Comment améliorer la précision des prévisions d'inventaire Shopify

Une prévision « fausse » n’est pas une information utile en soi. De combien et dans quelle direction sont deux questions distinctes. La plupart des commerçants qui affirment que leurs prévisions « ne fonctionnent pas » n’ont jamais réellement mesuré l’un ou l’autre. La précision s'améliore moins grâce à une meilleure formule que grâce à l'habitude de vérifier une prévision par rapport à ce qui s'est réellement passé et de lire ce que dit l'écart.

Pourquoi les prévisions dérivent

La plupart du temps, une prévision n'est pas fausse parce que la méthode est défectueuse : elle est fausse parce que quelque chose dans l'entreprise a changé et que la prévision n'a pas rattrapé son retard. Undélai de livraison du fournisseurtranquillement, je me suis allongé, unpromotionla demande a augmenté et a disparu, ou bien un schéma véritablement saisonnier s'est réaffirmé par rapport à des prévisions faisant toujours la moyenne des mois hors saison. Aucun de ces éléments n’est un échec de méthode : les prévisions n’ont tout simplement pas été informées du changement de terrain.

Il existe une dérive plus subtile, sans aucun événement derrière elle : une rupture de stock. Lorsqu'un produit est épuisé, les ventes que vous enregistrez ne correspondent pas à la demande qui existait : elles sont la demande que vous avez pu satisfaire, plafonnée à zéro au moment où le rayon se vide. Une prévision basée sur cet historique considère la rupture de stock comme une « demande en baisse », et non comme « nous en avons manqué », et commande discrètement moins la prochaine fois. Commandez moins, manquez à nouveau et le nombre continue de baisser – un modèle documenté parfois appelé effet de spirale descendante. Si les prévisions d'un SKU restent faibles et qu'elles continuent également d'atteindre un stock nul, vérifiez l'historique des ruptures de stock avant de toucher à la formule.

Mesurer l’erreur de prévision

"À quelle distance et dans quelle direction" est toute l'idée. Les termes formels ci-dessous valent la peine d'être connus, mais la question en anglais simple est de savoir ce qui change réellement ce que vous faites ensuite.

L'erreur absolue moyenne (MAE) est la taille moyenne de l'échec, en unités réelles :

MAE = moyenne de |Réel − Prévisions|

Supposons que les prévisions de la semaine dernière pour "Cèdre et Figue, 250g" étaient de 35 unités et qu'il en a en réalité vendu 42. Le manque est de |42 − 35| = 7 unités. Exprimé en pourcentage de ce qui a réellement été vendu, ce même échec est l'erreur moyenne absolue en pourcentage, ou MAPE :

MAPE = moyenne de ( |Réel − Prévisions| ÷ Réel ), en pourcentage

7 ÷ 42 = 16,7 %. MAPE est populaire car il est sans échelle : un pourcentage vous permet de comparer une bougie de cinq unités par jour à une bougie de cinquante unités par jour sans que le plus grand nombre ne paraisse automatiquement pire. C'est aussi exactement là que ça casse.

Une prévision SKU à 2 unités qui en vend 1 montre un MAPE de 100 % pour cette semaine — |1 − 2| ÷ 1 = 100 % – même si le véritable échec était une seule unité. La plupart des petits catalogues Shopify contiennent une longue liste de ce type de SKU à faible volume, ce qui rend MAPE le moins fiable pour les produits sur lesquels un commerçant a le plus besoin d'une véritable lecture. Suivez le MAE, ou un nombre d'unités brutes, à côté de tout ce qui se vend à un chiffre.

La taille à elle seule manque de direction. Biais - Pourcentage d'erreur moyen, ou MPE - conserve le signe au lieu de prendre la valeur absolue, de sorte qu'une inclinaison cohérente apparaît au lieu de s'annuler :

Biais de prévision (MPE) = moyenne de ( (Prévision − Réel) ÷ Réel), signé

Pour la même semaine : (35 − 42) ÷ 42 = −16,7 %. Le signe négatif indique que les prévisions sont inférieures aux ventes réelles. Une semaine de cela, c'est du bruit. Une série de semaines toutes négatives est une prévision systématiquement basse – un modèle que MAE et MAPE, à eux seuls, ne vous montreront pas, car ni l'un ni l'autre ne suit la direction.

Une métrique connexe, le signal de suivi, détecte ce type d'exécution : un total cumulé des erreurs signées divisé par l'erreur absolue moyenne, surveillé pour une valeur qui s'éloigne constamment de zéro. Une valeur par défaut couramment utilisée considère qu'environ ±4 mérite d'être étudiée, mais il s'agit d'une convention industrielle et non d'une limite statistique dérivée. La même prudence s'applique au MAPE : il n'existe pas de « bon » numéro MAPE universel. Ce qui est considéré comme raisonnable varie selon la catégorie, la volatilité et l'ampleur de vos prévisions : comparez votre propre chiffre à sa propre tendance, et non à un seuil emprunté.

Examen prévu par rapport à l’examen réel

Une erreur d’une seule semaine ne vous dit presque rien à elle seule – chaque prévision échoue parfois, et un échec de cinq unités sur un produit à cinq unités par jour est une autre histoire que le même échec sur un produit à cinq cents unités par jour. Ce qui compte, c'est l'examen : enregistrer les prévisions et les données réelles côte à côte, pour le même SKU, période après période, et observer la tendance plutôt que de réagir à un seul chiffre.

Deux choses méritent d’être séparées. La taille de l’erreur vous indique la précision récente de la prévision. La direction - biais, ci-dessus - vous indique s'il y a une inclinaison systématique, un problème différent avec une solution différente d'une erreur qui est simplement bruyante dans les deux sens : bruyant mais centré a besoin d'une entrée plus stable, biaisé a besoin que l'hypothèse sous-jacente soit corrigée.

La fréquence d'exécution de cette opération dépend de la rapidité avec laquelle un mauvais numéro coûte cher. Un acteur rapide aggrave rapidement une mauvaise prévision, donc chaque semaine vaut dix minutes. Un vendeur lent peut être vérifié mensuellement sans manquer grand-chose – le risque est généralement une dérive lente et non soudaine.

Construire une habitude de recalibrage

Une vérification mérite d'être effectuée avant d'ajouter de la complexité à une prévision : comparez-la à la référence la plus simple possible, une prévision naïve qui ne fait que répéter le chiffre réel de la période précédente. Cette comparaison porte un nom dans la pratique des prévisions, Forecast Value Added, et la question qui la sous-tend est directe : la prévision la plus prudente est-elle réellement plus efficace que « il suffit d'utiliser le chiffre de la semaine dernière », ou le processus supplémentaire ne gagne-t-il pas sa place ?

Lorsque l’examen ci-dessus révèle un échec réel et répété (pas une semaine bruyante mais une tendance), la solution est rarement une formule différente. Il s'agit presque toujours d'une courte liste de causes concrètes : une fenêtre de vente obsolète qui a raté une tendance réelle, un délai de livraison qui a changé sans que les informations soient mises à jour, une promotion ou une rupture de stock qui a discrètement faussé la base de référence.Les erreurs de prévision courantes derrière celavalent la peine d’être vérifiés directement, plutôt que de deviner.

Enregistrer une prévision, attendre le réel, calculer l'écart et observer une tendance dans un catalogue réel est le genre d'habitude qui survit la première semaine et disparaît à la troisième.StockCuerecalcule chaque soir les prévisions de chaque SKU par rapport aux ventes réelles, de sorte que la comparaison s'effectue automatiquement au lieu de vivre dans une feuille de calcul. Sur la croissance, le « pourquoi cette quantité ? » la répartition montre exactement quelle entrée (vitesse, tendance ou saisonnalité) a fait évoluer le nombre, transformant « la prévision était erronée » en « la prévision était erronée à cause de cela ».

Foire aux questions

Comment mesurer la précision des prévisions de stocks ?

L'exactitude des prévisions est mesurée en comparant ce que vous prévoyez avec ce qui s'est réellement vendu, puis en examinant à la fois la taille et la direction de l'écart. La taille est généralement exprimée en MAE (le manque moyen, en unités) ou MAPE (le manque en pourcentage des ventes réelles) ; la direction (que vos prévisions soient constamment sur ou sous-prévues) est une question distincte qui compte tout autant.

À quelle erreur de prévision raisonnable s’attendre pour une petite boutique Shopify ?

Il n’existe pas de « bon » chiffre d’erreur de prévision pour chaque boutique Shopify : cela dépend de la catégorie, de la volatilité naturelle de la demande et de l’horizon de prévision, et aucune source crédible ne fixe de seuil universel. Suivez plutôt votre propre erreur au fil du temps et par SKU : la stabilité ou l'amélioration compte plus que la suppression d'une barre externe, et une erreur croissante sur un SKU est le signal à enquêter, pas le chiffre absolu.

À quelle fréquence devez-vous comparer une prévision aux ventes réelles ?

Hebdomadaire pour les produits à évolution rapide, car une mauvaise prévision s'accumule rapidement à volume élevé. Une mensualité est généralement suffisante pour les vendeurs plus lents, sans réagir au bruit hebdomadaire ordinaire. Quoi qu’il en soit, cela doit se produire de manière suffisamment cohérente pour qu’un véritable changement (une nouvelle tendance, un changement de délai, une rupture de stock) soit détecté avant de se répéter pendant des mois inaperçu.

Pour le processus complet dans lequel cette habitude de mesure s'inscrit, voirle guide complet de la prévision des stocks Shopify.