Todos os guias

Inventário21 de agosto de 20266 minutos de leitura

Erros comuns de previsão de estoque do Shopify

Os erros recorrentes que destroem silenciosamente a previsão de estoque de uma loja Shopify - desde janelas de dados desatualizadas até ignorar totalmente as mudanças no prazo de entrega.

A maioria dos erros de previsão não é uma fórmula ruim. Eles são uma boa fórmula alimentada com um número que já estava errado antes de a matemática começar. Esta é uma lista de verificação, não um ensaio – cada item nomeia o erro e leva ao post que ensina a correção real.

Um deles merece mais do que uma linha antes do início da lista, porque é aquele que os comerciantes vivem repetidamente sem nunca terem um nome para ele.

Uma ruptura de estoque não custa apenas as vendas que você perdeu naquela semana. Ensina sua previsão a esperar menos. Se um SKU esgotar e permanecer fora por três dias, seu histórico de vendas mostrará três dias de demanda quase zero – não porque os clientes pararam de querer, mas porque não havia nada na prateleira para comprar. Uma previsão baseada nesse histórico considera esses três dias estáveis ​​como reais, ordena um pouco a menos no próximo ciclo, esgota-se novamente um pouco mais cedo e repete-se. Os pesquisadores chamam isso de demanda censurada: o registro de vendas mostra o que você foi capaz de vender, não o que as pessoas realmente queriam, e uma previsão que trata os dois como a mesma coisa irá silenciosa e sistematicamente subordenar os SKUs exatos que continuam ficando sem estoque.

Uma ruptura de estoque não custa apenas as vendas desta semana – ela ensina sua previsão a esperar menos, permanentemente, até que alguém perceba.

Why each stockout produces a smaller restock than the lastA line chart of one SKU’s stock level across three repeated stockout cycles. In each cycle the recorded stock level, drawn as a solid emerald line, depletes in a straight run down to zero, then sits flat on zero for a visible stockout window while there is nothing left to sell. During that flat window a dashed brass line continues below the zero line, representing the demand that still existed but could not be recorded, because a sale needs stock and there was none. When each stockout ends, stock jumps back up at a restock — but each restock lands lower than the one before it, so the highest point of the line drops visibly after every cycle, following the thin dashed line connecting the three restock peaks. This is illustrative of a pattern, not a real dataset, so there are no numbers on either axis. The argument: a forecast built only from recorded sales reads each stockout’s flat, near-zero demand as if it were real, so it orders a little less next time, produces a smaller peak, reaches the next stockout a little sooner, and repeats — the system is learning the wrong lesson from its own failure.Stock level after repeated stockoutssame SKU, three cycles — each restock lands lower than the lastStockoutagainagainRestocksmaller reorderRestocksmaller stilleach restock lands lower than the lastcycle repeatsstock level — what’s on the shelf, and what gets recordeddemand that existed but couldn’t be recorded — nothing was there to sell
Nenhum dos três reabastecimentos neste gráfico parece errado isoladamente – cada um corresponde ao que os dados de vendas mostraram. Os dados em si já estavam mentindo, uma ruptura de estoque de cada vez.

Erros de dados

  • Tratar os dias de ruptura como uma baixa procura normal.O histórico de vendas de um SKU esgotado subestima a demanda real, distorcendo todas as previsões futuras para baixo e tornando a próxima ruptura de estoque mais provável, e não menor. Construir o hábito de capturar isso pertencemedir se sua previsão é realmente precisa.
  • Média de um ano inteiro em vez de uma janela recente.Uma média anual obsoleta não diz nada sobre uma velocidade que dobrou no último trimestre. Veja a opinião do próprio posto de reabastecimentorecalculando a partir de uma janela recente de 60 a 90 dias.
  • Ignorando a limpeza de valores discrepantes antes da previsão.Um único pedido em massa ou atacado deixado nos dados inflaciona cada média construída a partir dele. Limpar isso está coberto emusando seus próprios dados de vendas do Shopify.
  • Aplicar um método de produto estabelecido a um SKU sem histórico.Não há velocidade média quando um produto tem zero vendas anteriores – um conjunto diferente de métodos se aplica. Vejaprevendo um produto totalmente novo.

Erros de Método

  • Executar uma média móvel plana em um produto sazonal ou de tendência.Uma média simples não pressupõe tendência; fica atrasado em relação a uma mudança genuína para cima ou para baixo e perde totalmente as oscilações sazonais. Vejaquando a média móvel quebra.
  • Nunca compare métodos com o padrão do seu próprio catálogo.O método adequado para um vendedor constante costuma ser o errado para um SKU sazonal ou com picos. Comece comcomparando métodos de previsão.

Erros de processo

  • Definir a previsão para corresponder a uma meta de vendas em vez do resultado provável.Uma previsão ajustada discretamente para atingir uma meta deixa de funcionar como um sinal de alerta precoce e leva a um excesso de stock face à realidade. Coberto emmelhorando a precisão da previsão.
  • Publicar um único número sem intervalo ao seu redor.Uma previsão pontual sem incerteza declarada não fornece base para dimensionar um buffer de estoque de segurança. Vejaescolhendo seu número de estoque de segurança.
  • Nunca comparando a previsão com o que realmente foi vendido.Uma previsão que nunca é revisada em relação aos resultados reais pode ficar errada por meses antes que alguém perceba. O hábito que vale a pena construir está emmedindo o erro de previsão.

Erros de fatores externos

  • Não perceber que o prazo de entrega de um fornecedor mudou silenciosamente.Um ponto de novo pedido baseado no prazo de entrega de 10 dias do ano passado está errado no momento em que chega a 18. Consultecomo o lead time afeta sua previsão.
  • Permitir que o pico de uma promoção distorça a linha de base contínua.Uma semana promocional não sinalizada inserida no histórico de vendas normal exagera a demanda "típica" para cada semana futura sem promoção. Vejacomo as promoções afetam a previsão.
  • Faltando totalmente um padrão genuinamente sazonal.Uma média fixa ao longo de um ano inteiro esconde uma oscilação que um índice sazonal teria captado. Vejaprevisão de inventário sazonal.

Alguns deles são problemas estruturais e não de esforço – uma janela de velocidade obsoleta, uma mudança despercebida no prazo de entrega, uma ruptura de estoque que desvia silenciosamente a próxima previsão para baixo. Recalcular cada SKU manualmente, toda semana, detecta isso em teoria; na prática, é a tarefa que escapa primeiro quando um catálogo passa pelo que uma pessoa pode ter na cabeça.StockCuerecalcula a previsão de cada SKU todas as noites a partir de dados de pedidos em tempo real, o que remove vários desses erros estruturalmente, em vez de depender de alguém que se lembre de verificar.

ESTOQUE

Janelas obsoletas e mudanças despercebidas no prazo de entrega são fáceis de perder manualmente e difíceis de perder quando uma previsão se recalcula todas as noites. StockCue faz isso para cada SKU, em um plano gratuito que cobre os primeiros 50.

Instale StockCue no Shopify →

Devmerx

Devmerx é uma agência de desenvolvimento Shopify e WordPress que ajuda marcas DTC a construir lojas mais rápidas, migrações mais limpas e experiências de maior conversão. Com sede em Londres, Reino Unido, atendendo clientes em todo o mundo.

Veja nosso trabalho

Precisa de ajuda com sua loja Shopify?

Devmerx constrói e otimiza lojas Shopify para marcas DTC. Agende uma consulta gratuita de 20 minutos.

Marque uma consulta gratuita