Metode Perkiraan Inventaris untuk Pedagang Shopify

Tanyakan kepada lima pedagang bagaimana mereka memperkirakan inventaris dan Anda akan mendapatkan lima jawaban berbeda, sebagian besar jawabannya setengah tepat untuk SKU mana pun yang dipikirkan pedagang tersebut. Lilin yang terjual lima unit sehari, stabil sebagai metronom, dan aksesori khusus yang terjual empat unit pada bulan baik dan nol pada waktu lainnya bukanlah masalah perkiraan yang sama. Metode yang berhasil untuk satu metode akan secara aktif menyesatkan Anda di metode lain.

Posting ini mensurvei metode yang perlu diketahui, disusun berdasarkan bentuk permintaan SKU yang sebenarnya. Lakukan dengan benar terlebih dahulu, dan memilih metode tidak lagi menjadi tebakan.

Kuantitatif vs. kualitatif

Peramalan kuantitatif menghasilkan angka dari riwayat penjualan Anda: rumus yang diterapkan pada data nyata. Peramalan kualitatif, atau menghakimi, menggantikan pengalaman dan perbandingan ketika tidak ada cukup sejarah untuk dihitung, dibahas dalam bagian tersendiri di bawah ini.

Sebelum memilih metode kuantitatif, ada baiknya mengetahui klasifikasi yang sebenarnya menjelaskan mengapa satu metode bekerja dengan baik pada satu SKU dan buruk pada SKU lainnya. Berdasarkan klasifikasi perkiraan permintaan yang dibuat oleh Syntetos, Boylan dan rekannya membagi permintaan menjadi empat pola, berdasarkan dua hal: seberapa sering suatu SKU terjual, dan seberapa besar kuantitasnya berubah ketika terjadi penjualan.

Halus— sering terjual, dalam jumlah yang kira-kira sama setiap saat.

Tidak menentu— sering terjual, tetapi jumlahnya berubah-ubah.

terputus-putus— jarang terjual, tetapi jumlahnya kira-kira sama.

kental— jarang terjual, dan jumlahnya juga tidak dapat diprediksi.

Makalah ini menarik garis antara penjualan "reguler" dan "tidak teratur" dengan selisih rata-rata 1,32 periode antara penjualan, angka yang diambil langsung dari batas waktu yang diterbitkan oleh surat kabar tersebut. Batasan pendamping sebesar 0,49, untuk berapa banyak kuantitas yang diperbolehkan bervariasi sebelum permintaan dihitung sebagai "variasi tinggi", diulangi di mana pun klasifikasi ini muncul, namun tidak dapat ditelusuri kembali ke teks makalah utama itu sendiri. Perlakukan itu sebagai sebuah konvensi, bukan jalur tetap.

Satu hal lagi: di keranjang mana SKU berada, belum diperbaiki. SKU yang terlihat terputus-putus, dihitung dari hari ke hari, dapat terlihat lancar dihitung dari minggu ke minggu, hanya karena keranjang yang lebih luas memiliki periode nol-penjualan yang lebih sedikit untuk ditampilkan. Sebelum memutuskan suatu SKU "tidak dapat diprediksi", periksa apakah Anda melihatnya pada tingkat agregasi yang masuk akal.

Sisa postingan ini disusun berdasarkan klasifikasi tersebut. Namun pertama-tama,bentuk data penjualan Anda sendiri. Setiap metode di bawah ini mengasumsikan metode tersebut sudah ada.

Rata-rata bergerak

Rata-rata pergerakan sederhana mengambil N periode penjualan terakhir Anda dan membuat rata-ratanya; perkiraan berikutnya hanya rata-rata, dan jendelanya bergerak maju satu per satu. Ini adalah metode di balik angka "penjualan harian rata-rata" dari rumus titik pemesanan ulang, dan ini benar-benar alat yang tepat untuk memperlancar permintaan: penjualan reguler dengan variasi rendah tanpa tren nyata.

Batasannya yang terdokumentasi adalah tren: ini hanya merupakan perkiraan yang berguna jika data dasarnya tidak memiliki data apa pun, dan secara eksplisit bukan merupakan penduga yang baik setelah suatu tren muncul. Setiap periode dalam jendela memiliki bobot yang sama, termasuk periode basi, sehingga selalu ada pergeseran ke atas atau ke bawah yang sebenarnya. Varian berbobot, yang memberikan pengaruh lebih besar pada periode terakhir, memperlunak masalah ini tanpa menyelesaikannya. Untuk rumus lengkap dan contoh kerja, lihatpenyelaman mendalam rata-rata pergerakan kami.

Pemulusan eksponensial

Pemulusan eksponensial memecahkan masalah "data lama masih dihitung sepenuhnya" dengan cara yang berbeda: alih-alih melakukan pemotongan keras pada N periode, setiap pengamatan sebelumnya mendapat bobot yang semakin berkurang semakin jauh data tersebut berada.

Nilai yang dihaluskan berikutnya = α × (nilai aktual terakhir) + (1 − α) × (nilai terakhir yang dihaluskan)

Alfa, di atas 0 dan hingga 1, mengontrol seberapa besar bobot yang diperoleh data terbaru: yang lebih tinggi bereaksi lebih cepat, yang lebih rendah menghaluskan lebih keras, dan menyimpan riwayat lebih lama. Tidak ada satu pun alfa yang benar. Panduan standarnya adalah memilih nilai mana pun yang meminimalkan kesalahan perkiraan pada data Anda sendiri, biasanya dengan menguji antara 0,1 dan 0,9, bukan dengan menyalin angka yang oleh beberapa postingan blog disebut sebagai "standar industri". Seperti rata-rata pergerakan biasa, pemulusan tunggal tidak unggul setelah tren muncul, itulah sebabnya ada versi yang diperluas: pemulusan ganda menambahkan istilah tren, dan pemulusan rangkap tiga ("Holt-Winters") menambahkan istilah musiman di atasnya.

Permintaan yang terputus-putus, jarang terjual, kuantitas yang konsisten, mematahkan kedua metode di atas, karena sebagian besar periode tidak ada yang bisa dihaluskan. Metode Croston dibuat untuk ini: metode ini menyimpan dua seri yang diperhalus, satu untuk ukuran penjualan dan satu lagi untuk kesenjangan antara penjualan, hanya diperbarui ketika sesuatu benar-benar terjual.

Tingkat perkiraan = (ukuran permintaan yang dihaluskan) (interval antar penjualan yang dihaluskan)

Metode ini mempunyai kelemahan tersendiri: penelitian mengenai metode ini menemukan bias positif yang konsisten, artinya metode ini cenderung melebih-lebihkan perkiraan. Koreksi yang umumnya diusulkan dapat dengan mudah melakukan koreksi berlebihan dengan cara lain, sehingga tidak ada versi yang netral secara default. Perlu diketahui apakah beberapa orang yang bergerak lambat akan menggunakannya, tanpa mengharapkan angka tertentu yang melekat pada bias tersebut, karena tidak ada sumber yang dapat dilacak yang menyebutkannya.

Peramalan berdasarkan titik pemesanan ulang

Iturumus titik pemesanan ulangbiasanya tidak dimasukkan dalam "perkiraan", namun berfungsi sebagai satu kesatuan: rata-rata penjualan harian, diproyeksikan sepanjang waktu tunggu, ditambah buffer. Cedar & Fig yang sama, contoh 250g dari panduan tersebut (5 unit sehari, waktu tunggu 12 hari, 30 unit stok pengaman) mencapai titik pemesanan ulang sebesar 90 unit, dan 90 tersebut sebenarnya adalah perkiraan permintaan jangka pendek yang menggunakan nama titik pemicu.

Hal ini cocok dengan permintaan yang halus hingga tidak menentu, dengan alasan yang sama dengan rata-rata pergerakan: ia mengasumsikan kecepatan saat ini adalah pengganti yang adil untuk kecepatan di masa depan. Ini tidak lagi masuk akal jika SKU terputus-putus atau tidak rata. "Penjualan harian rata-rata" hampir tidak berarti apa-apa untuk produk yang terjual dua kali sebulan dalam jumlah yang sangat berbeda, dan titik pemesanan ulang yang dibangun berdasarkan rata-rata tersebut akan memicu momen yang salah.

Peramalan yang menghakimi

Metode penilaian mengubah pengalaman dan perbandingan menjadi angka ketika tidak ada cukup riwayat penjualan untuk membuat formula bekerja: SKU yang benar-benar tidak rata, atau SKU yang tidak memiliki riwayat sama sekali. Perlu diketahui: peramalan analog (menemukan produk serupa yang sudah ada dan menggunakan pola awalnya sebagai templat), pendapat ahli, dan metode Delphi, sebuah proses terstruktur dari estimasi multi-putaran anonim yang dirancang untuk mengurangi pemikiran kelompok yang cenderung dihasilkan oleh satu opini atau diskusi terbuka.

Tak satu pun dari hal ini yang netral. Estimasi yang bersifat judgemental membawa bias estimator berdasarkan konstruksinya, berdasarkan angka awal atau agenda yang tidak terkait dengan produk. Pendapat para ahli adalah yang paling lemah pada hal yang paling penting: sesuatu yang benar-benar baru, tanpa ada preseden nyata yang bisa dijadikan alasan. Temuan yang paling konsisten dalam penelitian ini adalah bahwa menggabungkan lebih dari satu metode (estimasi analog, estimasi yang menghakimi, dan minggu penjualan nyata pertama setelah metode tersebut tiba) memiliki kinerja lebih baik jika mengandalkan satu metode saja.

Permintaan yang besar patut disebutkan di sini, karena pola ini tidak dapat ditangani dengan baik oleh metode kuantitatif di atas: waktu yang tidak teratur dan ukuran yang tidak dapat diprediksi, bersama-sama, merupakan salah satu masalah perkiraan tersulit yang ada, menurut penelitian, tanpa formula tunggal yang dapat diperbaiki. Khusus untuk produk baru, yang belum memiliki riwayat penjualan,kami membahas kasus itu secara lengkap: perbandingan analog, sinyal awal, dan penentuan ukuran orde pertama dalam ketidakpastian nyata.

Memilih berdasarkan ukuran katalog

Di bawah sekitar 30 SKU, hampir semua hal di atas berfungsi dengan tangan. Pilih rumus rata-rata pergerakan atau titik pemesanan ulang untuk penjual lancar Anda, catat SKU mana yang terputus-putus atau tidak rata dan perlakukan SKU dengan penilaian lebih banyak dan buffer yang lebih luas, dan hitung ulang setiap bulan.

Selain itu, kendala sebenarnya bukanlah formula mana yang "terbaik". Katalog sebenarnya tidak pernah memiliki satu pola permintaan. Sebuah toko pada umumnya memiliki beberapa buku terlaris yang mulus, rangkaian produk tingkat menengah yang lebih luas dan tidak menentu, dan serangkaian SKU yang terputus-putus dan tidak rata yang hampir tidak cukup sering terjual untuk menghasilkan rata-rata apa pun. Menerapkan satu metode pada semuanya bukanlah suatu penyederhanaan, melainkan ketidakcocokan untuk sebagian besar katalog.

Mengklasifikasi ulang pola mana yang dimiliki setiap SKU, dan menjalankan kembali formula yang tepat untuk masing-masing SKU, dapat dikelola pada beberapa lusin SKU dan benar-benar tidak berkelanjutan jika dilakukan secara manual pada beberapa ratus SKU setiap bulannya.Isyarat Sahamtidak meminta Anda untuk memilih satu metode dan menerapkannya pada semua metode. Ini memadukan jendela penjualan terkini dan dasar per SKU, menambahkan sensitivitas tren dan indeks musiman di atas, dan mengecualikan outlier secara otomatis, pada setiap paket termasuk Gratis. Untuk proses lengkap yang sesuai dengan hal ini, lihat kamipanduan lengkap untuk perkiraan inventaris Shopify.

Pertanyaan yang Sering Diajukan

Apa metode perkiraan inventaris paling sederhana untuk toko kecil Shopify?

Untuk katalog kecil berisi penjual tetap, rata-rata pergerakan sederhana atau rumus titik pemesanan ulang yang ada biasanya sudah cukup — keduanya hanya memerlukan rata-rata penjualan terkini, waktu tunggu, dan penyangga. Ini adalah titik awal yang tepat untuk memperlancar permintaan secara khusus; SKU yang jarang terjual atau dalam jumlah yang sangat berbeda memerlukan pendekatan yang berbeda.

Apa perbedaan antara rata-rata bergerak dan pemulusan eksponensial?

Rata-rata bergerak memberikan bobot yang sama pada setiap periode di dalam jendela tetap dan menghilangkan periode yang lebih tua seluruhnya. Pemulusan eksponensial menyimpan semua sejarah tetapi membiarkan pengaruhnya memudar semakin jauh ke belakang, dikendalikan oleh konstanta pemulusan, alfa. Keduanya memiliki batasan inti yang sama: tidak ada satu pun yang dapat menangani tren dengan baik, itulah sebabnya ada varian pemulusan eksponensial yang disesuaikan dengan tren dan musim.

Kapan toko Shopify sebaiknya menggunakan perkiraan kualitatif dan bukan formula?

Ketika riwayat penjualan tidak cukup untuk menghitung formula — produk baru, atau SKU yang sudah ada yang permintaannya sangat banyak (waktu yang tidak teratur dan kuantitas yang tidak dapat diprediksi secara bersamaan). Pendekatan yang paling kuat dalam situasi tersebut adalah menggabungkan lebih dari satu metode penilaian, atau perkiraan penilaian dengan data penjualan riil awal, daripada mempercayai satu pendapat saja.

Apakah metode perkiraan terbaik berubah seiring pertumbuhan toko?

Metode yang tepat untuk SKU tertentu adalah mengenai pola permintaannya, bukan ukuran toko secara langsung — namun katalog yang lebih besar memiliki lebih banyak SKU yang ada di setiap pola sekaligus, dan mengklasifikasikan serta menghitung ulang setiap pola secara manual menjadi kendala sebenarnya. Itu bukan masalah "formula yang lebih baik" dan lebih merupakan masalah "siapa yang punya waktu untuk mengulanginya setiap bulan".