Méthodes de prévision des stocks pour les marchands Shopify

Demandez à cinq commerçants comment ils prévoient leurs stocks et vous obtiendrez cinq réponses différentes, la plupart à moitié justes pour le SKU auquel le commerçant pensait. Une bougie qui vend cinq unités par jour, stable comme un métronome, et un accessoire de niche qui vend quatre unités un bon mois et zéro le reste du temps ne sont pas le même problème de prévision. La méthode qui fonctionne pour l’un vous induira activement en erreur pour l’autre.

Cet article passe en revue les méthodes intéressantes à connaître, organisées autour de la forme que prend réellement la demande d'un SKU. Commencez par bien faire les choses et choisir une méthode ne sera plus une supposition.

Quantitatif vs qualitatif

Les prévisions quantitatives construisent un chiffre à partir de votre propre historique de ventes : une formule appliquée à des données réelles. Les prévisions qualitatives, ou fondées sur le jugement, remplacent l'expérience et la comparaison lorsqu'il n'y a pas suffisamment d'historique à partir duquel calculer, abordées dans sa propre section ci-dessous.

Avant de choisir entre les méthodes quantitatives, il est utile de connaître la classification qui explique réellement pourquoi une méthode fonctionne bien sur un SKU et mal sur un autre. Une classification de prévision de la demande attribuée à Syntetos, Boylan et ses collègues divise la demande en quatre modèles, basés sur deux éléments : la fréquence à laquelle un SKU se vend et l'ampleur des fluctuations de la quantité lorsqu'elle se vend.

Lisse– se vend souvent, à peu près dans la même quantité à chaque fois.

Erratique– se vend souvent, mais la quantité varie énormément.

Intermittent– se vend rarement, mais à peu près la même quantité quand c'est le cas.

Grumeleux– se vend rarement et la quantité est également imprévisible.

Le journal trace la frontière entre les ventes « régulières » et « irrégulières » avec un écart moyen de 1,32 périodes entre les ventes, un chiffre directement tiré du seuil publié par le journal. Un seuil complémentaire de 0,49, indiquant dans quelle mesure la quantité est autorisée à varier avant que la demande ne soit considérée comme une « forte variation », est répété partout où cette classification apparaît, mais il n'a pas pu être retracé jusqu'au texte même du journal principal. Traitez-le comme une convention et non comme une ligne fixe.

Encore un problème : le compartiment dans lequel un SKU tombe n'est pas déterminé. Un SKU qui semble compté de manière intermittente jour après jour peut sembler compté en douceur semaine après semaine, simplement parce qu'un seau plus large a moins de périodes de vente nulle à afficher. Avant de décider qu'un SKU est « tout simplement imprévisible », vérifiez si vous l'examinez à un niveau d'agrégation raisonnable.

Le reste de cet article est organisé autour de cette classification. Mais d’abord,mettez en forme vos propres données de vente. Chaque méthode ci-dessous suppose qu'elle est déjà là.

Moyenne mobile

Une simple moyenne mobile prend vos N dernières périodes de ventes et en fait la moyenne ; la prochaine prévision est juste cette moyenne, et la fenêtre avance d’une période à la fois. C'est la méthode qui se cache derrière la formule de point de commande pour calculer le chiffre des « ventes quotidiennes moyennes », et c'est véritablement l'outil idéal pour une demande fluide : des ventes régulières, à faible variation, sans réelle tendance.

Sa limite documentée est la tendance : ce n'est qu'une estimation utile lorsque les données sous-jacentes n'en ont pas, et explicitement pas un bon estimateur une fois qu'une tendance apparaît. Chaque période dans la fenêtre a le même poids, y compris les périodes périmées, de sorte qu'elle est toujours en retard sur un véritable décalage vers le haut ou vers le bas. Une variante pondérée, donnant plus d’influence aux périodes récentes, adoucit ce problème sans le résoudre. Pour la formule complète et un exemple concret, voirnotre analyse approfondie de la moyenne mobile.

Lissage exponentiel

Le lissage exponentiel résout différemment le problème des « données obsolètes qui comptent toujours pleinement » : au lieu d'une coupure stricte à N périodes, chaque observation passée reçoit un poids qui décroît à mesure qu'elle se situe en arrière.

Valeur lissée suivante = α × (dernière valeur réelle) + (1 − α) × (dernière valeur lissée)

Alpha, quelque part au-dessus de 0 et jusqu'à 1, contrôle le poids des données récentes : plus haut réagit plus rapidement, plus bas lisse plus fort et conserve l'historique plus longtemps. Il n’y a pas un seul alpha correct. La recommandation standard consiste à choisir la valeur qui minimise votre erreur de prévision sur vos propres données, généralement en testant entre 0,1 et 0,9, et non en copiant un nombre que certains articles de blog appellent « norme de l'industrie ». Comme une simple moyenne mobile, le lissage simple n'excelle pas une fois qu'une tendance apparaît, c'est pourquoi des versions étendues existent : le double lissage ajoute un terme de tendance, et le triple lissage ("Holt-Winters") ajoute un terme saisonnier en plus de cela.

Une demande intermittente, des ventes rares, une quantité constante quand c'est le cas, brisent les deux méthodes ci-dessus, car la plupart des périodes n'ont rien à lisser. La méthode de Croston a été conçue pour cela : elle conserve deux séries lissées, une pour la taille des ventes et une pour l'écart entre les ventes, en les mettant à jour uniquement lorsque quelque chose est réellement vendu.

Taux de prévision = (taille de la demande lissée) ÷ (intervalle lissé entre les ventes)

Elle présente elle aussi une faiblesse documentée : les recherches sur la méthode révèlent un biais positif constant, ce qui signifie qu'elle a tendance à surestimer. Une correction couramment proposée peut tout aussi bien surcorriger dans l’autre sens, donc aucune des deux versions n’est neutre par défaut. Il vaut la peine de savoir si quelques-uns de vos acteurs lents l'utiliseraient, sans s'attendre à un numéro spécifique attaché au biais, car aucune source traçable n'en met un.

Prévisions basées sur les points de commande

Leformule de point de commanden'est généralement pas classé sous « prévisions », mais il fonctionne comme une seule : ventes quotidiennes moyennes, projetées sur le délai d'exécution, plus un tampon. Le même exemple de Cedar & Fig, 250 g de ce guide (5 unités par jour, un délai de 12 jours, 30 unités de stock de sécurité) atteint un point de réapprovisionnement de 90 unités, et ce 90 est en réalité une prévision de demande à court terme portant le nom d'un point de déclenchement.

Cela correspond bien à une demande douce à modérément erratique, pour la même raison qu’une moyenne mobile : elle suppose que la vitesse récente est un bon substitut à la vitesse dans un futur proche. Cela n’a plus de sens une fois qu’un SKU est intermittent ou grumeleux. Les « ventes quotidiennes moyennes » ne signifient presque rien pour un produit qui se vend deux fois par mois dans des quantités très différentes, et un point de commande construit sur cette moyenne se déclenche de toute façon au mauvais moment.

Prévision fondée sur le jugement

Les méthodes de jugement transforment l'expérience et la comparaison en un chiffre lorsqu'il n'y a pas suffisamment d'historique de ventes pour qu'une formule puisse fonctionner : un SKU véritablement grumeleux, ou un SKU sans historique du tout. À savoir : la prévision analogique (trouver un produit similaire existant et utiliser son modèle initial comme modèle), l'opinion d'experts et la méthode Delphi, un processus structuré d'estimation anonyme à plusieurs tours conçu pour réduire la pensée de groupe qu'une opinion unique ou une discussion ouverte tend à produire.

Aucun d’entre eux n’est neutre. Les estimations fondées sur un jugement comportent le propre biais de l'estimateur par construction, ancrées sur un chiffre initial ou un programme sans rapport avec le produit. L’opinion des experts est la plus faible là où elle compte le plus : quelque chose de véritablement nouveau, sans véritable précédent sur lequel raisonner. Le résultat le plus cohérent de la recherche est que la combinaison de plusieurs méthodes (une estimation analogique, une estimation fondée sur le jugement et les premières semaines réelles de ventes une fois qu'elles arrivent) est plus efficace si l'on s'appuie sur n'importe laquelle d'entre elles.

La demande forfaitaire mérite d'être mentionnée ici, car c'est un modèle qu'aucune des méthodes quantitatives ci-dessus ne gère bien : un calendrier irrégulier et une taille imprévisible, ensemble, parmi les problèmes de prévision les plus difficiles qui soient, selon la recherche, sans solution de formule unique. Pour un tout nouveau produit en particulier, sans historique de ventes,nous couvrons ce cas dans son intégralité: comparaison analogique, premiers signaux, et dimensionnement d'un premier ordre sous incertitude réelle.

Choisir par taille de catalogue

Sous environ 30 SKU, presque tous les éléments ci-dessus fonctionnent à la main. Choisissez une moyenne mobile ou la formule du point de réapprovisionnement pour vos vendeurs fluides, notez quels SKU sont intermittents ou grumeleux et traitez ceux-ci avec plus de jugement et un tampon plus large, et recalculez mensuellement.

Au-delà de cela, la véritable contrainte n’est pas de savoir quelle formule est « la meilleure ». C'est qu'un véritable catalogue n'est jamais un modèle de demande. Un magasin typique propose une poignée de best-sellers fluides, une gamme plus large de produits de niveau intermédiaire irréguliers et une longue traîne de SKU intermittents et grumeleux qui se vendent à peine assez souvent pour faire la moyenne. Appliquer une seule méthode à tous n’est pas une simplification, c’est une inadéquation pour la majeure partie du catalogue.

Reclasser le modèle auquel appartient chaque SKU et réexécuter la bonne formule pour chacun est gérable avec quelques dizaines de SKU et véritablement non durable au-delà de quelques centaines effectuées à la main chaque mois.StockCuene vous demande pas de choisir une méthode et de l'appliquer à tout. Il combine une fenêtre de vente récente et une fenêtre de vente de référence par SKU, ajoute une sensibilité aux tendances et des indices saisonniers et exclut automatiquement les valeurs aberrantes, sur chaque forfait, y compris Gratuit. Pour le processus complet dans lequel cela s'inscrit, consultez notreguide complet sur la prévision des stocks Shopify.

Foire aux questions

Quelle est la méthode de prévision des stocks la plus simple pour une petite boutique Shopify ?

Pour un petit catalogue de vendeurs stables, une simple moyenne mobile ou la formule de point de commande existante suffit généralement : les deux nécessitent simplement une moyenne des ventes récentes, un délai de livraison et un tampon. Ils constituent en particulier le bon point de départ pour une demande fluide ; un SKU qui se vend rarement ou dans des quantités très différentes nécessite une approche différente.

Quelle est la différence entre la moyenne mobile et le lissage exponentiel ?

Une moyenne mobile donne à chaque période à l’intérieur d’une fenêtre fixe un poids égal et supprime entièrement toute période plus ancienne. Le lissage exponentiel conserve tout l'historique mais laisse son influence décroître au fur et à mesure qu'elle remonte, contrôlée par une constante de lissage, alpha. Les deux partagent la même limite fondamentale : ni l’un ni l’autre ne gère bien une tendance à lui seul, c’est pourquoi il existe des variantes de lissage exponentiel ajustées aux tendances et aux saisons.

Quand une boutique Shopify doit-elle utiliser des prévisions qualitatives au lieu d’une formule ?

Lorsqu'il n'y a pas suffisamment d'historique de ventes pour qu'une formule puisse être calculée : un tout nouveau produit ou un SKU existant dont la demande est véritablement inégale (synchronisation irrégulière et quantité imprévisible ensemble). L’approche la plus efficace dans cette situation consiste à combiner plusieurs méthodes de jugement, ou une estimation fondée sur le jugement avec les premières données de ventes réelles, plutôt que de se fier à une seule opinion.

La meilleure méthode de prévision change-t-elle à mesure que le magasin se développe ?

La bonne méthode pour un SKU donné dépend vraiment de son modèle de demande, et non pas directement de la taille du magasin – mais un catalogue plus important contient plus de SKU dans chaque modèle à la fois, et la classification et le recalcul manuels de chacun deviennent la véritable contrainte. Il s'agit moins d'un problème de "meilleure formule" que de "qui a le temps de refaire ça tous les mois".