Cara Meningkatkan Akurasi Perkiraan Inventaris Shopify

Perkiraan yang "tidak aktif" bukanlah informasi yang berguna. Berapa banyak, dan ke arah mana, merupakan dua pertanyaan terpisah. Kebanyakan pedagang yang mengatakan perkiraan mereka "tidak berhasil" sebenarnya tidak pernah mengukur keduanya. Akurasi meningkat bukan karena formula yang lebih baik, melainkan karena kebiasaan membandingkan perkiraan dengan apa yang sebenarnya terjadi, dan membaca kesenjangan yang ada.

Mengapa perkiraan melayang

Seringkali ramalan tidak salah karena metodenya rusak: ramalan itu salah karena ada sesuatu dalam bisnis yang berubah dan ramalan itu tidak sesuai. SEBUAHwaktu tunggu pemasokdiam-diam bertambah panjang, apromosipermintaan melonjak dan menghilang, atau pola musiman muncul kembali dibandingkan perkiraan yang masih rata-rata pada bulan-bulan di luar musim. Tak satu pun dari hal-hal tersebut yang merupakan kegagalan metode: hanya saja prakiraan belum diberitahukan bahwa ada perubahan.

Ada penyimpangan yang lebih halus tanpa satu peristiwa pun di baliknya: kehabisan stok. Ketika suatu produk habis, penjualan yang Anda catat bukanlah permintaan yang ada: melainkan permintaan yang dapat Anda penuhi, dibatasi hingga nol pada saat rak dikosongkan. Perkiraan yang dibangun berdasarkan sejarah tersebut membaca kehabisan stok sebagai "permintaan turun", bukan "kita kehabisan", dan secara diam-diam memesan lebih sedikit di waktu berikutnya. Pesan lebih sedikit, habis lagi, dan jumlahnya terus menurun — pola yang terdokumentasi terkadang disebut efek spiral ke bawah. Jika perkiraan SKU tetap rendah dan stoknya juga terus mencapai nol, periksa riwayat kehabisan stok sebelum Anda menyentuh rumusnya.

Mengukur kesalahan perkiraan

"Seberapa jauh, dan ke arah mana" adalah keseluruhan gagasannya. Istilah formal di bawah ini perlu diketahui, namun pertanyaan sederhana dalam bahasa Inggris adalah apa yang sebenarnya mengubah tindakan Anda selanjutnya.

Mean Absolute Error (MAE) adalah ukuran rata-rata kesalahan, dalam satuan nyata:

MAE = rata-rata |Aktual - Prakiraan|

Katakanlah perkiraan minggu lalu untuk "Cedar & Fig, 250g" adalah 35 unit dan sebenarnya terjual 42. Yang meleset adalah |42 − 35| = 7 satuan. Dinyatakan sebagai persentase dari apa yang sebenarnya terjual, kesalahan yang sama adalah Mean Absolute Percentage Error, atau MAPE:

MAPE = rata-rata ( |Actual − Forecast| qian Actual ), sebagai persentase

7 42 = 16,7%. MAPE populer karena bebas skala — persentase memungkinkan Anda membandingkan candle lima unit sehari dengan candle lima puluh unit sehari tanpa angka yang lebih besar secara otomatis terlihat lebih buruk. Di situlah tepatnya kerusakannya.

Perkiraan SKU pada 2 unit yang terjual 1 menunjukkan MAPE 100% untuk minggu itu — |1 − 2| 1 = 100% — meskipun kesalahan sebenarnya adalah satu unit. Sebagian besar katalog Shopify kecil memiliki SKU bervolume rendah seperti ini, yang menjadikan MAPE paling tidak dapat dipercaya pada produk yang paling perlu dibaca oleh pedagang. Lacak MAE, atau jumlah unit mentah, di sampingnya untuk penjualan apa pun dalam satu digit.

Ukurannya saja yang melenceng dari arah. Bias — Mean Percentage Error, atau MPE — mempertahankan tanda tersebut alih-alih mengambil nilai absolut, sehingga lean yang konsisten muncul alih-alih membatalkan:

Bias Perkiraan (MPE) = rata-rata dari ( (Perkiraan − Aktual) ÷ Aktual ), ditandatangani

Untuk minggu yang sama: (35 − 42) − 42 = −16,7%. Tanda negatif menunjukkan bahwa perkiraan tersebut lebih rendah dari apa yang sebenarnya terjual. Satu minggu itu adalah kebisingan. Selama beberapa minggu, semua hasil yang negatif adalah perkiraan yang rendah secara sistematis — pola yang tidak akan ditunjukkan oleh MAE dan MAPE secara terpisah kepada Anda, karena tidak ada yang melacak arah.

Metrik terkait, sinyal pelacakan, menangkap proses semacam itu - total kumulatif kesalahan yang ditandatangani dibagi dengan kesalahan absolut rata-rata, mengamati nilai yang secara konsisten menjauhi nol. Default yang umum digunakan menganggap ±4 layak untuk diselidiki, namun hal tersebut merupakan konvensi industri, bukan batas statistik turunan. Kehati-hatian yang sama berlaku untuk MAPE: tidak ada nomor MAPE yang "baik" secara universal. Apa yang dianggap masuk akal bervariasi berdasarkan kategori, volatilitas, dan seberapa jauh perkiraan Anda ke depan — bandingkan angka Anda dengan trennya sendiri, bukan ambang batas yang dipinjam.

Perkiraan vs. tinjauan aktual

Kesalahan satu minggu hampir tidak memberi tahu Anda apa pun — setiap perkiraan terkadang meleset, dan kesalahan lima unit pada produk lima unit sehari adalah cerita yang berbeda dibandingkan kesalahan yang sama pada produk lima ratus unit sehari. Yang penting adalah peninjauannya: mencatat perkiraan dan aktual secara berdampingan, untuk SKU yang sama, periode demi periode, dan mengamati polanya daripada bereaksi terhadap satu angka pun.

Ada dua hal yang patut dipisahkan di sana. Ukuran kesalahan memberi tahu Anda seberapa tepat perkiraan tersebut baru-baru ini. Arah - bias, di atas - memberi tahu Anda apakah ia memiliki kemiringan yang sistematis, masalah yang berbeda dengan perbaikan yang berbeda dari kesalahan yang hanya menimbulkan gangguan di dua arah: berisik tetapi terpusat memerlukan masukan yang lebih stabil, bias memerlukan koreksi asumsi yang mendasarinya.

Seberapa sering menjalankannya bergantung pada seberapa cepat nomor yang salah menjadi mahal. Orang yang bergerak cepat akan menambah ramalan buruk dengan cepat, jadi mingguan bernilai sepuluh menit. Penjual yang lambat dapat diperiksa setiap bulan tanpa melewatkan banyak hal — risikonya biasanya terjadi secara perlahan, bukan yang tiba-tiba.

Membangun kebiasaan kalibrasi ulang

Satu pemeriksaan yang layak dilakukan sebelum menambahkan kompleksitas pada perkiraan: bandingkan dengan dasar yang paling sederhana, perkiraan naif yang hanya mengulangi angka aktual periode lalu ke depan. Perbandingan ini mempunyai nama dalam praktik peramalan, yaitu Nilai Tambah Perkiraan, dan pertanyaan di baliknya sangat jelas: apakah perkiraan yang lebih hati-hati benar-benar mengalahkan "gunakan saja angka minggu lalu", atau apakah proses tambahan tersebut tidak membuahkan hasil?

Ketika tinjauan di atas ternyata merupakan kesalahan yang nyata dan berulang (bukan satu minggu yang berisik tetapi sebuah pola), perbaikannya jarang menggunakan formula yang berbeda. Hal ini hampir selalu merupakan daftar pendek dari penyebab yang konkrit: periode penjualan yang membosankan dan tidak melihat tren sebenarnya, waktu tunggu yang berubah tanpa adanya pembaharuan masukan, promosi atau kehabisan stok yang secara diam-diam mendistorsi data dasar.Kesalahan perkiraan umum di balik inilayak untuk diperiksa secara langsung, daripada menebak-nebak.

Mencatat perkiraan, menunggu aktual, menghitung kesenjangan, dan mengamati pola di seluruh katalog nyata adalah jenis kebiasaan yang bertahan pada minggu pertama dan memudar pada minggu ketiga.Isyarat Sahammenghitung ulang setiap perkiraan SKU setiap malam terhadap penjualan riil, sehingga perbandingan terjadi secara otomatis, bukan hanya dalam spreadsheet. Tentang Pertumbuhan, pertanyaan "mengapa jumlah ini?" perincian menunjukkan dengan tepat input mana (kecepatan, tren, atau musiman) yang menggerakkan angka tersebut, sehingga mengubah "perkiraan tidak tepat" menjadi "perkiraan tidak tepat karena hal ini".

Pertanyaan yang Sering Diajukan

Bagaimana Anda mengukur keakuratan perkiraan inventaris?

Keakuratan perkiraan diukur dengan membandingkan perkiraan Anda dengan apa yang sebenarnya terjual, lalu melihat ukuran dan arah kesenjangannya. Ukuran biasanya dinyatakan sebagai MAE (rata-rata kesalahan, dalam satuan) atau MAPE (kehilangan rata-rata dalam persentase penjualan aktual); arah (apakah Anda secara konsisten memperkirakan terlalu tinggi atau terlalu rendah) adalah pertanyaan terpisah yang sama pentingnya.

Kesalahan perkiraan apa yang wajar terjadi pada toko Shopify kecil?

Tidak ada satu pun angka kesalahan perkiraan yang "baik" untuk setiap toko Shopify: hal ini bergantung pada kategori, seberapa fluktuatifnya permintaan secara alami, dan jangka waktu perkiraan, dan tidak ada sumber kredibel yang menetapkan ambang batas universal. Lacak kesalahan Anda sendiri dari waktu ke waktu dan berdasarkan SKU: menstabilkan atau meningkatkan lebih penting daripada menyelesaikan batasan eksternal, dan kesalahan yang semakin melebar pada satu SKU adalah sinyal untuk menyelidiki, bukan angka absolut.

Seberapa sering Anda harus membandingkan perkiraan dengan penjualan sebenarnya?

Mingguan untuk produk yang bergerak cepat, karena perkiraan buruk akan terjadi dengan cepat pada volume tinggi. Bulanan biasanya cukup untuk penjual yang lebih lambat, tanpa bereaksi terhadap kebisingan biasa dari minggu ke minggu. Apa pun yang terjadi, hal ini harus terjadi secara konsisten sehingga perubahan nyata (tren baru, perubahan waktu tunggu, kehabisan stok) dapat diketahui sebelum hal ini terulang kembali selama berbulan-bulan tanpa disadari.

Untuk proses selengkapnya, kebiasaan pengukuran ini cocok, lihatpanduan lengkap untuk perkiraan inventaris Shopify.