Todas las guías

inventario21 de agosto de 20266 minutos de lectura

Errores comunes en la previsión de inventario de Shopify

Los errores recurrentes que silenciosamente arruinan el pronóstico de inventario de una tienda Shopify, desde ventanas de datos obsoletas hasta ignorar por completo los cambios en los tiempos de entrega.

La mayoría de los errores de pronóstico no son una mala fórmula. Son una buena fórmula alimentada con un número que ya estaba equivocado antes de que comenzaran las matemáticas. Esta es una lista de verificación, no un ensayo: cada elemento nombra el error y enlaza a la publicación que enseña la solución real.

Uno de estos merece más que una línea antes de que comience la lista, porque es el que los comerciantes viven repetidamente sin siquiera tener un nombre para él.

Un desabastecimiento no solo cuesta las ventas que perdiste esa semana. Le enseña a su pronóstico a esperar menos. Si un SKU se agota y permanece disponible durante tres días, su historial de ventas muestra tres días de demanda casi nula, no porque los clientes dejaron de quererlo, sino porque no había nada en el estante para comprar. Un pronóstico basado en ese historial considera que esos tres días fijos son reales, ordena muy poco en el siguiente ciclo, se agota de nuevo un poco antes y se repite. Los investigadores llaman a esto demanda censurada: el registro de ventas muestra lo que se pudo vender, no lo que la gente realmente quería, y un pronóstico que trata a ambos como la misma cosa silenciosa y sistemáticamente ordenará menos de los SKU exactos que se siguen agotando.

Un desabastecimiento no sólo cuesta las ventas de esta semana: le enseña a su pronóstico a esperar menos, de forma permanente, hasta que alguien se dé cuenta.

Why each stockout produces a smaller restock than the lastA line chart of one SKU’s stock level across three repeated stockout cycles. In each cycle the recorded stock level, drawn as a solid emerald line, depletes in a straight run down to zero, then sits flat on zero for a visible stockout window while there is nothing left to sell. During that flat window a dashed brass line continues below the zero line, representing the demand that still existed but could not be recorded, because a sale needs stock and there was none. When each stockout ends, stock jumps back up at a restock — but each restock lands lower than the one before it, so the highest point of the line drops visibly after every cycle, following the thin dashed line connecting the three restock peaks. This is illustrative of a pattern, not a real dataset, so there are no numbers on either axis. The argument: a forecast built only from recorded sales reads each stockout’s flat, near-zero demand as if it were real, so it orders a little less next time, produces a smaller peak, reaches the next stockout a little sooner, and repeats — the system is learning the wrong lesson from its own failure.Stock level after repeated stockoutssame SKU, three cycles — each restock lands lower than the lastStockoutagainagainRestocksmaller reorderRestocksmaller stilleach restock lands lower than the lastcycle repeatsstock level — what’s on the shelf, and what gets recordeddemand that existed but couldn’t be recorded — nothing was there to sell
Ninguno de los tres reabastecimientos de este gráfico parece incorrecto de forma aislada: cada uno coincide con lo que mostraron los datos de ventas. Los datos en sí ya mentían, un desabastecimiento a la vez.

Errores de datos

  • Tratar los días de desabastecimiento como demanda baja normal.El historial de ventas de un SKU agotado subestima la demanda real, sesgando a la baja todos los pronósticos futuros y haciendo que el próximo desabastecimiento sea más probable, no menos. Desarrollar el hábito de contraer esto pertenece amedir si su pronóstico es realmente preciso.
  • Promediando un año completo en lugar de una ventana reciente.Un promedio anual obsoleto no dice nada sobre una velocidad que se duplicó el último trimestre. Vea la propia opinión de la publicación sobre el punto de reordenrecalcular desde una ventana reciente de 60 a 90 días.
  • Saltarse la limpieza de valores atípicos antes de realizar pronósticos.Un solo pedido al por mayor o al por mayor que queda en los datos infla cada promedio construido a partir de él. La limpieza está cubierta porusando tus propios datos de ventas de Shopify.
  • Aplicar el método de un producto establecido a un SKU sin historial.No hay velocidad para promediar cuando un producto no tiene ventas previas; se aplica un conjunto diferente de métodos. Verpronosticar un producto nuevo.

Errores de método

  • Ejecutar una media móvil plana en un producto de tendencia o de temporada.Un promedio simple no supone ninguna tendencia; va por detrás de un cambio genuino hacia arriba o hacia abajo y pasa por alto por completo las oscilaciones estacionales. Vercuando la media móvil se descompone.
  • Nunca comparar métodos con el patrón de su propio catálogo.El método que se adapta a un vendedor estable suele ser el incorrecto para un SKU puntiagudo o estacional. Empezar concomparando métodos de pronóstico.

Errores de proceso

  • Establecer el pronóstico para que coincida con un objetivo de ventas en lugar del resultado probable.Un pronóstico ajustado silenciosamente para alcanzar un objetivo deja de funcionar como señal de alerta temprana y conduce a un exceso de existencias en contra de la realidad. Cubierto demejorar la precisión del pronóstico.
  • Publicar un solo número sin rango a su alrededor.Un pronóstico puntual sin incertidumbre declarada no proporciona ninguna base para dimensionar un colchón de existencias de seguridad. Verelegir su número de stock de seguridad.
  • Nunca comparar el pronóstico con lo que realmente se vendió.Un pronóstico que nunca se compara con resultados reales puede funcionar mal durante meses antes de que alguien se dé cuenta. El hábito que vale la pena desarrollar está enerror de pronóstico de medición.

Errores de factores externos

  • Sin darse cuenta de que el plazo de entrega de un proveedor cambió silenciosamente.Un punto de reorden construido sobre el plazo de entrega de 10 días del año pasado es incorrecto en el momento en que se convierte en 18. Consultecómo el tiempo de entrega afecta su pronóstico.
  • Dejar que el pico de una promoción distorsione la base actual.Una semana de promoción sin marcar incluida en el historial de ventas normal exagera la demanda "típica" para cada semana futura sin promoción. Vercómo las promociones afectan el pronóstico.
  • Falta por completo un patrón genuinamente estacional.Un promedio plano a lo largo de un año completo oculta una oscilación que un índice estacional habría captado. Verprevisión de inventario estacional.

Algunos de ellos son problemas estructurales, no de esfuerzo: una ventana de velocidad estancada, un cambio inadvertido en el tiempo de entrega, un desabastecimiento que sesga silenciosamente a la baja el próximo pronóstico. Recalcular cada SKU a mano, cada semana, los detecta en teoría; en la práctica, es la tarea que se escapa primero una vez que un catálogo pasa lo que una persona puede tener en la cabeza.StockCuerecalcula el pronóstico de cada SKU todas las noches a partir de datos de pedidos en vivo, lo que elimina varios de estos errores estructuralmente en lugar de depender de que alguien recuerde verificar.

STOCKCUE

Las ventanas obsoletas y los cambios inadvertidos en los plazos de entrega son fáciles de pasar por alto a mano y difíciles de pasar por alto cuando un pronóstico se recalcula todas las noches. StockCue hace eso para cada SKU, en un plan gratuito que cubre tus primeros 50.

Instalar StockCue en Shopify →

Devmerx

Devmerx es una agencia de desarrollo de Shopify y WordPress que ayuda a las marcas de DTC a crear tiendas más rápidas, migraciones más limpias y experiencias de mayor conversión. Con sede en Londres, Reino Unido, presta servicios a clientes de todo el mundo.

Ver nuestro trabajo

¿Necesitas ayuda con tu tienda Shopify?

Devmerx crea y optimiza tiendas Shopify para marcas DTC. Reserve una consulta gratuita de 20 minutos.

Reserve una consulta gratuita