Hoe u de nauwkeurigheid van Shopify-voorraadvoorspellingen kunt verbeteren

Een voorspelling die 'uit' is, is op zichzelf geen nuttige informatie. Hoeveel, en in welke richting, zijn twee afzonderlijke vragen. De meeste verkopers die zeggen dat hun voorspellingen 'niet werken', hebben geen van beide daadwerkelijk gemeten. De nauwkeurigheid verbetert minder door een betere formule dan door de gewoonte om een ​​voorspelling te vergelijken met wat er feitelijk is gebeurd, en te lezen wat de kloof zegt.

Waarom voorspellingen afwijken

Meestal is een voorspelling niet verkeerd omdat de methode niet klopt: hij is verkeerd omdat er iets in het bedrijf is veranderd en de voorspelling de achterstand niet heeft ingehaald. EENde doorlooptijd van de leverancierstilletjes langer geworden, apromotiede vraag piekte en verdween, of een echt seizoenspatroon deed zich opnieuw gelden in weerwil van de voorspelling dat de maanden buiten het seizoen nog steeds gemiddeld waren. Geen van deze problemen zijn methodefouten: de voorspelling is gewoon niet verteld dat de grond is verschoven.

Er is een subtielere afwijking zonder enige gebeurtenis erachter: een voorraadtekort. Wanneer een product opraakt, zijn de verkopen die u registreert niet de vraag die er was: het is de vraag waaraan u kon voldoen, met een maximum van nul op het moment dat het schap leegraakte. Een voorspelling die op die geschiedenis is gebaseerd, interpreteert de voorraadtekorten als "de vraag daalde", niet "we raakten op", en bestelt de volgende keer stilletjes minder. Bestel minder, raakt weer op en het aantal blijft glijden – een gedocumenteerd patroon dat ook wel een spiral-down-effect wordt genoemd. Als de voorspelling van een SKU laag blijft en de voorraad nul blijft, controleer dan de voorraadgeschiedenis voordat u de formule aanraakt.

Het meten van voorspellingsfouten

"Hoe ver weg, en in welke richting" is het hele idee. De onderstaande formele termen zijn de moeite waard om te kennen, maar de eenvoudige vraag is wat er feitelijk verandert aan wat u vervolgens doet.

Mean Absolute Error (MAE) is de gemiddelde grootte van de misser, in reële eenheden:

MAE = gemiddelde van |Actueel − Prognose|

Stel dat de voorspelling van vorige week voor "Cedar & Fig, 250g" 35 eenheden was en dat er in werkelijkheid 42 werden verkocht. De misser is |42 − 35| = 7 eenheden. Uitgedrukt als een percentage van wat daadwerkelijk is verkocht, is diezelfde misser de Mean Absolute Percentage Error, oftewel MAPE:

MAPE = gemiddelde van ( |Actueel − Prognose| ÷ Werkelijk ), als percentage

7 ÷ 42 = 16,7%. MAPE is populair omdat het schaalvrij is: met een percentage kun je een kaars van vijf eenheden per dag vergelijken met een kaars van vijftig eenheden per dag, zonder dat het grotere getal er automatisch slechter uitziet. Dat is ook precies waar het kapot gaat.

Een SKU-voorspelling van 2 eenheden waarvan er 1 wordt verkocht, toont een MAPE van 100% voor die week — |1 − 2| ÷ 1 = 100% — ook al was de echte misser één enkele eenheid. De meeste kleine Shopify-catalogi bevatten een lange staart van precies dit soort SKU's met een laag volume, wat MAPE het minst betrouwbaar maakt voor de producten die een handelaar het meest nodig heeft om echt gelezen te worden. Volg MAE, of een onbewerkt aantal eenheden, ernaast voor alles dat in enkele cijfers wordt verkocht.

Alleen de grootte mist richting. Bias – Mean Percentage Error, of MPE – behoudt het teken in plaats van de absolute waarde te nemen, zodat er een consistente lean optreedt in plaats van deze teniet te doen:

Prognoseafwijking (MPE) = gemiddelde van ( (Prognose − Werkelijk) ÷ Werkelijk ), ondertekend

Voor dezelfde week: (35 − 42) ÷ 42 = −16,7%. Het negatieve teken geeft aan dat de voorspelling lager uitkwam dan wat daadwerkelijk werd verkocht. Eén week daarvan is lawaai. Een reeks weken die allemaal negatief zijn, is een voorspelling die systematisch laag is - een patroon dat MAE en MAPE op zichzelf niet zullen laten zien, omdat geen van beide de richting volgt.

Een verwante metriek, het trackingsignaal, vangt dat soort runs op: een cumulatief totaal van de ondertekende fouten gedeeld door de gemiddelde absolute fout, waarbij wordt gekeken naar een waarde die consistent van nul afwijkt. Een veelgebruikte standaard beschouwt ongeveer ±4 als de moeite van het onderzoeken waard, maar dat is een brancheconventie en geen afgeleide statistische limiet. Dezelfde waarschuwing geldt voor MAPE: er bestaat geen universeel "goed" MAPE-nummer. Wat als redelijk geldt, verschilt per categorie, volatiliteit en hoe ver u vooruit loopt. Vergelijk uw eigen cijfers met de eigen trend, en niet met een geleende drempel.

Voorspelling versus daadwerkelijke beoordeling

De fout van één week zegt op zichzelf al bijna niets: elke voorspelling klopt wel eens, en een misser van vijf eenheden voor een product van vijf eenheden per dag is een ander verhaal dan dezelfde misser voor een product van vijfhonderd eenheden per dag. Waar het om gaat is de beoordeling: het naast elkaar registreren van de voorspelling en de werkelijke situatie, voor dezelfde SKU, periode na periode, en het patroon bekijken in plaats van te reageren op een enkel getal.

Hierbij zijn twee dingen de moeite waard om te scheiden. De foutgrootte vertelt u hoe nauwkeurig de voorspelling onlangs is geweest. Richting (bias, hierboven) vertelt je of er sprake is van een systematische lean, een ander probleem met een andere oplossing dan een fout die in beide richtingen eenvoudigweg luidruchtig is: luidruchtig maar gecentreerd heeft een stabielere input nodig, bevooroordeeld vereist dat de onderliggende aanname wordt gecorrigeerd.

Hoe vaak dit moet worden uitgevoerd, hangt af van hoe snel een verkeerd nummer duur wordt. Een fast mover zorgt snel voor een slechte voorspelling, dus wekelijks is de tien minuten waard. Een langzame verkoper kan maandelijks worden gecontroleerd zonder veel te missen; het risico is meestal een langzame verandering, en niet een plotselinge.

Het opbouwen van een herijkingsgewoonte

Eén controle die de moeite waard is voordat u complexiteit aan een voorspelling toevoegt: vergelijk deze met de eenvoudigst mogelijke basislijn, een naïeve voorspelling die alleen maar het werkelijke getal van de afgelopen periode herhaalt. Deze vergelijking heeft in de voorspellingspraktijk een naam: Forecast Value Added, en de vraag erachter is bot: is de meer zorgvuldige voorspelling daadwerkelijk beter dan 'gebruik gewoon het getal van vorige week', of verdient het extra proces zijn geld niet?

Wanneer uit de recensie hierboven blijkt dat er sprake is van een echte, herhaalde misser (niet één luidruchtige week maar een patroon), is de oplossing zelden een andere formule. Het is bijna altijd een korte lijst met concrete oorzaken: een verouderde verkoopperiode die een echte trend miste, een doorlooptijd die veranderde zonder dat de input werd bijgewerkt, een promotie of een voorraadtekort die stilletjes de basislijn vervormde.De veel voorkomende voorspellingsfouten hierachterzijn de moeite waard om direct te controleren, in plaats van te raden.

Een voorspelling vastleggen, wachten op de werkelijkheid, de kloof berekenen en kijken naar een patroon in een echte catalogus is het soort gewoonte dat de eerste week overleeft en tegen de derde vervaagt.StockCueherberekent elke nacht de voorspelling van elke SKU tegen de echte verkopen, zodat de vergelijking automatisch plaatsvindt in plaats van in een spreadsheet te leven. Over groei, de vraag "waarom dit aantal?" Uitsplitsing laat precies zien welke input (snelheid, trend of seizoensinvloeden) het getal heeft verplaatst, waardoor 'de voorspelling niet klopte' in 'de voorspelling hierdoor niet klopte'.

Veelgestelde vragen

Hoe meet u de nauwkeurigheid van voorraadprognoses?

De nauwkeurigheid van de prognose wordt gemeten door uw voorspelling te vergelijken met wat daadwerkelijk is verkocht, en vervolgens te kijken naar zowel de omvang als de richting van het verschil. Grootte wordt meestal uitgedrukt als MAE (de gemiddelde misser, in eenheden) of MAPE (de misser als percentage van de werkelijke omzet); richting (of je nu consequent te veel of te weinig voorspelt) is een aparte vraag die net zo belangrijk is.

Wat is een redelijke voorspellingsfout die je kunt verwachten voor een kleine Shopify-winkel?

Er is geen enkel ‘goed’ voorspellingsfoutnummer voor elke Shopify-winkel: het hangt af van de categorie, hoe volatiel de vraag van nature is en de voorspellingshorizon, en geen enkele geloofwaardige bron stelt een universele drempel vast. Volg uw eigen fout in de loop van de tijd en in plaats daarvan per SKU: stabiel of verbeteren is belangrijker dan het opheffen van een externe balk, en een steeds groter wordende fout op één SKU is het signaal om te onderzoeken, niet het absolute cijfer.

Hoe vaak moet u een prognose vergelijken met de daadwerkelijke verkoop?

Wekelijks voor snel bewegende producten, omdat een slechte voorspelling snel toeneemt bij een hoog volume. Maandelijks is meestal voldoende voor langzamere verkopers, zonder te reageren op gewone wekelijkse ruis. Hoe het ook zij, het moet zo consistent gebeuren dat een echte verschuiving (een nieuwe trend, een verandering in de doorlooptijd, een voorraadtekort) wordt opgemerkt voordat deze zich maandenlang onopgemerkt herhaalt.

Voor het volledige proces waar deze meetgewoonte in past, ziede complete gids voor Shopify-voorraadprognoses.