Shopify 販売者向けの在庫予測方法

5 人の販売者に在庫をどのように予測するかを尋ねると、5 つの異なる答えが得られます。そのほとんどは、販売者がたまたま考えていた SKU に対して半分正解です。メトロノームのように安定して 1 日に 5 個売れるキャンドルと、好調な月には 4 個売れ、それ以外の期間はゼロになるニッチなアクセサリーは、同じ予測問題ではありません。一方ではうまくいく方法は、もう一方では積極的に誤解を招くことになります。

この投稿では、SKU の需要が実際にどのような形になるかを中心に、知っておく価値のある方法を概説します。まずそれを正しく理解すれば、方法の選択が推測にならずに済みます。

定量的 vs. 定性的

定量的予測では、実際のデータに適用される式である、独自の販売履歴から数値を構築します。定性的または判断的な予測は、計算に使用できる十分な履歴がない場合に経験と比較を代替します。これについては、以下の別のセクションで説明します。

どちらの定量的手法を選択する前に、ある手法がある SKU ではうまく機能し、別の SKU ではうまく機能しない理由を実際に説明する分類を知っておく価値があります。 Syntetos 氏と Boylan 氏らの功績による需要予測分類では、SKU がどのくらい定期的に販売されるか、および販売される際に数量がどの程度変動するかという 2 つのことに基づいて、需要を 4 つのパターンに分類します。

スムーズ— 毎回ほぼ同じ量が頻繁に売れます。

不安定な— 頻繁に売れますが、数量は大きく変動します。

断続的— めったに売れませんが、売れたときはほぼ同じ量です。

ゴツゴツした— めったに売れず、数量も予測できません。

同紙は、「定期」販売と「不定期」販売の線引きを平均1.32期間の販売間隔で行っており、この数字は同紙自身が公表しているカットオフから直接得たものである。需要が「変動が大きい」と見なされる前に、どの程度の量の変動が許容されるかを示す関連カットオフ 0.49 は、この分類が表示されるあらゆる場所で繰り返されますが、主要な論文自体のテキストまで遡ることはできませんでした。それを固定的なラインではなく、慣例として扱います。

もう 1 つ問題があります。SKU がどのバケットに分類されるかは修正されていません。毎日カウントすると断続的に見える SKU も、週ごとにカウントするとスムーズに見えることがあります。これは単に、バケットが広いほど表示されるゼロ販売期間が少なくなるためです。 SKU が「まったく予測できない」と判断する前に、それを妥当なレベルの集計で見ているかどうかを確認してください。

この投稿の残りの部分は、その分類に基づいて構成されています。ただし、まず、独自の販売データを形にする。以下のすべてのメソッドは、それがすでに存在していることを前提としています。

移動平均

単純移動平均では、過去 N 期間の売上を取得し、それらを平均します。次の予測はその平均値であり、ウィンドウは一度に 1 期間ずつ前方にスライドします。これは、再注文ポイント式の「平均日販」数値の背後にある方法であり、実際の傾向のない定期的で変動の少ない販売という、スムーズな需要に真に適したツールです。

文書化された限界は傾向です。これは基礎となるデータに何もない場合にのみ有用な推定値であり、傾向が現れると明らかに適切な推定量ではありません。ウィンドウ内の各期間は、古いものも含めて同じ重みを持っているため、実際の上下のシフトよりも常に遅れます。最近の期間により多くの影響を与える加重バリアントは、これを解決せずに和らげます。完全な式と実際の例については、を参照してください。移動平均の詳細な分析。

指数平滑化

指数平滑化は、「古いデータがまだ完全にカウントされている」問題を別の方法で解決します。N 期間でのハード カットオフの代わりに、過去のすべての観測値に重みが付けられ、過去に遡るほど減衰します。

次の平滑化値 = α × (最後の実際の値) + (1 − α) × (最後の平滑化値)

アルファは 0 より大きく 1 までの値で、最近のデータの重みを制御します。値が高いとより速く反応し、値が低いほどスムーズに滑らかになり、履歴をより長く保持します。単一の正しいアルファはありません。標準的なガイダンスは、ブログ投稿で「業界標準」と呼ばれる数値をコピーするのではなく、通常は 0.1 ～ 0.9 の間でテストして、独自のデータの予測誤差を最小限に抑える値を選択することです。単純な移動平均と同様、一度トレンドが現れると単一平滑化は優れた効果を発揮しません。これが拡張バージョンが存在する理由です。二重平滑化はトレンド項を追加し、三重平滑化 (「ホルト-ウィンターズ」) はそれに季節項を追加します。

断続的な需要があり、めったに売れず、売れても一貫した数量では、ほとんどの期間に平滑化するものが何もないため、上記の両方の方法が無効になります。 Croston のメソッドは、このために構築されました。これは、販売サイズ用と販売間のギャップ用の 2 つの平滑化シリーズを保持し、実際に何かが売れた場合にのみ更新します。

予測率 = (平滑化された需要サイズ) ÷ (平滑化された販売間隔)

この手法には、文書化された独自の弱点があります。この手法に関する研究では、一貫してポジティブなバイアスが見つかっており、これは過剰予測する傾向があることを意味します。一般的に提案されている修正は、他の方法でも簡単に過剰修正される可能性があるため、どちらのバージョンもデフォルトでは中立ではありません。追跡可能な情報源がバイアスに値を付けていないため、バイアスに付随する特定の数値を期待せずに、動きの遅い少数の人がそれを使用するかどうかを知る価値があります。

再注文ポイントベースの予測

の再注文ポイントの式通常、「予測」の下にファイルされることはありませんが、リードタイム全体で予測される平均日次売上とバッファーの 1 つとして機能します。このガイドの同じ Cedar & Fig の 250g の例 (1 日あたり 5 ユニット、リードタイム 12 日、安全在庫 30 ユニット) は、再注文ポイントの 90 ユニットに達します。この 90 は、実際にはトリガーポイントの名前を冠した短期間の需要予測です。

これは、移動平均と同じ理由で、平坦な需要から中程度の不安定な需要によく適合します。つまり、最近の速度が近い将来の速度の適切な代用であると仮定します。 SKU が断続的または塊状になると、意味がなくなります。数量が大幅に異なる月に 2 回販売される製品の場合、「1 日の平均売上高」はほとんど意味を持たず、その平均に基づいて構築された再注文ポイントは、どちらにしても間違ったタイミングに近づくきっかけとなります。

判断的な予測

判断手法は、公式を機能させるのに十分な販売履歴がない場合、つまり本当に塊状の SKU や履歴がまったくない場合に、経験と比較を数値に変換します。知っておく価値があるもの: アナログ予測 (既存の類似製品を見つけて、その初期のパターンをテンプレートとして使用する)、専門家の意見、および単一の意見や自由な議論によって生み出されがちな集団的思考を減らすように設計された匿名の複数ラウンド推定の構造化プロセスである Delphi メソッド。

これらはどれも中立ではありません。判断に基づく見積もりには、最初の数字や製品に関係のない議題に基づいた解釈による見積もり者独自のバイアスが含まれています。専門家の意見は、最も重要な点、つまり真に新しいもの、根拠となる実際の先例がないものにおいて最も弱いものです。この調査で最も一貫した発見は、複数の方法 (アナログ推定値、判断推定値、およびそれらが到着してからの実際の最初の数週間の売上) を組み合わせた方が、単一の方法に頼るよりも優れたパフォーマンスを発揮するということです。

不安定な需要については、ここで言及する価値があります。これは、上記の定量的方法のいずれもうまく処理できないパターンであるためです。不規則なタイミングと予測不可能なサイズが組み合わさり、調査によれば、単一の公式による修正が存在しない最も困難な予測問題の 1 つとなります。特に、まだ販売履歴のない新品の商品の場合、私たちはそのケースを完全にカバーします: アナログ比較、初期信号、実際の不確実性の下での 1 次のサイジング。

カタログサイズから選ぶ

約 30 の SKU では、上記のほとんどすべてが手動で機能します。スムーズな販売者の移動平均または再注文ポイントの計算式を選択し、どの SKU が断続的または塊状であるかを記録し、それらをより適切な判断とより広いバッファーで扱い、毎月再計算します。

それ以上に、本当の制約はどの公式が「最適」であるかということではありません。それは、実際のカタログは決して単一の需要パターンではないということです。典型的な店舗には、安定したベストセラー商品がいくつかあり、不安定な中間層の製品が広範囲にあり、平均化できるほど頻繁に売れない、断続的で塊状の SKU のロングテールがあります。 1 つの方法をすべてに適用するのは単純化ではなく、カタログの大部分にとって不一致です。

すべての SKU がどのパターンに属するかを再分類し、それぞれに適切な式を再実行することは、数十の SKU であれば管理可能ですが、毎月手作業で行うのが数百を超えるとまったく持続不可能になります。ストックキュー1 つの方法を選んでそれをすべてに適用するように要求するものではありません。無料を含むすべてのプランで、SKU ごとに最近の販売ウィンドウとベースラインの販売ウィンドウを組み合わせ、トレンド感度と季節指数をその上に追加し、外れ値を自動的に除外します。これに該当する完全なプロセスについては、「Shopify 在庫予測の完全ガイド。

よくある質問

小規模な Shopify ストア向けの最も簡単な在庫予測方法は何ですか?

安定した販売者の小規模なカタログの場合、通常は単純な移動平均または既存の再注文ポイントの計算式で十分です。どちらも最近の売上の平均、リード タイム、バッファーが必要なだけです。これらは、特にスムーズな需要を実現するための適切な出発点です。めったに売れない、または販売数量が大幅に異なる SKU には、別のアプローチが必要です。

移動平均と指数平滑法の違いは何ですか?

移動平均では、固定ウィンドウ内のすべての期間に等しい重みが与えられ、古いものは完全に削除されます。指数平滑化ではすべての履歴が保持されますが、平滑化定数アルファによって制御され、履歴が遡るほどその影響が減衰します。どちらも同じ核となる制限を共有しています。どちらも単独ではトレンドをうまく処理できません。そのため、指数平滑法のトレンド調整および季節調整のバリアントが存在します。

Shopify ストアが数式の代わりに定性的予測を使用する必要があるのはどのような場合ですか?

式を計算するのに十分な販売履歴がない場合、つまり、新品の製品、または需要が非常にばらついている既存の SKU (不規則なタイミングと予測不可能な数量の両方)。このような状況における最も強力なアプローチは、単一の意見を信頼するのではなく、複数の判断方法、または判断による推定と初期の実際の販売データを組み合わせることです。

店舗が成長するにつれて最適な予測方法は変わりますか?

特定の SKU に対する適切な方法は、店舗の規模を直接考慮するのではなく、その需要パターンに基づいたものになります。しかし、カタログが大きくなると、すべてのパターンに一度に含まれる SKU が増えるため、それぞれを手動で分類して再計算することが実際の制約になります。これは「より良い公式」という問題ではなく、「毎月これをやり直す時間が誰にあるのか」という問題です。