Shopify 在庫予測の精度を向上させる方法

「外れている」予測は、それ自体では有益な情報ではありません。どのくらいずれているか、どの方向にずれているかは 2 つの別個の質問です。自分たちの予測が「うまくいかない」と言っている販売者のほとんどは、どちらも実際に測定したことがありません。精度は、より優れた公式によって向上するというよりは、実際に起こったことと予測を照合し、ギャップの内容を読み取る習慣によって改善されます。

予測がずれる理由

ほとんどの場合、予測が間違っているのは、手法が間違っているからではありません。ビジネスで何かが変化し、予測が追いついていないために間違っているのです。あサプライヤーのリードタイム静かに長くなりました、プロモーション需要が急増して消滅したり、依然としてオフシーズンの月を平均した予測に対して真の季節パターンが再確認されたりしました。これらはいずれも手法の失敗ではありません。予測は地殻変動を知らされていないだけです。

在庫切れという単一のイベントが背後にあるわけではない、より微妙な変動があります。製品がなくなったとき、記録する売上はそれまで存在していた需要ではありません。それは満たすことができた需要であり、棚が空になった瞬間にゼロに上限が設定されます。その歴史に基づいて構築された予測では、在庫切れは「品薄になった」ではなく「需要が減少した」と判断され、次回からは静かに注文が減ります。注文が減り、また品切れになり、数字は下がり続けます。このパターンは、スパイラルダウン効果と呼ばれることもあります。 SKU の予測が低くなり続け、在庫がゼロになり続ける場合は、計算式に触れる前に在庫切れ履歴を確認してください。

予測誤差の測定

「どのくらい遠く、どの方向にあるのか」がすべてのアイデアです。以下の正式な用語は知っておく価値がありますが、実際に次に行うことを変えるのは平易な質問です。

平均絶対誤差 (MAE) は、実数単位でのミスの平均サイズです。

MAE = |実績 − 予測| の平均

「杉とイチジク、250g」の先週の予測が 35 個で、実際には 42 個売れたとします。外れは |42 − 35| です。 = 7 単位。実際に売れたもののパーセンテージとして表される、同じミスが平均絶対パーセント誤差 (MAPE) です。

MAPE = ( |実績 − 予測 | ÷ 実績 ) の平均 (パーセンテージとして)

7 ÷ 42 = 16.7%。 MAPE が人気があるのは、スケールフリーであるためです。パーセンテージを使用すると、1 日 5 単位のローソク足と 1 日 50 単位のローソク足を比較することができ、数字が大きい方が自動的に悪く見えることはありません。それはまさに壊れるところでもあります。

1 個を販売する 2 個の SKU 予測は、その週の 100% MAPE を示します — |1 − 2| ÷ 1 = 100% — たとえ実際のミスが 1 ユニットだったとしても。ほとんどの小規模な Shopify カタログには、まさにこの種の少量 SKU のロングテールが含まれているため、販売者が実際に読む必要がある製品に関して MAPE の信頼性が最も低くなります。 1 桁で販売されているものについては、MAE (生のユニット数) を追跡します。

サイズだけでは方向性がわかりません。バイアス — 平均パーセント誤差 (MPE) — は絶対値を取得する代わりに符号を保持するため、相殺されるのではなく一貫した傾きが表示されます。

予測バイアス (MPE) = ( (予測 − 実際) ÷ 実際) の平均、符号付き

同じ週の場合: (35 − 42) ÷ 42 = −16.7%。マイナス記号は、予測が実際の販売額を下回ったことを示します。そのうちの1週間は騒音です。週がすべてマイナスに転じるということは、体系的に低い予測であることを意味します。MAE と MAPE だけでは、どちらも方向性を追跡しないため、このパターンは表示されません。

関連するメトリクスであるトラッキング信号は、その種のランを捕捉します。これは、符号付き誤差の累積合計を平均絶対誤差で割ったもので、常にゼロから離れる値を監視します。一般的に使用されるデフォルトでは、およそ ±4 を調査する価値があるものとして扱いますが、これは業界の慣例であり、派生した統計的制限ではありません。同じ注意が MAPE にも当てはまります。普遍的な「適切な」MAPE 番号はありません。何が合理的であるとみなされるかは、カテゴリ、ボラティリティ、および予測がどの程度先かによって異なります。借用したしきい値ではなく、自分の数値を独自の傾向と比較してください。

予測と実際のレビュー

1 週間の誤差だけでは、ほとんど何もわかりません。すべての予測が外れる場合があります。また、1 日 5 単位の製品で 5 単位が外れるのと、1 日 500 単位の製品で同じ外れるのは話が異なります。重要なのはレビューです。同じ SKU について、期間ごとに予測と実績を並べて記録し、単一の数字に反応するのではなくパターンを観察します。

そこでは 2 つのことを分けて考える必要があります。誤差サイズは、最近の予測の精度を示します。方向 — バイアス、上記 — は、体系的なリーンがあるかどうか、単に両方の点でノイズが多いエラーとは異なる修正が必要な別の問題であるかどうかを示します。ノイズが多いが中心の場合はより安定した入力が必要で、バイアスがある場合は根本的な仮定を修正する必要があります。

これを実行する頻度は、間違った番号がどれくらいの速さでコストがかかるかによって決まります。動きが速いと悪い予測がすぐに悪化するため、毎週の分析には 10 分間の価値があります。売れ行きの遅い銘柄は、毎月チェックすればそれほど見逃すことはありません。リスクは通常、突然ではなくゆっくりと変化します。

再調整の習慣を築く

予測に複雑さを加える前に実行する価値のあるチェックが 1 つあります。これを、可能な限り単純なベースライン、つまり前期間の実際の数値を繰り返すだけの単純な予測と比較します。この比較は、予測実務では「予測付加価値」という名前が付けられていますが、その背後にある疑問は率直です。より慎重な予測が実際に「先週の数値を使用する」よりも優れているのか、それとも追加のプロセスがその見返りを獲得していないのか、ということです。

上記のレビューで実際に繰り返されるミス (騒々しい 1 週間ではなくパターン) が判明した場合、修正方法が別の方式になることはほとんどありません。ほとんどの場合、それは具体的な原因の短いリストです。実際のトレンドを逃した販売期間の遅れ、インプットが更新されずに変更されたリードタイム、ベースラインをひそかに歪めたプロモーションや在庫切れなどです。この背景にあるよくある予測ミス推測するのではなく、直接確認する価値があります。

予測を記録し、実際の予測を待ち、ギャップを計算し、実際のカタログ全体のパターンを監視するという習慣は、最初の 1 週間は生き残り、3 週間目までには薄れてしまいます。ストックキューは、実際の売上高に対して各 SKU の予測を毎晩再計算するため、比較はスプレッドシート内で行われるのではなく、自動的に行われます。成長については、「なぜこの数量なのか?」内訳は、どの入力 (速度、トレンド、または季節性) が数値を動かしたかを正確に示し、「予測は外れました」を「このために予測が外れました」に変えます。

よくある質問

在庫予測の精度をどのように測定しますか?

予測の精度は、予測した内容と実際に販売された商品を比較し、そのギャップの大きさと方向の両方を調べることによって測定されます。サイズは通常、MAE (平均ミス、単位) または MAPE (実際の売上のパーセンテージとしてのミス) として表されます。方向性 (一貫して過大予測か過小予測か) は、同様に重要な別の質問です。

小規模な Shopify ストアで予想される妥当な予測誤差はどれくらいですか?

Shopify ストアごとに単一の「適切な」予測誤差数値はありません。それはカテゴリ、自然な需要の変動の程度、予測期間によって異なり、普遍的なしきい値を設定する信頼できる情報源はありません。時間の経過とともに、代わりに SKU ごとに独自のエラーを追跡します。外部バーをクリアすることよりも、安定か改善が重要であり、1 つの SKU でのエラーの拡大は、絶対的な数字ではなく、調査すべきシグナルです。

予測と実際の売上をどれくらいの頻度で比較する必要がありますか?

大量生産では悪い予測が急速に悪化するため、動きの速い製品の場合は毎週。通常、週ごとのノイズに反応する必要がなく、遅い販売者にとっては月次で十分です。いずれにせよ、真の変化（新しいトレンド、リードタイムの​​変化、在庫切れ）が何ヶ月も気づかれずに繰り返される前に、それが十分に一貫して発生する必要があります。

この測定習慣が当てはまる完全なプロセスについては、を参照してください。Shopify 在庫予測の完全ガイド。