Métodos de previsão de estoque para comerciantes do Shopify

Pergunte a cinco comerciantes como eles prevêem o estoque e você obterá cinco respostas diferentes, a maioria delas parcialmente corretas para qualquer SKU em que o comerciante estivesse pensando. Uma vela que vende cinco unidades por dia, estável como um metrônomo, e um acessório de nicho que vende quatro unidades em um mês bom e zero no resto do tempo não são o mesmo problema de previsão. O método que funciona para um irá enganá-lo ativamente para o outro.

Esta postagem examina os métodos que vale a pena conhecer, organizados em torno do formato que a demanda de um SKU realmente assume. Acerte primeiro e escolher um método deixa de ser uma suposição.

Quantitativo vs. qualitativo

A previsão quantitativa constrói um número a partir do seu próprio histórico de vendas: uma fórmula aplicada a dados reais. A previsão qualitativa ou crítica substitui a experiência e a comparação quando não há histórico suficiente para calcular, abordado em sua própria seção abaixo.

Antes de escolher entre métodos quantitativos, vale a pena conhecer a classificação que realmente explica por que um método funciona bem em um SKU e mal em outro. Uma classificação de previsão de demanda creditada a Syntetos, Boylan e colegas divide a demanda em quatro padrões, com base em duas coisas: com que regularidade um SKU é vendido e quanto a quantidade varia quando isso acontece.

Suave- vende com frequência, aproximadamente na mesma quantidade todas as vezes.

Errático– vende com frequência, mas a quantidade varia muito.

Intermitente– vende raramente, mas aproximadamente a mesma quantidade quando o faz.

Irregular– vende raramente e a quantidade também é imprevisível.

O artigo traça a linha entre vendas “regulares” e “irregulares” com uma diferença média de 1,32 períodos entre as vendas, um valor retirado diretamente do ponto de corte publicado pelo próprio jornal. Um ponto de corte complementar de 0,49, para o quanto a quantidade pode variar antes que a demanda seja considerada como “alta variação”, é repetido em todos os lugares onde essa classificação aparece, mas não pôde ser rastreada até o próprio texto do artigo primário. Trate isso como uma convenção, não como uma linha fixa.

Mais um problema: o intervalo em que um SKU cai não é corrigido. Um SKU que parece contado de forma intermitente dia após dia pode parecer contado suavemente semana após semana, simplesmente porque um intervalo mais amplo tem menos períodos de vendas zero para mostrar. Antes de decidir que um SKU é “simplesmente imprevisível”, verifique se você o está analisando em um nível sensato de agregação.

O restante deste post está organizado em torno dessa classificação. Primeiro, porém,coloque seus próprios dados de vendas em forma. Cada método abaixo pressupõe que já esteja lá.

Média móvel

Uma média móvel simples pega seus últimos N períodos de vendas e calcula a média deles; a próxima previsão é apenas essa média, e a janela avança um período de cada vez. É o método por trás do valor da “média de vendas diárias” da fórmula do ponto de pedido e é genuinamente a ferramenta certa para uma demanda tranquila: vendas regulares, com baixa variação e sem tendência real.

Seu limite documentado é a tendência: só é uma estimativa útil quando os dados subjacentes não têm nenhuma, e explicitamente não é um bom estimador quando uma tendência aparece. Cada período na janela tem o mesmo peso, incluindo os obsoletos, por isso sempre fica atrasado em relação a uma mudança genuína para cima ou para baixo. Uma variante ponderada, que dá mais influência aos períodos recentes, suaviza esta situação sem a resolver. Para a fórmula completa e um exemplo prático, consultenosso mergulho profundo na média móvel.

Suavização exponencial

A suavização exponencial resolve o problema de "dados obsoletos ainda contam totalmente" de maneira diferente: em vez de um corte rígido em N períodos, cada observação passada recebe um peso que decai à medida que recua.

Próximo valor suavizado = α × (último valor real) + (1 − α) × (último valor suavizado)

Alfa, em algum lugar acima de 0 e até 1, controla quanto peso os dados recentes recebem: os mais altos reagem mais rápido, os mais baixos suavizam com mais força e mantêm o histórico por mais tempo. Não há um único alfa correto. A orientação padrão é escolher qualquer valor que minimize o erro de previsão em seus próprios dados, normalmente testando entre 0,1 e 0,9, e não copiando um número que algumas postagens de blog chamam de "padrão da indústria". Como uma média móvel simples, a suavização única não se destaca quando uma tendência aparece, e é por isso que existem versões estendidas: a suavização dupla adiciona um termo de tendência e a suavização tripla ("Holt-Winters") adiciona um termo sazonal em cima disso.

Demanda intermitente, venda raramente, quantidade consistente quando o faz, quebra ambos os métodos acima, porque a maioria dos períodos não tem nada para suavizar. O método de Croston foi construído para isso: ele mantém duas séries suavizadas, uma para o tamanho da venda e outra para o intervalo entre as vendas, atualizando apenas quando algo realmente foi vendido.

Taxa de previsão = (tamanho da demanda suavizado) ÷ (intervalo suavizado entre vendas)

Ele tem uma fraqueza documentada: a pesquisa sobre o método encontra um viés positivo consistente, o que significa que ele tende a superestimar as previsões. Uma correção comumente proposta pode facilmente corrigir excessivamente o contrário, de modo que nenhuma das versões é neutra por padrão. Vale a pena saber se alguns de seus movimentos lentos o usariam, sem esperar um número específico associado ao viés, porque nenhuma fonte rastreável coloca um número nele.

Previsão baseada em ponto de reabastecimento

Ofórmula de ponto de reabastecimentogeralmente não é arquivado em "previsão", mas funciona como um só: vendas médias diárias, projetadas ao longo do prazo de entrega, mais um buffer. O mesmo Cedar & Fig, exemplo de 250g desse guia (5 unidades por dia, prazo de entrega de 12 dias, 30 unidades de estoque de segurança) atinge um ponto de pedido de 90 unidades, e esse 90 é na verdade uma previsão de demanda de curto horizonte com o nome de ponto de gatilho.

Ela se ajusta bem à demanda suave a moderadamente errática, pela mesma razão que uma média móvel: ela assume que a velocidade recente é um substituto justo para a velocidade do futuro próximo. Deixa de fazer sentido quando um SKU é intermitente ou irregular. “Média de vendas diárias” quase não significa nada para um produto que é vendido duas vezes por mês em quantidades totalmente diferentes, e um ponto de novo pedido construído com base nessa média aciona quase o momento errado de qualquer maneira.

Previsão de julgamento

Os métodos de julgamento transformam a experiência e a comparação em um número quando não há histórico de vendas suficiente para que uma fórmula funcione: um SKU genuinamente irregular ou sem histórico algum. Vale a pena conhecer: previsão analógica (encontrar um produto semelhante existente e usar seu padrão inicial como modelo), opinião de especialistas e o método Delphi, um processo estruturado de estimativa anônima e multi-rodada projetado para reduzir o pensamento de grupo que uma única opinião ou uma discussão aberta tende a produzir.

Nada disso é neutro. As estimativas de julgamento carregam o viés do próprio estimador por construção, ancorando-se em um número inicial ou em uma agenda não relacionada ao produto. A opinião de especialistas é mais fraca exatamente onde é mais importante: algo genuinamente novo, sem nenhum precedente real para raciocinar. A descoberta mais consistente da pesquisa é que combinar mais de um método (uma estimativa analógica, uma estimativa de julgamento e as primeiras semanas reais de vendas assim que chegam) tem um desempenho melhor do que depender de qualquer um deles.

A demanda irregular merece menção aqui, já que é o padrão que nenhum dos métodos quantitativos acima lida bem: tempo irregular e tamanho imprevisível, juntos, entre os problemas de previsão mais difíceis que existem, de acordo com a pesquisa, sem solução de fórmula única. Especificamente para um produto totalmente novo, sem histórico de vendas,cobrimos esse caso na íntegra: comparação analógica, sinais iniciais e dimensionamento de primeira ordem sob incerteza real.

Escolhendo por tamanho de catálogo

Com cerca de 30 SKUs, quase qualquer um dos itens acima funciona manualmente. Escolha uma média móvel ou a fórmula do ponto de novo pedido para seus vendedores tranquilos, observe quais SKUs são intermitentes ou irregulares e trate-os com mais julgamento e um buffer mais amplo, e recalcule mensalmente.

Além disso, a verdadeira restrição não é qual fórmula é “melhor”. É que um catálogo real nunca é um padrão de demanda. Uma loja típica tem um punhado de best-sellers regulares, uma faixa mais ampla de produtos erráticos de nível intermediário e uma longa cauda de SKUs intermitentes e irregulares que mal vendem com frequência suficiente para obter uma média. Aplicar um método a todos eles não é uma simplificação, é uma incompatibilidade com a maior parte do catálogo.

Reclassificar a qual padrão cada SKU pertence e executar novamente a fórmula correta para cada um deles é administrável com algumas dezenas de SKUs e genuinamente insustentável depois de algumas centenas feitas manualmente todos os meses.StockCuenão pede que você escolha um método e aplique-o a tudo. Ele combina uma janela de vendas recente e uma linha de base por SKU, adiciona sensibilidade às tendências e índices sazonais e exclui valores discrepantes automaticamente, em todos os planos, incluindo o Gratuito. Para o processo completo em que isso se enquadra, consulte nossoguia completo para previsão de estoque do Shopify.

Perguntas frequentes

Qual é o método mais simples de previsão de estoque para uma pequena loja do Shopify?

Para um pequeno catálogo de vendedores estáveis, uma média móvel simples ou a fórmula existente de ponto de reabastecimento geralmente é suficiente – ambos precisam apenas de uma média de vendas recentes, um prazo de entrega e um buffer. Eles são o ponto de partida certo, especificamente para uma demanda tranquila; um SKU que é vendido raramente ou em quantidades muito diferentes precisa de uma abordagem diferente.

Qual é a diferença entre média móvel e suavização exponencial?

Uma média móvel dá peso igual a cada período dentro de uma janela fixa e elimina completamente qualquer período mais antigo. A suavização exponencial mantém todo o histórico, mas permite que sua influência diminua à medida que avança, controlada por uma constante de suavização, alfa. Ambos compartilham a mesma limitação principal: nenhum deles lida bem com uma tendência por si só, e é por isso que existem variantes de suavização exponencial ajustadas à tendência e à estação.

Quando uma loja Shopify deve usar previsões qualitativas em vez de uma fórmula?

Quando não há histórico de vendas suficiente para calcular uma fórmula - um produto totalmente novo ou um SKU existente cuja demanda é genuinamente irregular (tempo irregular e quantidade imprevisível juntas). A abordagem mais forte nessa situação é combinar mais de um método de julgamento, ou uma estimativa de julgamento com dados iniciais de vendas reais, em vez de confiar numa única opinião.

O melhor método de previsão muda à medida que a loja cresce?

O método certo para um determinado SKU é realmente sobre seu padrão de demanda, não diretamente sobre o tamanho da loja - mas um catálogo maior tem mais SKUs em cada padrão ao mesmo tempo, e classificar e recalcular manualmente cada um deles se torna a verdadeira restrição. Isso é menos um problema de “fórmula melhor” e mais um problema de “quem tem tempo para refazer isso todo mês”.