Erreurs courantes de prévision des stocks Shopify
Les erreurs récurrentes qui détruisent discrètement les prévisions d'inventaire d'une boutique Shopify – depuis des fenêtres de données obsolètes jusqu'à l'ignorance totale des changements de délais de livraison.
La plupart des erreurs de prévision ne sont pas une mauvaise formule. C'est une bonne formule alimentée par un nombre qui était déjà faux avant le début des calculs. Il s'agit d'une liste de contrôle, pas d'un essai : chaque élément nomme l'erreur et renvoie à l'article qui enseigne la solution réelle.
L’un d’entre eux mérite plus qu’une ligne avant de commencer la liste, car c’est celui que les commerçants vivent à plusieurs reprises sans jamais avoir de nom.
Une rupture de stock ne coûte pas seulement les ventes manquées cette semaine-là. Cela apprend à vos prévisions à s’attendre à moins. Si un SKU se vend et reste en stock pendant trois jours, votre historique des ventes affiche trois jours de demande proche de zéro, non pas parce que les clients ont cessé d'en vouloir, mais parce qu'il n'y avait rien à acheter en rayon. Une prévision construite sur cette histoire considère ces trois jours plats comme réels, commande un peu trop peu le cycle suivant, s'épuise à nouveau un peu plus tôt et se répète. Les chercheurs appellent cela une demande censurée : le relevé des ventes montre ce que vous avez pu vendre, et non ce que les gens voulaient réellement, et une prévision qui traite les deux comme la même chose sous-commandera discrètement et systématiquement les SKU exacts qui continuent à être en rupture de stock.
Une rupture de stock ne coûte pas seulement les ventes de cette semaine : elle apprend à vos prévisions à s'attendre à moins, de façon permanente, jusqu'à ce que quelqu'un l'attrape.
Erreurs de données
- Traiter les jours de rupture de stock comme une faible demande normale.L'historique des ventes d'un SKU en rupture de stock sous-estime la demande réelle, biaisant à la baisse toutes les prévisions futures et rendant la prochaine rupture de stock plus probable, pas moins. Prendre l'habitude d'attraper cela fait partie demesurer si vos prévisions sont réellement exactes.
- En moyenne sur une année complète au lieu d'une fenêtre récente.Une moyenne annuelle obsolète ne vous dit rien sur une vitesse qui a doublé au dernier trimestre. Voir le point de vue du post de réapprovisionnementrecalcul à partir d'une fenêtre récente de 60 à 90 jours.
- Ignorer le nettoyage des valeurs aberrantes avant la prévision.Une seule commande groupée ou en gros laissée dans les données gonfle chaque moyenne construite à partir de celle-ci. Le nettoyage est couvert paren utilisant vos propres données de vente Shopify.
- Appliquer la méthode d'un produit établi à un SKU sans historique.Il n'y a pas de vitesse de moyenne lorsqu'un produit n'a aucune vente antérieure : un ensemble différent de méthodes s'applique. Voirprévoir un tout nouveau produit.
Erreurs de méthode
- Exécuter une moyenne mobile plate sur un produit tendance ou saisonnier.Une moyenne simple ne suppose aucune tendance ; il est en retard sur une véritable évolution à la hausse ou à la baisse et manque complètement les fluctuations saisonnières. Voirquand la moyenne mobile tombe en panne.
- Ne comparez jamais les méthodes avec le modèle de votre propre catalogue.La méthode qui convient à un vendeur régulier est souvent la mauvaise pour un SKU pointu ou saisonnier. Commencez parcomparer les méthodes de prévision.
Erreurs de processus
- Définir les prévisions pour qu'elles correspondent à un objectif de vente plutôt qu'au résultat probable.Une prévision discrètement ajustée pour atteindre un objectif cesse de fonctionner comme un signal d’alerte précoce et conduit à un surstockage par rapport à la réalité. Couvert deaméliorer la précision des prévisions.
- Publication d'un numéro unique sans plage autour.Une prévision ponctuelle sans incertitude déclarée ne fournit aucune base pour dimensionner un stock tampon de sécurité. Voirchoisir votre numéro de stock de sécurité.
- Ne jamais vérifier les prévisions par rapport à ce qui s'est réellement vendu.Une prévision qui n’est jamais comparée aux résultats réels peut se tromper pendant des mois avant que quiconque ne s’en aperçoive. L'habitude qui mérite d'être construite est dansmesure de l'erreur de prévision.
Erreurs liées à des facteurs externes
- Ne pas remarquer que les délais de livraison d'un fournisseur ont discrètement changé.Un point de commande basé sur le délai de 10 jours de l'année dernière est erroné dès qu'il devient 18. Voircomment le délai d'exécution affecte vos prévisions.
- Laisser le pic d'une promotion fausser la base de référence en cours.Une semaine promotionnelle non signalée intégrée dans l'historique normal des ventes surestime la demande « typique » pour chaque semaine future non promotionnelle. Voircomment les promotions affectent les prévisions.
- Il manque complètement un modèle véritablement saisonnier.Une moyenne stable sur une année complète cache une variation qu’un indice saisonnier aurait détectée. Voirprévision des stocks saisonniers.
Une poignée d’entre eux sont des problèmes structurels et non d’effort : une fenêtre de vitesse obsolète, un changement de délai inaperçu, une rupture de stock faussant discrètement la prochaine prévision à la baisse. Le recalcul manuel de chaque SKU, chaque semaine, permet de les détecter en théorie ; en pratique, c'est la tâche qui échappe en premier une fois qu'un catalogue dépasse ce qu'une personne peut avoir en tête.StockCuerecalcule chaque nuit les prévisions de chaque SKU à partir des données de commande en direct, ce qui supprime structurellement plusieurs de ces erreurs au lieu de compter sur quelqu'un qui se souvient de vérifier.
QUEUE DE STOCK
Les fenêtres obsolètes et les changements de délai inaperçus sont faciles à manquer manuellement et difficiles à manquer lorsqu'une prévision se recalcule chaque nuit. StockCue fait cela pour chaque SKU, sur un plan gratuit qui couvre vos 50 premiers.
Installer StockCue sur Shopify →Devmerx
Devmerx est une agence de développement Shopify et WordPress qui aide les marques DTC à créer des magasins plus rapides, des migrations plus propres et des expériences à conversion plus élevée. Basé à Londres, au Royaume-Uni, au service de clients du monde entier.
Voir notre travail