Semua panduan

Persediaan21 Agustus 20266 menit membaca

Kesalahan Umum Perkiraan Inventaris Shopify

Kesalahan berulang yang secara diam-diam merusak perkiraan inventaris toko Shopify — mulai dari jendela data yang basi hingga mengabaikan perubahan waktu tunggu sepenuhnya.

Kebanyakan kesalahan peramalan bukanlah formula yang buruk. Itu adalah rumus bagus yang memberikan angka yang sudah salah sebelum perhitungan dimulai. Ini adalah daftar periksa, bukan esai — setiap item menyebutkan kesalahan dan link ke postingan yang mengajarkan perbaikan sebenarnya.

Salah satu dari ini layak mendapatkan lebih dari satu baris sebelum daftarnya dimulai, karena ini adalah salah satu yang dialami pedagang berulang kali tanpa pernah memiliki nama untuk itu.

Kehabisan stok tidak hanya merugikan penjualan yang Anda lewatkan minggu itu. Ini mengajarkan perkiraan Anda untuk mengharapkan lebih sedikit. Jika SKU terjual habis dan bertahan selama tiga hari, riwayat penjualan Anda menunjukkan permintaan hampir nol selama tiga hari — bukan karena pelanggan berhenti menginginkannya, namun karena tidak ada apa pun di rak untuk dibeli. Perkiraan yang dibuat berdasarkan riwayat tersebut akan menganggap tiga hari datar tersebut sebagai nyata, memesan terlalu sedikit pada siklus berikutnya, habis lagi lebih cepat, dan berulang. Para peneliti menyebutnya permintaan yang disensor: catatan penjualan menunjukkan apa yang mampu Anda jual, bukan apa yang sebenarnya diinginkan orang, dan perkiraan yang memperlakukan keduanya sebagai hal yang sama akan secara diam-diam dan sistematis memesan SKU yang tepat yang terus kehabisan stok.

Kehabisan stok tidak hanya merugikan penjualan minggu ini - hal ini mengajarkan perkiraan Anda untuk mengharapkan lebih sedikit, secara permanen, sampai seseorang mengetahuinya.

Why each stockout produces a smaller restock than the lastA line chart of one SKU’s stock level across three repeated stockout cycles. In each cycle the recorded stock level, drawn as a solid emerald line, depletes in a straight run down to zero, then sits flat on zero for a visible stockout window while there is nothing left to sell. During that flat window a dashed brass line continues below the zero line, representing the demand that still existed but could not be recorded, because a sale needs stock and there was none. When each stockout ends, stock jumps back up at a restock — but each restock lands lower than the one before it, so the highest point of the line drops visibly after every cycle, following the thin dashed line connecting the three restock peaks. This is illustrative of a pattern, not a real dataset, so there are no numbers on either axis. The argument: a forecast built only from recorded sales reads each stockout’s flat, near-zero demand as if it were real, so it orders a little less next time, produces a smaller peak, reaches the next stockout a little sooner, and repeats — the system is learning the wrong lesson from its own failure.Stock level after repeated stockoutssame SKU, three cycles — each restock lands lower than the lastStockoutagainagainRestocksmaller reorderRestocksmaller stilleach restock lands lower than the lastcycle repeatsstock level — what’s on the shelf, and what gets recordeddemand that existed but couldn’t be recorded — nothing was there to sell
Tak satu pun dari tiga penyetokan ulang dalam bagan ini yang terlihat salah — masing-masing sesuai dengan data penjualan yang ditunjukkan. Datanya sendiri sudah bohong, satu demi satu kehabisan stok.

Kesalahan Data

  • Memperlakukan hari-hari kehabisan stok sebagai permintaan rendah yang normal.Riwayat penjualan SKU yang terjual habis menunjukkan permintaan riil yang lebih rendah, sehingga membuat perkiraan masa depan menjadi miring ke bawah dan membuat kemungkinan terjadinya kehabisan stok berikutnya, bukan berkurang. Membangun kebiasaan menangkap barang inimengukur apakah perkiraan Anda benar-benar akurat.
  • Rata-rata setahun penuh, bukan satu jendela baru-baru ini.Rata-rata tahunan yang membosankan tidak memberi tahu Anda apa pun tentang kecepatan yang meningkat dua kali lipat pada kuartal terakhir. Lihat pendapat sendiri dari postingan titik pemesanan ulangmenghitung ulang dari jangka waktu 60–90 hari terakhir.
  • Melewatkan pembersihan outlier sebelum memperkirakan.Satu pesanan massal atau grosir yang tersisa di data meningkatkan setiap rata-rata yang dibuat darinya. Membersihkannya sudah tercakup dalammenggunakan data penjualan Shopify Anda sendiri.
  • Menerapkan metode produk yang sudah ada ke SKU tanpa riwayat.Tidak ada kecepatan untuk menghitung rata-rata ketika suatu produk tidak memiliki penjualan sebelumnya — serangkaian metode berbeda berlaku. Lihatmemperkirakan produk baru.

Kesalahan Metode

  • Menjalankan rata-rata pergerakan datar pada produk yang sedang tren atau musiman.Rata-rata biasa tidak mengasumsikan adanya tren; ia tertinggal dalam pergeseran ke atas atau ke bawah dan sepenuhnya melewatkan perubahan musiman. Lihatketika moving average rusak.
  • Jangan pernah membandingkan metode dengan pola katalog Anda sendiri.Metode yang cocok untuk penjual tetap sering kali salah untuk SKU yang runcing atau musiman. Mulailah denganmembandingkan metode peramalan.

Kesalahan Proses

  • Menetapkan perkiraan agar sesuai dengan sasaran penjualan, bukan hasil yang mungkin terjadi.Perkiraan yang diam-diam disesuaikan untuk mencapai target tidak lagi berfungsi sebagai sinyal peringatan dini dan menyebabkan kelebihan stok dibandingkan kenyataan. Tercakup dalammeningkatkan akurasi perkiraan.
  • Menerbitkan satu nomor tanpa rentang di sekitarnya.Perkiraan titik tanpa ketidakpastian tidak memberikan dasar untuk mengukur cadangan persediaan pengaman. Lihatmemilih nomor stok pengaman Anda.
  • Jangan pernah membandingkan perkiraan dengan apa yang sebenarnya terjual.Perkiraan yang tidak pernah dibandingkan dengan hasil sebenarnya bisa salah selama berbulan-bulan sebelum ada yang menyadarinya. Kebiasaan yang layak untuk dibangun sudah adamengukur kesalahan perkiraan.

Kesalahan Faktor Eksternal

  • Tanpa memperhatikan waktu tunggu pemasok berubah secara diam-diam.Titik pemesanan ulang yang dibuat berdasarkan waktu tunggu 10 hari tahun lalu menjadi salah saat menjadi 18 hari. Lihatbagaimana waktu tunggu memengaruhi perkiraan Anda.
  • Membiarkan lonjakan promosi mendistorsi baseline yang sedang berlangsung.Satu minggu promo yang tidak ditandai yang dimasukkan ke dalam riwayat penjualan normal melebih-lebihkan permintaan "umum" untuk setiap minggu non-promo di masa depan. Lihatbagaimana promosi memengaruhi perkiraan.
  • Hilang sepenuhnya pola musiman.Rata-rata yang datar sepanjang setahun penuh menyembunyikan perubahan yang mungkin terjadi pada indeks musiman. Lihatmemperkirakan persediaan musiman.

Beberapa di antaranya adalah masalah struktural, bukan masalah upaya – jendela kecepatan yang membosankan, perubahan waktu tunggu yang tidak disadari, kehabisan stok secara diam-diam membuat perkiraan berikutnya menjadi bias. Menghitung ulang setiap SKU dengan tangan, setiap minggu, menangkap teori ini; dalam praktiknya, tugas tersebut akan terpeleset terlebih dahulu setelah katalog melewati apa yang dapat diingat oleh seseorang.Isyarat Sahammenghitung ulang setiap perkiraan SKU setiap malam dari data pesanan langsung, yang menghilangkan beberapa kesalahan ini secara struktural alih-alih mengandalkan seseorang untuk mengingat untuk memeriksanya.

SAHAM

Jendela yang basi dan perubahan waktu tunggu yang tidak disadari mudah untuk dilewatkan begitu saja dan sulit untuk dilewatkan ketika ramalan cuaca dihitung ulang setiap malam. StockCue melakukan itu untuk setiap SKU, dengan paket Gratis yang mencakup 50 SKU pertama Anda.

Instal StockCue di Shopify →

Devmerx

Devmerx adalah agen pengembangan Shopify dan WordPress yang membantu merek DTC membangun toko lebih cepat, migrasi lebih bersih, dan pengalaman konversi lebih tinggi. Berbasis di London, Inggris, melayani klien di seluruh dunia.

Lihat pekerjaan kami

Butuh bantuan dengan toko Shopify Anda?

Devmerx membangun dan mengoptimalkan toko Shopify untuk merek DTC. Pesan konsultasi 20 menit gratis.

Pesan konsultasi gratis