Métodos de previsión de inventario para comerciantes de Shopify

Pregunte a cinco comerciantes cómo pronostican el inventario y obtendrá cinco respuestas diferentes, la mayoría de ellas medio correctas para cualquier SKU en el que estuviera pensando el comerciante. Una vela que vende cinco unidades al día, constante como un metrónomo, y un accesorio de nicho que vende cuatro unidades en un buen mes y cero el resto del tiempo no son el mismo problema de pronóstico. El método que funciona para uno le engañará activamente para el otro.

Esta publicación analiza los métodos que vale la pena conocer, organizados en torno a la forma que realmente toma la demanda de un SKU. Hazlo bien primero y elegir un método dejará de ser una suposición.

Cuantitativo versus cualitativo

La previsión cuantitativa construye un número a partir de su propio historial de ventas: una fórmula aplicada a datos reales. Los pronósticos cualitativos o de criterio sustituyen la experiencia y la comparación cuando no hay suficiente historial para calcular, que se trata en su propia sección a continuación.

Antes de elegir entre métodos cuantitativos, vale la pena conocer la clasificación que realmente explica por qué un método funciona bien en un SKU y mal en otro. Una clasificación de previsión de la demanda atribuida a Syntetos, Boylan y sus colegas divide la demanda en cuatro patrones, basándose en dos cosas: la regularidad con la que se vende un SKU y cuánto varía la cantidad cuando lo hace.

Suave— se vende con frecuencia, aproximadamente en la misma cantidad cada vez.

errático— se vende con frecuencia, pero la cantidad varía enormemente.

intermitente— rara vez se vende, pero cuando lo hace aproximadamente la misma cantidad.

grumoso— rara vez se vende y la cantidad también es impredecible.

El artículo traza la línea entre ventas "regulares" e "irregulares" con una brecha promedio de 1,32 períodos entre ventas, una cifra tomada directamente del límite publicado por el propio periódico. Un límite complementario de 0,49, que indica cuánta cantidad se permite variar antes de que la demanda cuente como "alta variación", se repite en todas partes donde aparece esta clasificación, pero no se puede rastrear hasta el propio texto del artículo principal. Trátelo como una convención, no como una línea fija.

Un problema más: no se ha solucionado en qué cubo cae un SKU. Un SKU que parece contado intermitentemente día a día puede parecer fluido contado semana tras semana, simplemente porque un segmento más ancho tiene menos períodos de ventas cero para mostrar. Antes de decidir que un SKU es "simplemente impredecible", verifique si lo está analizando en un nivel sensato de agregación.

El resto de esta publicación está organizada en torno a esa clasificación. Primero, sin embargo,ponga en forma sus propios datos de ventas. Cada método siguiente supone que ya está allí.

media móvil

Una media móvil simple toma los últimos N períodos de ventas y los promedia; el próximo pronóstico es solo ese promedio y la ventana avanza un período a la vez. Es el método detrás de la cifra de "ventas diarias promedio" de la fórmula del punto de reorden, y es realmente la herramienta adecuada para una demanda fluida: ventas regulares, de baja variación y sin una tendencia real.

Su límite documentado es la tendencia: sólo es una estimación útil cuando los datos subyacentes no tienen ninguno, y explícitamente no es un buen estimador una vez que aparece una tendencia. Cada período en la ventana tiene el mismo peso, incluidos los obsoletos, por lo que siempre va por detrás de un cambio genuino hacia arriba o hacia abajo. Una variante ponderada, que da más influencia a los períodos recientes, suaviza esto sin resolverlo. Para obtener la fórmula completa y un ejemplo resuelto, consultenuestra media móvil en profundidad.

Suavizado exponencial

El suavizado exponencial resuelve el problema de que "los datos obsoletos todavía cuentan plenamente" de manera diferente: en lugar de un corte estricto en N períodos, cada observación pasada obtiene un peso que decae cuanto más atrás se ubica.

Siguiente valor suavizado = α × (último valor real) + (1 − α) × (último valor suavizado)

Alfa, en algún lugar por encima de 0 y hasta 1, controla cuánto peso adquieren los datos recientes: el nivel superior reacciona más rápido, el nivel inferior se suaviza con más fuerza y ​​conserva el historial por más tiempo. No existe un único alfa correcto. La guía estándar es elegir cualquier valor que minimice el error de pronóstico en sus propios datos, generalmente probando entre 0,1 y 0,9, no copiando un número que alguna publicación de blog llama "estándar de la industria". Al igual que una media móvil simple, el suavizado simple no destaca una vez que aparece una tendencia, razón por la cual existen versiones extendidas: el suavizado doble agrega un término de tendencia y el suavizado triple ("Holt-Winters") agrega un término estacional además de eso.

La demanda intermitente, rara vez se vende, la cantidad constante cuando lo hace, rompe ambos métodos anteriores, porque la mayoría de los períodos no tienen nada que suavizar. El método de Croston se creó para esto: mantiene dos series suavizadas, una para el tamaño de la venta y otra para la brecha entre ventas, y se actualiza solo cuando algo realmente se vende.

Tasa de pronóstico = (tamaño de la demanda suavizado) ÷ (intervalo suavizado entre ventas)

Tiene su propia debilidad documentada: la investigación sobre el método encuentra un sesgo positivo constante, lo que significa que tiende a sobrepronosticar. Una corrección propuesta comúnmente puede sobrecorregirse fácilmente al revés, por lo que ninguna de las versiones es neutral por defecto. Vale la pena saber si algunos de sus lentos lo usarían, sin esperar un número específico asociado al sesgo, porque ninguna fuente rastreable lo indica.

Previsión basada en puntos de reorden

elfórmula de punto de reordenPor lo general, no se archiva en "pronóstico", pero funciona como tal: ventas diarias promedio, proyectadas a lo largo del tiempo de entrega, más un margen. El mismo ejemplo de Cedar & Fig, 250 g de esa guía (5 unidades por día, un plazo de entrega de 12 días, 30 unidades de stock de seguridad) alcanza un punto de reorden de 90 unidades, y ese 90 es en realidad un pronóstico de demanda a corto plazo que lleva el nombre de un punto de activación.

Se adapta bien a una demanda suave a moderadamente errática, por la misma razón que lo hace un promedio móvil: supone que la velocidad reciente es un buen sustituto de la velocidad futura cercana. Deja de tener sentido una vez que un SKU es intermitente o tiene grumos. Las "ventas diarias promedio" apenas significan nada para un producto que se vende dos veces al mes en cantidades tremendamente diferentes, y un punto de reorden construido sobre ese promedio desencadena cerca del momento equivocado en cualquier caso.

Pronóstico crítico

Los métodos de juicio convierten la experiencia y la comparación en números cuando no hay suficiente historial de ventas para que funcione una fórmula: un SKU genuinamente irregular o uno sin historial alguno. Vale la pena saberlo: pronóstico analógico (encontrar un producto similar existente y usar su patrón inicial como modelo), la opinión de expertos y el método Delphi, un proceso estructurado de estimación anónima y de múltiples rondas diseñado para reducir el pensamiento de grupo que una sola opinión o una discusión abierta tiende a producir.

Ninguno de estos es neutral. Las estimaciones basadas en criterios conllevan el propio sesgo del estimador por construcción, anclándose en un número inicial o una agenda no relacionada con el producto. La opinión de los expertos es más débil exactamente donde más importa: algo genuinamente nuevo, sin ningún precedente real sobre el cual razonar. El hallazgo más consistente de la investigación es que combinar más de un método (una estimación analógica, una estimación crítica y las primeras semanas reales de ventas una vez que llegan) es mejor que recurrir a uno solo.

La demanda desigual merece una mención aquí, ya que es el patrón que ninguno de los métodos cuantitativos anteriores maneja bien: sincronización irregular y tamaño impredecible, juntos, entre los problemas de pronóstico más difíciles que existen, según la investigación, sin una solución de fórmula única. Para un producto nuevo específicamente, sin historial de ventas aún,cubrimos ese caso en su totalidad: comparación analógica, señales tempranas y dimensionamiento de un primer orden en condiciones de incertidumbre real.

Elegir por tamaño de catálogo

Con aproximadamente 30 SKU, casi todo lo anterior funciona a mano. Elija un promedio móvil o la fórmula de puntos de reorden para sus vendedores fluidos, observe qué SKU son intermitentes o irregulares y trátelos con más juicio y un margen más amplio, y vuelva a calcular mensualmente.

Más allá de eso, la verdadera limitación no es qué fórmula es "mejor". Es que un catálogo real nunca es un patrón de demanda. Una tienda típica tiene un puñado de productos más vendidos, una banda más amplia de productos erráticos de nivel medio y una larga cola de SKU intermitentes y grumosos que apenas se venden con la frecuencia suficiente para promediar algo. Aplicar un método a todos ellos no es una simplificación, es un desajuste para la mayor parte del catálogo.

Reclasificar a qué patrón pertenece cada SKU y volver a ejecutar la fórmula correcta para cada uno es manejable con unas pocas docenas de SKU y realmente insostenible más allá de unos cientos hechos a mano cada mes.StockCueno te pide que elijas un método y lo apliques a todo. Combina una ventana de ventas reciente y de referencia por SKU, agrega sensibilidad a las tendencias e índices estacionales además, y excluye los valores atípicos automáticamente, en todos los planes, incluido el gratuito. Para conocer el proceso completo en el que esto encaja, consulte nuestroguía completa para la previsión de inventario de Shopify.

Preguntas frecuentes

¿Cuál es el método de previsión de inventario más sencillo para una pequeña tienda Shopify?

Para un catálogo pequeño de vendedores estables, una media móvil simple o la fórmula de punto de reorden existente suele ser suficiente; ambas sólo necesitan un promedio de ventas recientes, un tiempo de entrega y un margen de seguridad. Son el punto de partida adecuado para una demanda fluida; un SKU que se vende raramente o en cantidades muy diferentes necesita un enfoque diferente.

¿Cuál es la diferencia entre media móvil y suavizado exponencial?

Un promedio móvil le da a cada período dentro de una ventana fija el mismo peso y elimina por completo cualquier período anterior. El suavizado exponencial mantiene toda la historia pero deja que su influencia decaiga a medida que retrocede, controlado por una constante de suavizado, alfa. Ambos comparten la misma limitación fundamental: ninguno maneja bien una tendencia por sí solo, razón por la cual existen variantes de suavizado exponencial ajustadas a la tendencia y a la temporada.

¿Cuándo debería una tienda Shopify utilizar pronósticos cualitativos en lugar de una fórmula?

Cuando no hay suficiente historial de ventas para calcular una fórmula: un producto nuevo o un SKU existente cuya demanda es realmente desigual (cronograma irregular y cantidad impredecible en conjunto). El enfoque más sólido en esa situación es combinar más de un método de juicio, o una estimación con datos iniciales de ventas reales, en lugar de confiar en una sola opinión.

¿Cambia el mejor método de pronóstico a medida que crece una tienda?

El método correcto para un SKU determinado tiene que ver realmente con su patrón de demanda, no directamente con el tamaño de la tienda, pero un catálogo más grande tiene más SKU en cada patrón a la vez, y clasificar y recalcular manualmente cada uno se convierte en la verdadera limitación. Se trata menos de un problema de "mejor fórmula" y más de "quién tiene tiempo para rehacer esto cada mes".