Методы прогнозирования запасов для продавцов Shopify

Спросите пять продавцов, как они прогнозируют запасы, и вы получите пять разных ответов, большинство из которых наполовину верны для любого SKU, о котором продавец думал. Свеча, которая продает пять единиц в день, устойчивая, как метроном, и нишевый аксессуар, который продает четыре единицы в хороший месяц и ноль в остальное время, — это не одна и та же проблема прогнозирования. Метод, который работает для одного, будет активно вводить вас в заблуждение и для другого.

В этом посте рассматриваются методы, которые стоит знать, сгруппированные вокруг того, какую форму на самом деле принимает спрос на SKU. Сначала поймите это правильно, и выбор метода перестанет быть догадкой.

Количественный и качественный

Количественное прогнозирование строит число на основе вашей собственной истории продаж: формула, применяемая к реальным данным. Качественное, или оценочное, прогнозирование заменяет опыт и сравнение, когда для вычислений недостаточно исторических данных, о которых говорится в отдельном разделе ниже.

Прежде чем выбирать между количественными методами, стоит ознакомиться с классификацией, которая на самом деле объясняет, почему один метод хорошо работает на одном SKU и плохо на другом. Классификация прогнозирования спроса, авторство которой принадлежит Syntetos, Boylan и коллегам, разделяет спрос на четыре модели, основанные на двух вещах: насколько регулярно вообще продается тот или иной SKU и насколько сильно колеблется количество, когда это происходит.

Гладкий— продается часто, каждый раз примерно в одном и том же количестве.

Неустойчивый— продается часто, но количество сильно колеблется.

прерывистый— продается редко, но примерно в том же количестве, когда и продается.

Комковатый— продается редко, да и количество непредсказуемо.

В документе проводится граница между «регулярными» и «нерегулярными» продажами со средним разрывом между продажами в 1,32 периода, цифра, взятая непосредственно из опубликованного самой газетой порогового значения. Сопутствующее пороговое значение 0,49, определяющее, насколько допускается изменение количества, прежде чем спрос будет считаться «высоким изменением», повторяется везде, где встречается эта классификация, но его нельзя связать с собственным текстом основной статьи. Относитесь к этому как к соглашению, а не как к фиксированной линии.

Еще одна морщинка: в какое ведро попадает SKU, не зафиксировано. Артикул, который выглядит прерывистым при подсчете изо дня в день, может выглядеть плавным при подсчете неделю за неделей просто потому, что более широкая корзина имеет меньше периодов нулевых продаж. Прежде чем решить, что артикул «просто непредсказуем», проверьте, рассматриваете ли вы его на разумном уровне агрегирования.

Остальная часть статьи построена вокруг этой классификации. Во-первых, однако,приведите свои собственные данные о продажах в форму. Каждый приведенный ниже метод предполагает, что он уже существует.

Скользящее среднее

Простое скользящее среднее берет ваши последние N периодов продаж и усредняет их; следующий прогноз будет именно таким средним, и окно сдвигается вперед на один период за раз. Это метод, лежащий в основе расчета «среднедневных продаж» формулы точки заказа, и это действительно правильный инструмент для обеспечения равномерного спроса: регулярные продажи с низким уровнем колебаний без реального тренда.

Его документально подтвержденным пределом является тенденция: это полезная оценка только тогда, когда базовые данные ее не имеют, и явно не является хорошей оценкой, когда появляется тенденция. Каждый период в окне имеет одинаковый вес, включая устаревшие, поэтому он всегда отстает от реального сдвига вверх или вниз. Взвешенный вариант, придающий последним периодам большее влияние, смягчает проблему, не решая ее. Полную формулу и рабочий пример см.глубокое погружение нашей скользящей средней.

Экспоненциальное сглаживание

Экспоненциальное сглаживание решает проблему «устаревшие данные по-прежнему полностью учитываются» по-другому: вместо жесткого отсечения через N периодов каждое прошлые наблюдения получают вес, который затухает по мере удаления назад.

Следующее сглаженное значение = α × (последнее фактическое значение) + (1 − α) × (последнее сглаженное значение)

Альфа, где-то выше 0 и до 1, контролирует, какой вес приобретают последние данные: более высокое реагирует быстрее, более низкое сглаживает сильнее и дольше сохраняет историю. Не существует единственной правильной альфы. Стандартное руководство состоит в том, чтобы выбрать то значение, которое минимизирует ошибку вашего прогноза на ваших собственных данных, обычно путем тестирования между 0,1 и 0,9, а не путем копирования числа, которое в некоторых сообщениях в блогах называется «отраслевым стандартом». Как и простое скользящее среднее, одинарное сглаживание не дает преимуществ при появлении тренда, поэтому существуют расширенные версии: двойное сглаживание добавляет трендовый термин, а тройное сглаживание («Холт-Винтерс») добавляет поверх него сезонный термин.

Непостоянный спрос, продается редко, а когда это происходит, постоянное количество, нарушает оба описанных выше метода, потому что в большинстве периодов сглаживать нечего. Для этого был создан метод Кростона: он сохраняет два сглаженных ряда: один для размера продаж и один для разрыва между продажами, обновляясь только тогда, когда что-то действительно продано.

Прогнозируемая ставка = (сглаженный размер спроса) ÷ (сглаженный интервал между продажами)

У него есть свой документально подтвержденный недостаток: исследования этого метода обнаруживают постоянную положительную предвзятость, что означает, что он склонен к завышенным прогнозам. Обычно предлагаемая коррекция может так же легко перекорректировать и в другую сторону, поэтому ни одна из версий по умолчанию не является нейтральной. Стоит знать, будут ли некоторые из ваших медлительных людей использовать его, не ожидая, что за предвзятостью будет закреплено конкретное число, потому что ни один отслеживаемый источник не указывает его.

Прогнозирование на основе точек заказа

формула точки повторного заказаобычно не хранится в разделе «прогнозирование», но он функционирует как один: средний дневной объем продаж, прогнозируемый на время выполнения заказа, плюс буфер. Тот же пример «Кедр и инжир, 250 г» из этого руководства (5 единиц в день, 12-дневное время выполнения заказа, 30 единиц резервного запаса) достигает точки повторного заказа в 90 единиц, и эти 90 на самом деле представляют собой краткосрочный прогноз спроса, носящий название триггерной точки.

Оно хорошо соответствует спросу от плавного до умеренно неустойчивого по той же причине, что и скользящее среднее: оно предполагает, что недавняя скорость является справедливой заменой скорости в ближайшем будущем. Это перестает иметь смысл, если SKU становится прерывистым или комковатым. «Средние дневные продажи» почти ничего не значат для продукта, который продается два раза в месяц в совершенно разных количествах, и точка повторного заказа, построенная на этом среднем значении, в любом случае срабатывает почти в неподходящий момент.

Оценочное прогнозирование

Оценочные методы превращают опыт и сравнение в число, когда недостаточно истории продаж, чтобы формула могла работать: действительно неровный SKU или товар без истории вообще. Стоит знать: аналоговое прогнозирование (поиск существующего похожего продукта и использование его ранней модели в качестве шаблона), экспертное мнение и метод Дельфи, структурированный процесс анонимной многораундовой оценки, предназначенный для уменьшения группового мышления, к которому обычно приводит единое мнение или открытое обсуждение.

Ни один из них не является нейтральным. Судебные оценки по своей конструкции содержат собственную предвзятость оценщика, основанную на первоначальном количестве или повестке дня, не связанной с продуктом. Экспертное мнение слабее всего именно там, где оно наиболее важно: что-то действительно новое, не имеющее реального прецедента, на котором можно было бы рассуждать. Самый последовательный вывод исследования заключается в том, что сочетание нескольких методов (аналоговая оценка, оценочная оценка и первые реальные недели продаж после их поступления) превосходит использование любого одного метода.

Здесь заслуживает упоминания неравномерный спрос, поскольку с этой закономерностью не справляется ни один из вышеперечисленных количественных методов: нерегулярность сроков и непредсказуемый размер вместе являются одними из самых сложных проблем прогнозирования, которые, согласно исследованию, не могут быть решены с помощью единой формулы. В частности, для совершенно нового продукта, у которого еще нет истории продаж,мы рассмотрим этот случай полностью: аналоговое сравнение, ранние сигналы и определение размера первого заказа в условиях реальной неопределенности.

Выбор по размеру каталога

Примерно до 30 SKU почти все вышеперечисленное работает вручную. Выберите скользящее среднее или формулу точки повторного заказа для ваших стабильных продавцов, отметьте, какие SKU являются прерывистыми или неоднородными, и относитесь к тем, у которых больше рассудительности и более широкий буфер, и делайте перерасчет ежемесячно.

Помимо этого, реальным ограничением является не то, какая формула является «лучшей». Дело в том, что настоящий каталог никогда не представляет собой одну модель спроса. В типичном магазине есть несколько бестселлеров, более широкий ассортимент беспорядочных товаров среднего уровня и длинный хвост непостоянных и неровных SKU, которые продаются едва ли достаточно часто, чтобы можно было усреднить что-либо. Применение одного метода ко всем из них — это не упрощение, а несоответствие большей части каталога.

Переклассификация шаблона, к которому принадлежит каждый SKU, и повторный запуск правильной формулы для каждого из них выполнимы для нескольких десятков SKU и совершенно неустойчивы, если делать это вручную каждый месяц в несколько сотен.StockCueне просит вас выбрать один метод и применять его ко всему. Он объединяет недавнее и базовое окно продаж для каждого SKU, добавляет сверху чувствительность к тенденциям и сезонные индексы, а также автоматически исключает выбросы для каждого плана, включая бесплатный. Полный процесс, в который это входит, см. в нашемПолное руководство по прогнозированию запасов Shopify.

Часто задаваемые вопросы

Каков самый простой метод прогнозирования запасов для небольшого магазина Shopify?

Для небольшого каталога постоянных продавцов обычно достаточно простого скользящего среднего или существующей формулы точки повторного заказа — и то, и другое требует просто среднего значения недавних продаж, времени выполнения заказа и буфера. В частности, они являются подходящей отправной точкой для обеспечения стабильного спроса; Артикул, который продается редко или в совершенно разных количествах, требует другого подхода.

В чем разница между скользящим средним и экспоненциальным сглаживанием?

Скользящая средняя придает каждому периоду внутри фиксированного окна одинаковый вес и полностью отбрасывает все, что старше. Экспоненциальное сглаживание сохраняет всю историю, но позволяет ее влиянию затухать по мере продвижения назад, что контролируется константой сглаживания альфа. Оба имеют одно и то же основное ограничение: ни один из них не справляется с трендом сам по себе, поэтому существуют варианты экспоненциального сглаживания с учетом тренда и сезона.

Когда магазину Shopify следует использовать качественное прогнозирование вместо формулы?

Когда недостаточно истории продаж для расчета формулы — совершенно новый продукт или существующий SKU, спрос на который действительно неоднороден (нерегулярные сроки и непредсказуемое количество вместе взятых). Самый сильный подход в этой ситуации — объединить более одного оценочного метода или оценочную оценку с ранними данными о реальных продажах, а не доверять одному мнению.

Меняется ли лучший метод прогнозирования по мере роста магазина?

Правильный метод для конкретного SKU на самом деле зависит от его структуры спроса, а не непосредственно от размера магазина, но в более крупном каталоге больше SKU присутствует в каждом шаблоне одновременно, и ручная классификация и пересчет каждого из них становится реальным ограничением. Это не столько проблема «лучшей формулы», сколько проблема «у кого есть время переделывать это каждый месяц».