Come migliorare la precisione della previsione dell'inventario di Shopify

Una previsione "disattivata" non costituisce di per sé un'informazione utile. Di quanto e in quale direzione sono due domande separate. La maggior parte dei commercianti che affermano che le loro previsioni "non funzionano" non hanno mai misurato nessuno dei due. L’accuratezza migliora meno con una formula migliore che con l’abitudine di confrontare una previsione con ciò che è realmente accaduto e di leggere cosa dice il divario.

Perché le previsioni vanno alla deriva

Nella maggior parte dei casi una previsione non è sbagliata perché il metodo non funziona: è sbagliata perché qualcosa è cambiato nel business e la previsione non è stata al passo. Atempi di consegna del fornitoretranquillamente è diventato più lungo, apromozionela domanda ha registrato un picco ed è scomparsa, oppure un modello genuinamente stagionale si è riaffermato rispetto a una previsione ancora basata sulla media dei mesi fuori stagione. Nessuno di questi è un fallimento metodologico: alle previsioni semplicemente non è stato detto che il terreno si è spostato.

C'è una deriva più sottile senza un singolo evento dietro: un esaurimento delle scorte. Quando un prodotto si esaurisce, le vendite che registri non rappresentano la domanda che esisteva: sono la domanda che sei riuscito a soddisfare, ridotta a zero nel momento in cui lo scaffale si è svuotato. Una previsione costruita su quella storia legge l'esaurimento delle scorte come "la domanda è diminuita", non "siamo esauriti", e la prossima volta ordini tranquillamente di meno. Ordina meno, esaurisci di nuovo e il numero continua a scorrere: uno schema documentato a volte chiamato effetto a spirale verso il basso. Se la previsione di uno SKU continua a mancare un valore basso e continua a raggiungere lo zero, controlla la cronologia delle scorte prima di toccare la formula.

Errore di previsione di misurazione

"Quanto lontano e in quale direzione" è l'idea stessa. Vale la pena conoscere i termini formali riportati di seguito, ma la domanda in inglese semplice è cosa cambia effettivamente ciò che fai dopo.

L'errore assoluto medio (MAE) è la dimensione media dell'errore, in unità reali:

MAE = media di |Actual − Forecast|

Supponiamo che la previsione della settimana scorsa per "Cedar & Fig, 250g" fosse di 35 unità e che in realtà ne siano state vendute 42. Il risultato mancato è |42 − 35| = 7 unità. Espresso come percentuale di ciò che è stato effettivamente venduto, lo stesso errore è l'errore percentuale assoluto medio, o MAPE:

MAPE = media di ( |Actual − Forecast| ÷ Actual ), in percentuale

7 ÷ 42 = 16,7%. MAPE è popolare perché non ha scala: una percentuale ti consente di confrontare una candela da cinque unità al giorno con una da cinquanta unità al giorno senza che il numero più grande sembri automaticamente peggiore. Ed è proprio lì che si rompe.

Una previsione SKU a 2 unità che ne vende 1 mostra un MAPE del 100% per quella settimana — |1 − 2| ÷ 1 = 100% – anche se il vero errore era di una singola unità. La maggior parte dei piccoli cataloghi Shopify portano una lunga coda esattamente di questo tipo di SKU a basso volume, il che rende MAPE meno affidabile sui prodotti su cui un commerciante ha maggiormente bisogno di una lettura reale. Tieni traccia del MAE, o del conteggio delle unità grezze, accanto ad esso per qualsiasi cosa venga venduta a una cifra.

Le dimensioni da sole mancano di direzione. Il bias – Errore percentuale medio, o MPE – mantiene il segno invece di prendere il valore assoluto, quindi si presenta una tendenza coerente invece di annullarsi:

Previsione Bias (MPE) = media di ((Previsione − Effettiva) ÷ Effettiva), con segno

Per la stessa settimana: (35 − 42) ÷ 42 = −16,7%. Il segno negativo indica che la previsione è risultata inferiore a quanto effettivamente venduto. Una settimana così è rumore. Una serie di settimane tutte negative è una previsione sistematicamente bassa: un modello MAE e MAPE, da soli, non ti mostreranno, perché nessuno dei due traccia la direzione.

Una metrica correlata, il segnale di tracciamento, rileva questo tipo di esecuzione: un totale cumulativo degli errori con segno diviso per l'errore assoluto medio, osservato per un valore che si allontana costantemente da zero. Un valore predefinito comunemente utilizzato considera circa ±4 come meritevoli di indagine, ma si tratta di una convenzione di settore, non di un limite statistico derivato. La stessa cautela vale per MAPE: non esiste un numero MAPE "buono" universale. Ciò che conta come ragionevole varia in base alla categoria, alla volatilità e a quanto lontano stai prevedendo: confronta il tuo numero con la sua tendenza, non con una soglia presa in prestito.

Previsione e revisione effettiva

L'errore di una sola settimana non dice quasi nulla da solo: ogni previsione a volte non è corretta, e un errore di cinque unità su un prodotto da cinque unità al giorno è una storia diversa rispetto allo stesso errore su un prodotto da cinquecento unità al giorno. Ciò che conta è la revisione: registrare le previsioni e i dati effettivi fianco a fianco, per lo stesso SKU, periodo dopo periodo, e osservare lo schema invece di reagire a un singolo numero.

Qui vale la pena separare due cose. La dimensione dell'errore indica quanto è stata precisa la previsione di recente. La direzione - il bias, sopra - ti dice se ha un'inclinazione sistematica, un problema diverso con una soluzione diversa rispetto a un errore che è semplicemente rumoroso in entrambi i modi: rumoroso ma centrato necessita di un input più stabile, distorto necessita della correzione del presupposto sottostante.

La frequenza con cui eseguirlo dipende dalla velocità con cui un numero sbagliato diventa costoso. Un movimento rapido risolve rapidamente una previsione negativa, quindi i dieci minuti settimanali valgono i dieci minuti. Un venditore lento può essere controllato mensilmente senza perdere molto: il rischio di solito è una deriva lenta, non improvvisa.

Costruire un’abitudine di ricalibrazione

Un controllo che vale la pena eseguire prima di aggiungere complessità a una previsione: confrontarla con la base di riferimento più semplice possibile, una previsione ingenua che si limita a ripetere in avanti il numero effettivo dell'ultimo periodo. Questo confronto ha un nome nella pratica di previsione, Previsione del valore aggiunto, e la domanda che sta dietro è schietta: la previsione più attenta è effettivamente migliore di "usa semplicemente il numero della settimana scorsa" o il processo aggiuntivo non guadagna il suo mantenimento?

Quando la recensione di cui sopra rivela un errore reale e ripetuto (non una settimana rumorosa ma uno schema), la soluzione raramente è una formula diversa. Si tratta quasi sempre di un breve elenco di cause concrete: una finestra di vendita stantia che non ha colto una tendenza reale, un lead time che è cambiato senza che l'input fosse aggiornato, una promozione o un esaurimento delle scorte che ha silenziosamente distorto la linea di base.Gli errori di previsione più comuni sono alla base di tutto ciòvale la pena controllare direttamente, piuttosto che indovinare.

Registrare una previsione, attendere l'effettivo, calcolare il divario e osservare uno schema in un catalogo reale è il tipo di abitudine che sopravvive alla prima settimana e svanisce entro la terza.StockCuericalcola ogni notte le previsioni di ogni SKU rispetto alle vendite reali, quindi il confronto avviene automaticamente invece di vivere in un foglio di calcolo. Sulla crescita, la domanda "perché questa quantità?" la suddivisione mostra esattamente quale input (velocità, tendenza o stagionalità) ha spostato il numero, trasformando "la previsione era disattivata" in "la previsione era disattivata per questo motivo".

Domande frequenti

Come si misura l'accuratezza delle previsioni di inventario?

L'accuratezza delle previsioni viene misurata confrontando le previsioni con quanto effettivamente venduto, quindi osservando sia la dimensione che la direzione del divario. La dimensione è solitamente espressa come MAE (il mancato valore medio, in unità) o MAPE (il mancato rendimento come percentuale delle vendite effettive); la direzione (se la previsione è costantemente eccessiva o insufficiente) è una questione separata che conta altrettanto.

Qual è un errore di previsione ragionevole aspettarsi per un piccolo negozio Shopify?

Non esiste un unico numero di errore di previsione "buono" per ogni negozio Shopify: dipende dalla categoria, da quanto è naturalmente volatile la domanda e dall'orizzonte di previsione, e nessuna fonte credibile stabilisce una soglia universale. Tieni invece traccia del tuo errore nel tempo e per SKU: stabile o in miglioramento conta più che eliminare una barra esterna, e un errore in aumento su uno SKU è il segnale su cui indagare, non la cifra assoluta.

Con quale frequenza dovresti confrontare una previsione con le vendite effettive?

Settimanale per prodotti in rapida evoluzione, poiché una previsione errata si compone rapidamente con volumi elevati. Il mensile è solitamente sufficiente per i venditori più lenti, senza reagire al normale rumore settimanale. In ogni caso, è necessario che ciò avvenga in modo abbastanza coerente da consentire che un cambiamento autentico (una nuova tendenza, una modifica dei tempi di consegna, un esaurimento delle scorte) venga rilevato prima che si ripeta per mesi inosservato.

Per il processo completo in cui si inserisce questa abitudine di misurazione, vederela guida completa alla previsione dell'inventario di Shopify.