umgehen kann: Unregelmäßiges Timing und unvorhersehbare Größe gehören laut der Studie zu den schwierigsten Prognoseproblemen, die es gibt, für die es keine Lösung durch eine einzige Formel gibt. Speziell für ein brandneues Produkt, das noch keine Verkaufshistorie hat,Wir decken diesen Fall vollständig ab: Analogvergleich, frühe Signale und Dimensionierung einer ersten Ordnung unter realer Unsicherheit.

Auswahl nach Kataloggröße

Unter etwa 30 SKUs funktioniert fast alles von Hand. Wählen Sie einen gleitenden Durchschnitt oder die Reorder-Point-Formel für Ihre reibungslosen Verkäufer, beachten Sie, welche SKUs unregelmäßig oder klumpig sind, behandeln Sie diese mit mehr Urteilsvermögen und einem größeren Puffer und führen Sie monatlich eine Neuberechnung durch.

Darüber hinaus besteht die eigentliche Einschränkung nicht darin, welche Formel die „beste“ ist. Es ist so, dass ein echter Katalog niemals ein einziges Nachfragemuster ist. Ein typischer Laden hat eine Handvoll glatter Bestseller, eine breitere Palette unregelmäßiger Mittelklasseprodukte und eine lange Reihe unregelmäßiger und verklumpter SKUs, die kaum oft genug verkauft werden, um einen Durchschnitt zu erzielen. Die Anwendung einer Methode auf alle stellt keine Vereinfachung dar, sondern ist für den Großteil des Katalogs ein Missverhältnis.

Die Neuklassifizierung, zu welchem ​​Muster jede SKU gehört, und die erneute Anwendung der richtigen Formel für jede SKU ist bei ein paar Dutzend SKUs machbar und nach ein paar Hundert, die jeden Monat von Hand durchgeführt werden, wirklich nicht nachhaltig.StockCuefordert Sie nicht auf, eine Methode auszuwählen und sie auf alles anzuwenden. Es mischt ein aktuelles und ein Basisverkaufsfenster pro SKU, fügt Trendsensitivität und saisonale Indizes hinzu und schließt Ausreißer automatisch aus, bei jedem Plan, einschließlich Free. Den gesamten Prozess, in den dies passt, finden Sie in unseremVollständiger Leitfaden zur Bestandsprognose von Shopify.

Häufig gestellte Fragen

Was ist die einfachste Methode zur Bestandsprognose für einen kleinen Shopify-Shop?

Für einen kleinen Katalog beständiger Verkäufer reicht in der Regel ein einfacher gleitender Durchschnitt oder die bestehende Nachbestellpunktformel aus – beide benötigen lediglich einen Durchschnitt der letzten Verkäufe, eine Vorlaufzeit und einen Puffer. Gerade für eine reibungslose Nachfrage sind sie der richtige Ausgangspunkt; Eine SKU, die selten oder in völlig unterschiedlichen Mengen verkauft wird, erfordert einen anderen Ansatz.

Was ist der Unterschied zwischen gleitendem Durchschnitt und exponentieller Glättung?

Ein gleitender Durchschnitt verleiht jeder Periode innerhalb eines festen Fensters das gleiche Gewicht und lässt alles Ältere vollständig fallen. Bei der exponentiellen Glättung bleibt der gesamte Verlauf erhalten, aber sein Einfluss nimmt ab, je weiter er zurückreicht, gesteuert durch eine Glättungskonstante, Alpha. Beide weisen die gleiche Kernbeschränkung auf: Keiner von ihnen kann einen Trend alleine gut bewältigen, weshalb es trend- und saisonbereinigte Varianten der exponentiellen Glättung gibt.

Wann sollte ein Shopify-Shop qualitative Prognosen anstelle einer Formel verwenden?

Wenn nicht genügend Verkaufshistorie vorhanden ist, um daraus eine Formel zu berechnen – ein brandneues Produkt oder eine bestehende SKU, deren Nachfrage wirklich unregelmäßig ist (unregelmäßiges Timing und unvorhersehbare Menge zusammen). Der stärkste Ansatz in dieser Situation besteht darin, mehr als eine Beurteilungsmethode oder eine Beurteilungsschätzung mit frühen realen Verkaufsdaten zu kombinieren, anstatt einer einzigen Meinung zu vertrauen.

Ändert sich die beste Prognosemethode, wenn ein Geschäft wächst?

Bei der richtigen Methode für eine bestimmte SKU geht es in erster Linie um das Nachfragemuster und nicht direkt um die Größe des Ladens – aber in einem größeren Katalog befinden sich mehr SKUs gleichzeitig in jedem Muster, und die manuelle Klassifizierung und Neuberechnung jeder einzelnen SKU wird zur eigentlichen Einschränkung. Das ist weniger ein Problem der „besseren Formel“ als vielmehr ein Problem der Frage „Wer hat Zeit, das jeden Monat zu wiederholen?“.