Metodi di previsione dell'inventario per i commercianti Shopify

Chiedi a cinque commercianti come prevedono l'inventario e otterrai cinque risposte diverse, la maggior parte delle quali sono corrette per metà per qualunque SKU a cui il commerciante stava pensando. Una candela che vende cinque unità al giorno, stabile come un metronomo, e un accessorio di nicchia che vende quattro unità in un mese buono e zero nel resto del tempo non sono lo stesso problema di previsione. Il metodo che funziona per uno ti ingannerà attivamente per l’altro.

Questo post esamina i metodi che vale la pena conoscere, organizzati in base alla forma effettiva che assume la domanda di una SKU. Se lo fai bene prima, la scelta di un metodo smetterà di essere un'ipotesi.

Quantitativo vs. qualitativo

La previsione quantitativa costruisce un numero dalla tua cronologia delle vendite: una formula applicata a dati reali. La previsione qualitativa, o giudicante, sostituisce l'esperienza e il confronto quando non c'è abbastanza storia da cui calcolare, trattata nella sezione apposita di seguito.

Prima di scegliere tra i metodi quantitativi, vale la pena conoscere la classificazione che spiega effettivamente perché un metodo funziona bene su uno SKU e male su un altro. Una classificazione di previsione della domanda attribuita a Syntetos, Boylan e colleghi suddivide la domanda in quattro modelli, basati su due fattori: la frequenza con cui uno SKU viene venduto e quanto la quantità oscilla quando lo fa.

Liscio— vende spesso, all'incirca nella stessa quantità ogni volta.

Irregolare— vende spesso, ma la quantità oscilla notevolmente.

Intermittente— vende raramente, ma all'incirca la stessa quantità quando lo fa.

Grumoso— si vende raramente e anche la quantità è imprevedibile.

Il documento traccia il confine tra vendite "regolari" e "irregolari" con un divario medio di 1,32 periodi tra le vendite, una cifra presa direttamente dal limite pubblicato dallo stesso giornale. Un valore limite pari a 0,49, relativo alla quantità che può variare prima che la domanda venga considerata "variazione elevata", viene ripetuto ovunque venga visualizzata questa classificazione, ma non è possibile farla risalire al testo del documento principale. Trattatela come una convenzione, non come una linea fissa.

Un'altra questione: in quale bucket rientra uno SKU non è fisso. Uno SKU che sembra contato in modo intermittente giorno per giorno può sembrare regolare settimana per settimana, semplicemente perché un bucket più ampio ha meno periodi di vendite pari a zero da mostrare. Prima di decidere che uno SKU è "semplicemente imprevedibile", controlla se lo stai guardando a un livello ragionevole di aggregazione.

Il resto di questo post è organizzato attorno a tale classificazione. Prima, però,dai forma ai tuoi dati di vendita. Tutti i metodi seguenti presuppongono che sia già presente.

Media mobile

Una media mobile semplice prende gli ultimi N periodi di vendite e ne calcola la media; la previsione successiva è proprio quella media e la finestra scorre in avanti di un periodo alla volta. È il metodo alla base della cifra delle "vendite medie giornaliere" della formula del punto di riordino ed è davvero lo strumento giusto per una domanda regolare: vendite regolari, con variazioni basse senza una tendenza reale.

Il suo limite documentato è la tendenza: è una stima utile solo quando i dati sottostanti non ne hanno, e esplicitamente non è un buon stimatore una volta che appare una tendenza. Ogni punto nella finestra ha lo stesso peso, compresi quelli obsoleti, quindi è sempre in ritardo rispetto a un vero spostamento verso l'alto o verso il basso. Una variante ponderata, che conferisce maggiore influenza ai periodi recenti, attenua il problema senza risolverlo. Per la formula completa e un esempio pratico, vederela nostra immersione profonda nella media mobile.

Smoothing esponenziale

Il livellamento esponenziale risolve il problema dei "dati obsoleti che contano ancora completamente" in modo diverso: invece di un taglio netto a N periodi, ogni osservazione passata ottiene un peso che decade quanto più si trova indietro.

Valore livellato successivo = α × (ultimo valore effettivo) + (1 − α) × (ultimo valore livellato)

Alfa, da qualche parte sopra 0 e fino a 1, controlla quanto peso assumono i dati recenti: più alto reagisce più velocemente, più basso si attenua più duramente e mantiene la cronologia più a lungo. Non esiste un unico alfa corretto. La guida standard è quella di scegliere il valore che minimizza l'errore di previsione sui propri dati, in genere testando tra 0,1 e 0,9, non copiando un numero che alcuni post sul blog chiamano "standard del settore". Come una semplice media mobile, il livellamento singolo non eccelle una volta che si manifesta una tendenza, motivo per cui esistono versioni estese: il doppio livellamento aggiunge un termine di tendenza e il triplo livellamento ("Holt-Winters") aggiunge un termine stagionale in più.

La domanda intermittente, le vendite rare, la quantità costante quando lo fanno, interrompono entrambi i metodi sopra indicati, perché nella maggior parte dei periodi non c'è nulla da appianare. Il metodo di Croston è stato creato per questo: mantiene due serie uniformate, una per le dimensioni delle vendite e una per il divario tra le vendite, aggiornandosi solo quando qualcosa viene effettivamente venduto.

Tasso previsto = (dimensione livellata della domanda) ÷ (intervallo livellato tra le vendite)

Ha una sua debolezza documentata: la ricerca sul metodo trova un bias positivo costante, il che significa che tende a sovrastimare. Una correzione comunemente proposta può facilmente correggere eccessivamente il contrario, quindi nessuna delle due versioni è neutra per impostazione predefinita. Vale la pena sapere se alcuni dei tuoi movimenti lenti lo userebbero, senza aspettarsi un numero specifico associato al bias, perché nessuna fonte tracciabile ne mette uno.

Previsioni basate sui punti di riordino

Ilformula del punto di riordinodi solito non viene archiviato nella sezione "previsione", ma funziona come tale: vendite giornaliere medie, previste nel tempo di consegna, più un buffer. Lo stesso Cedar & Fig, esempio da 250 g di quella guida (5 unità al giorno, un lead time di 12 giorni, 30 unità di scorta di sicurezza) raggiunge un punto di riordino di 90 unità, e quel 90 è in realtà una previsione della domanda a breve orizzonte che porta il nome di un punto di attivazione.

Si adatta bene alla domanda da regolare a moderatamente irregolare, per lo stesso motivo per cui lo fa una media mobile: presuppone che la velocità recente sia un buon sostituto della velocità del prossimo futuro. Smette di avere senso una volta che uno SKU è intermittente o grumoso. Le "vendite giornaliere medie" non significano quasi nulla per un prodotto che viene venduto due volte al mese in quantità molto diverse, e in ogni caso un punto di riordino costruito su quella media si attiva quasi nel momento sbagliato.

Previsioni giudicanti

I metodi di giudizio trasformano l'esperienza e il confronto in un numero quando non c'è abbastanza storico delle vendite per far funzionare una formula: uno SKU veramente grumoso o uno senza storia. Vale la pena saperlo: previsione analogica (trovare un prodotto esistente e simile e utilizzare il suo modello iniziale come modello), opinione di esperti e metodo Delphi, un processo strutturato di stima anonima e multi-round progettato per ridurre il pensiero di gruppo che una singola opinione o una discussione aperta tende a produrre.

Nessuno di questi è neutrale. Le stime giudicanti portano con sé il pregiudizio dello stimatore per costruzione, ancorandosi a un numero iniziale o a un programma non correlato al prodotto. L’opinione degli esperti è più debole esattamente dove conta di più: qualcosa di veramente nuovo, senza precedenti reali su cui ragionare. Il risultato più coerente della ricerca è che la combinazione di più di un metodo (una stima analogica, una stima giudicante e le prime settimane reali di vendite una volta arrivate) ha risultati migliori se si appoggia su uno qualsiasi di essi.

La domanda irregolare merita una menzione qui, dal momento che è il modello che nessuno dei metodi quantitativi sopra descritti riesce a gestire bene: tempistiche irregolari e dimensioni imprevedibili, insieme, tra i problemi di previsione più difficili che ci siano, secondo la ricerca, senza alcuna soluzione con una formula unica. Per un prodotto nuovo di zecca in particolare, senza ancora cronologia delle vendite,copriremo il caso per intero: confronto analogico, segnali precoci e dimensionamento del primo ordine in condizioni di incertezza reale.

Scelta per dimensione del catalogo

Con circa 30 SKU, quasi tutti i lavori sopra indicati funzionano a mano. Scegli una media mobile o la formula del punto di riordino per i tuoi venditori regolari, nota quali SKU sono intermittenti o grumosi e tratta quelli con più giudizio e un buffer più ampio e ricalcola mensilmente.

Oltre a ciò, il vero vincolo non è quale formula sia “migliore”. Il fatto è che un vero catalogo non è mai un modello di domanda. Un negozio tipico ha una manciata di bestseller fluidi, una fascia più ampia di prodotti irregolari di livello medio e una lunga coda di SKU intermittenti e grumosi che vendono a malapena abbastanza spesso da poter fare una media di qualsiasi cosa. Applicare un metodo a tutti loro non è una semplificazione, è una mancata corrispondenza per la maggior parte del catalogo.

Riclassificare a quale modello appartiene ogni SKU e rieseguire la formula giusta per ciascuno di essi è gestibile con poche dozzine di SKU e veramente insostenibile dopo poche centinaia di operazioni manuali ogni mese.StockCuenon ti chiede di scegliere un metodo e applicarlo a tutto. Unisce una finestra di vendita recente e una di base per SKU, aggiunge la sensibilità alle tendenze e gli indici stagionali in alto ed esclude automaticamente i valori anomali, su ogni piano incluso quello gratuito. Per il processo completo in cui si inserisce, vedere il nostroguida completa alla previsione dell'inventario di Shopify.

Domande frequenti

Qual è il metodo di previsione dell'inventario più semplice per un piccolo negozio Shopify?

Per un piccolo catalogo di venditori stabili, di solito è sufficiente una semplice media mobile o la formula del punto di riordino esistente: entrambe necessitano solo di una media delle vendite recenti, di un lead time e di un buffer. Sono il punto di partenza giusto per una domanda regolare in particolare; uno SKU che viene venduto raramente o in quantità molto diverse necessita di un approccio diverso.

Qual è la differenza tra media mobile e livellamento esponenziale?

Una media mobile attribuisce lo stesso peso a ogni periodo all'interno di una finestra fissa e elimina completamente qualsiasi periodo più vecchio. Lo livellamento esponenziale conserva tutta la storia ma lascia che la sua influenza decada man mano che si va indietro, controllato da una costante di livellamento, alfa. Entrambi condividono la stessa limitazione fondamentale: nessuno dei due gestisce bene un trend da solo, motivo per cui esistono varianti di livellamento esponenziale adattate al trend e alla stagione.

Quando un negozio Shopify dovrebbe utilizzare la previsione qualitativa anziché una formula?

Quando non c'è abbastanza cronologia delle vendite da cui calcolare una formula: un prodotto nuovo di zecca o uno SKU esistente la cui domanda è veramente irregolare (tempi irregolari e quantità imprevedibili insieme). L’approccio più efficace in questa situazione è quello di combinare più di un metodo di giudizio, o una stima di giudizio con i primi dati di vendita reali, piuttosto che fidarsi di un’unica opinione.

Il miglior metodo di previsione cambia man mano che un negozio cresce?

Il metodo giusto per un dato SKU riguarda in realtà il suo modello di domanda, non direttamente le dimensioni del negozio, ma un catalogo più grande ha più SKU presenti in ogni modello contemporaneamente e classificare e ricalcolare manualmente ciascuno di essi diventa il vero vincolo. Questo è meno un problema di "formula migliore" e più un problema di "chi ha tempo per rifarlo ogni mese".