Voorraadprognosemethoden voor Shopify-verkopers

Vraag vijf verkopers hoe zij de voorraad voorspellen en u krijgt vijf verschillende antwoorden, waarvan de meeste half goed zijn voor de SKU waar de verkoper toevallig aan dacht. Een kaars die vijf eenheden per dag verkoopt, zo stabiel als een metronoom, en een nicheaccessoire dat vier eenheden per dag verkoopt en de rest van de tijd nul, zijn niet hetzelfde voorspellingsprobleem. De methode die voor de één werkt, zal u voor de ander actief misleiden.

In dit bericht worden de methoden onderzocht die de moeite waard zijn om te weten, georganiseerd rond de vorm die de vraag van een SKU daadwerkelijk aanneemt. Als u dat eerst goed doet, is het kiezen van een methode niet langer een gok.

Kwantitatief versus kwalitatief

Kwantitatieve prognoses bouwen een getal op uit uw eigen verkoopgeschiedenis: een formule toegepast op echte gegevens. Kwalitatieve, of veroordelende, voorspellingen vervangen ervaring en vergelijking als er niet genoeg geschiedenis is om uit te rekenen, zoals beschreven in een eigen sectie hieronder.

Voordat u tussen kwantitatieve methoden kunt kiezen, is het de moeite waard om de classificatie te kennen die daadwerkelijk verklaart waarom de ene methode goed werkt op de ene SKU en slecht op de andere. Een vraagvoorspellingsclassificatie toegeschreven aan Syntetos, Boylan en collega's splitst de vraag op in vier patronen, gebaseerd op twee dingen: hoe regelmatig een SKU überhaupt verkoopt, en hoeveel de hoeveelheid schommelt als dat gebeurt.

Glad– verkoopt vaak, elke keer in ongeveer dezelfde hoeveelheid.

Onregelmatig– verkoopt vaak, maar de hoeveelheid schommelt enorm.

Intermitterend– verkoopt zelden, maar ongeveer dezelfde hoeveelheid als dat wel het geval is.

Bubbel– wordt zelden verkocht, en de hoeveelheid is ook onvoorspelbaar.

De krant trekt de grens tussen ‘reguliere’ en ‘irreguliere’ verkopen met een gemiddelde kloof van 1,32 perioden tussen de verkopen, een cijfer dat rechtstreeks is ontleend aan de door de krant zelf gepubliceerde grenswaarde. Een begeleidende grenswaarde van 0,49, voor hoeveel hoeveelheid mag variëren voordat de vraag als 'grote variatie' geldt, wordt overal herhaald waar deze classificatie voorkomt, maar deze kon niet worden herleid tot de eigen tekst van het primaire artikel. Beschouw het als een conventie, niet als een vaste lijn.

Nog een rimpeltje: in welke emmer een SKU valt, staat niet vast. Een SKU die er dag na dag met tussenpozen uitziet, kan er week na week soepel uitzien, simpelweg omdat een bredere bucket minder perioden met nulverkoop te zien heeft. Voordat u besluit dat een SKU 'gewoon onvoorspelbaar' is, moet u controleren of u er op een verstandig aggregatieniveau naar kijkt.

De rest van dit bericht is rond die classificatie georganiseerd. Maar eerst,breng uw eigen verkoopgegevens in vorm. Elke onderstaande methode gaat ervan uit dat deze er al is.

voortschrijdend gemiddelde

Een eenvoudig voortschrijdend gemiddelde neemt het gemiddelde van uw laatste N verkoopperioden; de volgende voorspelling is precies dat gemiddelde, en het venster schuift periode voor periode vooruit. Het is de methode achter het ‘gemiddelde dagelijkse verkoop’-cijfer van de bestelpuntformule, en het is echt het juiste hulpmiddel voor een soepele vraag: regelmatige verkopen met weinig variatie, zonder echte trend.

De gedocumenteerde limiet is trend: het is alleen een bruikbare schatting als de onderliggende gegevens er geen hebben, en expliciet geen goede schatter als er een trend optreedt. Iedere periode in de periode heeft evenveel gewicht, ook de verouderde periodes, en loopt dus altijd achter bij een echte verschuiving naar boven of naar beneden. Een gewogen variant, waarbij recente perioden meer invloed krijgen, verzacht dit zonder het op te lossen. Zie voor de volledige formule en een uitgewerkt voorbeeldonze voortschrijdend gemiddelde diepe duik.

Exponentiële afvlakking

Exponentiële afvlakking lost het probleem van ‘oude gegevens tellen nog steeds volledig mee’ op een andere manier op: in plaats van een harde grenswaarde voor N perioden, krijgt elke observatie uit het verleden een gewicht dat afneemt naarmate deze verder naar achteren ligt.

Volgende afgevlakte waarde = α × (laatste werkelijke waarde) + (1 − α) × (laatste afgevlakte waarde)

Alfa, ergens boven de 0 en maximaal 1, bepaalt hoeveel gewicht recente gegevens krijgen: hoger reageert sneller, lager verzacht harder en houdt de geschiedenis langer vast. Er is niet één correcte alfa. De standaardrichtlijn is om de waarde te kiezen die uw voorspellingsfout op uw eigen gegevens minimaliseert, meestal door tussen 0,1 en 0,9 te testen, en niet door een getal te kopiëren dat in sommige blogposts 'industriestandaard' wordt genoemd. Net als bij een gewoon voortschrijdend gemiddelde blinkt enkelvoudige afvlakking niet uit zodra een trend zich voordoet. Daarom bestaan ​​er uitgebreide versies: dubbele afvlakking voegt een trendterm toe, en drievoudige afvlakking ("Holt-Winters") voegt daar nog een seizoensterm aan toe.

Intermitterende vraag, zelden verkoop, consistente hoeveelheid als dat wel het geval is, breekt beide bovenstaande methoden, omdat de meeste periodes niets te verzachten hebben. De methode van Croston is hiervoor ontwikkeld: er worden twee afgevlakte reeksen bijgehouden, één voor de verkoopomvang en één voor de kloof tussen de verkopen, en deze wordt alleen bijgewerkt wanneer iets daadwerkelijk is verkocht.

Prognosepercentage = (afgevlakte vraagomvang) ÷ (afgevlakte interval tussen verkopen)

Het heeft een eigen gedocumenteerde zwakte: uit onderzoek naar de methode blijkt dat er sprake is van een consistente positieve bias, wat betekent dat de methode de neiging heeft om te veel te voorspellen. Een algemeen voorgestelde correctie kan net zo gemakkelijk de andere kant op overcorrigeren, dus geen van beide versies is standaard neutraal. Het is de moeite waard om te weten of een paar van je slow movers het zouden gebruiken, zonder te verwachten dat er een specifiek nummer aan de bias verbonden is, omdat geen enkele traceerbare bron er een op zet.

Op herschikkingspunten gebaseerde prognoses

Deformule voor het opnieuw ordenen van puntenwordt gewoonlijk niet onder 'prognoses' geplaatst, maar functioneert als één geheel: gemiddelde dagelijkse omzet, geprojecteerd over de doorlooptijd, plus een buffer. Hetzelfde Cedar & Fig, 250g-voorbeeld uit die gids (5 eenheden per dag, een doorlooptijd van 12 dagen, 30 eenheden veiligheidsvoorraad) bereikt een herbestelpunt van 90 eenheden, en die 90 is in werkelijkheid een vraagvoorspelling voor de korte horizon die de naam van een triggerpoint draagt.

Het sluit goed aan bij een soepele tot matig grillige vraag, om dezelfde reden als een voortschrijdend gemiddelde: het gaat ervan uit dat de recente snelheid een goede vervanging is voor de snelheid in de nabije toekomst. Het heeft geen zin meer zodra een SKU onregelmatig of klonterig is. 'Gemiddelde dagelijkse verkoop' betekent nauwelijks iets voor een product dat twee keer per maand in enorm verschillende hoeveelheden wordt verkocht, en een bestelpunt dat op dat gemiddelde is gebaseerd, triggert hoe dan ook bijna het verkeerde moment.

Oordelende voorspelling

Oordeelsmethoden maken van ervaring en vergelijking een getal als er niet genoeg verkoopgeschiedenis is om een formule op te baseren: een werkelijk klonterige SKU, of een zonder geschiedenis. Wetenswaardigheden: analoge prognoses (het vinden van een bestaand, vergelijkbaar product en het gebruiken van het vroege patroon ervan als sjabloon), de mening van deskundigen en de Delphi-methode, een gestructureerd proces van anonieme, meerronde schattingen, ontworpen om het groepsdenken dat een enkele mening of een open discussie teweegbrengt te verminderen.

Geen van deze is neutraal. Oordelende schattingen dragen de eigen bias van de schatter in zich door hun constructie, waarbij ze verankerd zijn in een initieel getal of een agenda die niets met het product te maken heeft. De mening van deskundigen is het zwakst, precies waar deze er het meest toe doet: iets dat werkelijk nieuw is, zonder echt precedent om op te redeneren. De meest consistente bevinding in het onderzoek is dat het combineren van meer dan één methode (een analoge schatting, een oordelende schatting en de eerste echte verkoopweken zodra deze binnenkomen) beter presteert dan het vertrouwen op één enkele methode.

De klonterige vraag verdient hier een vermelding, omdat dit het patroon is dat geen van de bovenstaande kwantitatieve methoden goed aankan: onregelmatige timing en onvoorspelbare omvang behoren samen tot de moeilijkste voorspellingsproblemen die er zijn, volgens het onderzoek, zonder oplossing in één enkele formule. Specifiek voor een gloednieuw product, dat nog geen verkoopgeschiedenis heeft,wij dekken dat geval volledig: analoge vergelijking, vroege signalen en het dimensioneren van een eerste bestelling onder echte onzekerheid.

Kiezen op catalogusgrootte

Onder ongeveer 30 SKU's werkt bijna al het bovenstaande met de hand. Kies een voortschrijdend gemiddelde of de formule voor herschikkingspunten voor uw vlotte verkopers, noteer welke SKU's intermitterend of klonterig zijn en behandel deze met meer oordeelsvermogen en een bredere buffer, en bereken ze maandelijks opnieuw.

Voorbij dat is de echte beperking niet welke formule 'beste' is. Het is dat een echte catalogus nooit één vraagpatroon is. Een typische winkel heeft een handvol vlotte bestsellers, een breder scala aan grillige producten uit het middensegment en een lange staart van intermitterende en klonterige SKU's die nauwelijks vaak genoeg verkopen om er iets van te kunnen gemiddelde. Het toepassen van één methode op allemaal is geen vereenvoudiging; het is een discrepantie voor het grootste deel van de catalogus.

Het opnieuw classificeren van welk patroon elke SKU hoort, en het opnieuw uitvoeren van de juiste formule voor elke SKU, is haalbaar bij een paar dozijn SKU's en echt onhoudbaar als er elke maand een paar honderd met de hand worden gedaan.StockCuevraagt ​​je niet om één methode te kiezen en die op alles toe te passen. Het combineert een recente en een basisverkoopperiode per SKU, voegt daar trendgevoeligheid en seizoensindices aan toe en sluit uitschieters automatisch uit, voor elk abonnement, inclusief Gratis. Voor het volledige proces waar dit bij past, zie onzecomplete gids voor Shopify-voorraadprognoses.

Veelgestelde vragen

Wat is de eenvoudigste voorraadprognosemethode voor een kleine Shopify-winkel?

Voor een kleine catalogus van vaste verkopers is een eenvoudig voortschrijdend gemiddelde of de bestaande formule voor bestelpunten meestal voldoende; beide hebben alleen een gemiddelde van recente verkopen, een doorlooptijd en een buffer nodig. Ze zijn specifiek het juiste startpunt voor een soepele vraag; een SKU die zelden of in enorm verschillende hoeveelheden wordt verkocht, heeft een andere aanpak nodig.

Wat is het verschil tussen voortschrijdend gemiddelde en exponentiële afvlakking?

Een voortschrijdend gemiddelde geeft elke periode binnen een vast venster evenveel gewicht en laat alles wat ouder is geheel vallen. Exponentiële afvlakking behoudt de hele geschiedenis, maar laat de invloed ervan afnemen naarmate het verder teruggaat, gecontroleerd door een afvlakkingsconstante, alfa. Beide delen dezelfde kernbeperking: geen van beide kan op zichzelf goed met een trend omgaan. Daarom bestaan ​​er trend- en seizoensgecorrigeerde varianten van exponentiële afvlakking.

Wanneer moet een Shopify-winkel kwalitatieve prognoses gebruiken in plaats van een formule?

Wanneer er niet genoeg verkoopgeschiedenis is om een ​​formule op te baseren: een gloednieuw product of een bestaande SKU waarvan de vraag echt klonterig is (onregelmatige timing en onvoorspelbare hoeveelheid samen). De sterkste aanpak in die situatie is het combineren van meer dan één beoordelingsmethode, of een beoordelingsschatting met vroege reële verkoopgegevens, in plaats van te vertrouwen op één enkele mening.

Verandert de beste voorspellingsmethode naarmate een winkel groeit?

De juiste methode voor een bepaalde SKU gaat eigenlijk over het vraagpatroon, niet direct over de grootte van de winkel – maar een grotere catalogus heeft meer SKU's in elk patroon tegelijk, en het handmatig classificeren en herberekenen van elke SKU wordt de echte beperking. Dat is niet zozeer een ‘betere formule’-probleem, maar meer een ‘wie heeft tijd om dit elke maand opnieuw te doen’-probleem.