Ausreißer in der Bestandsprognose

In der achten Woche landet eine Firmengeschenkbestellung über 200 Kerzen. Es handelt sich um einen echten Verkauf, er ist in Ihren Shopify-Daten enthalten und befindet sich jetzt in jedem Durchschnittswert, der in diesem Quartal erstellt wurde. Was auf der anderen Seite herauskommt, beschreibt Ihr Geschäft nicht. Die Entscheidung, was mit dieser Woche geschehen soll, ist eine Entscheidung und der Schritt, den die meisten Prognoseratschläge auf dem Weg zur Formel überspringen.

Was gilt als Ausreißer?

Ein Ausreißer ist keine große Zahl. Es handelt sich um einen Datenpunkt, der durch eine andere Ursache als den von Ihnen prognostizierten Nachfrageprozess erzeugt wird. Das macht den Test eher kausal als numerisch: Wenn Sie nicht benennen können, was die Zahl hervorgebracht hat, haben Sie noch keinen Ausreißer, sondern nur einen ungeklärten.

Drei Familien decken fast alle davon ab. Einzelne, sich nicht wiederholende Transaktionen: eine Großhandels- oder Firmenbestellung, ein Wiederverkäufer, der Ihr Regal ausräumt, ein Kunde, der zwölf von etwas kauft, von dem andere eins kaufen. Datenartefakte: eine Testbestellung, eine falsch eingegebene Menge, ein doppelter Import, Bot-Verkehr. Und das, was jeder vergisst, der Ausreißer auf der Low-Side-Seite: eine Woche ohne Verkäufe, weil das Produkt nicht vorrätig war. Diese Woche ist kein Beweis dafür, dass keine Nachfrage besteht. Dies ist ein Beweis dafür, dass Ihr Verkaufsbericht die Nachfrage nicht erkennen konnte.

Hier ist „Zeder & Feige, 250 g“ über zwölf Wochen, verkaufte Einheiten pro Woche, älteste zuerst:

34, 33, 36, 37, 62, 35, 36, 238, 34, 45, 47, 46

Wenn Sie alle zwölf mitteln, erhalten Sie 683 ÷ 12 = 56,9 Einheiten pro Woche, eine Zahl, die dieser Laden noch nie hatte. Durchschnitt der sieben ruhigen Wochen allein, Woche 1, 2, 3, 4, 6, 7 und 9: (34 + 33 + 36 + 37 + 35 + 36 + 34) ÷ 7 = 245 ÷ 7 = 35 Einheiten. Diese 35 ist die tatsächliche Basislinie. Die gesamte Lücke zwischen den beiden Zahlen beträgt drei Wochen, und diese drei Wochen erfordern drei verschiedene Behandlungen.

Ausreißer oder echtes Signal

Vier Fragen trennen sie in dieser Reihenfolge.

Lassen Sie das drei Wochen lang durchgehen. Die 238 der Woche 8 war eine Geschenkbestellung über 200 Einheiten zusätzlich zu einer gewöhnlichen Einzelhandelswoche mit 38 Einheiten: benennbar, nicht wiederholbar, eine Bestellung. Schließen Sie die 200 aus. Die 62 in Woche 5 waren ein Rabatt, den Sie gewährt haben: benennbar, wiederkehrend, verteilt auf viele Bestellungen. Markieren Sie es, behalten Sie es. Die Wochen 10 bis 12, bei 45, 47 und 46, dauerten über drei Zeiträume an und bestanden aus Bestellungen normaler Größe von verschiedenen Kunden. Das ist kein Ausreißer. Auf dieser Zahl sollte Ihre nächste Prognose aufbauen.

Der teuerste Fehler in diesem Bereich ist der letzte umgekehrte Fehler. Ein saisonaler Spitzenwert und eine Großbestellung ähneln jeder Regel, die nur Größenordnungen berücksichtigt, und das Löschen des Dezembers als Anomalie lehrt die Prognose für das nächste Jahr, dass der Dezember normal ist. Der Peak ist der einzige Beweis dafür, dass das Muster existiert.

Erkennen Sie sie in Ihren Shopify-Daten

Gehen Sie davon aus, dass der Export bereits vor Ihnen liegt. Das Ziehen und die Bereinigung von Stornierungen und Rückerstattungen im ersten Schritt werden behandelt Verwenden Sie Ihre eigenen Shopify-Verkaufsdaten.

Sortieren Sie die Bestellzeilen der SKU nach Menge, wobei die größte zuerst ist, bevor Sie etwas zusammenfassen. Eine wöchentliche Gesamtsumme verbirgt, ob 238 Einheiten von einem Käufer oder neunzig kamen, und diese Unterscheidung entscheidet über die Behandlung. Vergleichen Sie dann die Kundenspalte in den oberen Zeilen und die Daten mit Ihrem eigenen Kalender mit Werbeaktionen, Presse- und bezahlten Kampagnen. Bei zwölf Datenpunkten schlagen Ihre Augen jede Regel.

Statistische Regeln gelten für den Fall, dass Sie zu viele SKUs haben, um einen Blick darauf zu werfen. Es handelt sich dabei um Konventionen, nicht um Gesetze, und jede enthält eine Annahme, die es wert ist, dargelegt zu werden, bevor man ihr vertraut.

Der allgemeine Wert kennzeichnet alles, was mehr als drei Standardabweichungen über dem Mittelwert liegt. In diesen zwölf Wochen liegt der Mittelwert bei 56,9 und die Standardabweichung bei 55,2, sodass der Grenzwert bei 56,9 + 3 × 55,2 = 222,5 liegt. Die 238-Einheiten-Woche verringert sich um etwa fünfzehn Einheiten. Beachten Sie, was funktioniert hat: Die 238 ist der Hauptgrund dafür, dass die Standardabweichung 55 beträgt, sodass der Punkt einen Schwellenwert überwinden musste, den er selbst überhöht hat. Ersetzen Sie es durch eine 100-Einheiten-Woche, eine 62-Einheiten-Großhandelsbestellung zusätzlich zu einer normalen 38-Einheiten, und die gleiche Regel für dieselbe Reihe ergibt einen Mittelwert von 45,4, eine Standardabweichung von 18,3 und einen Grenzwert von 100,4. Der Spike liegt unter seiner eigenen Schwelle und passiert wie gewohnt.

Diese Regel geht auch davon aus, dass die Werte ungefähr symmetrisch um den Mittelwert verteilt sind. Wöchentliche Verkäufe für eine SKU sind unten bei Null begrenzt und tendieren normalerweise nach rechts, sodass der Prozentsatz, den die Konvention von der Normalverteilung übernimmt, die Daten nicht beschreibt. Die Interquartilbereichskonvention, die alles kennzeichnet, was mehr als eineinhalb Interquartilbereiche über dem oberen Quartil liegt, ist für einen großen Punkt schwieriger zu verzerren, da Quartile Positionen in einer sortierten Liste und keine Durchschnittswerte sind. Es scheitert anders. Nehmen wir einen Slow Mover, der an sieben von vierundachtzig Tagen verkauft wurde: Drei Viertel der Tage sind Null, also ist das obere Quartil Null, der Interquartilbereich ist Null und der Schwellenwert ist Null. Die Regel kennzeichnet jeden Verkauf, den das Produkt jemals getätigt hat.

Ausschließen, begrenzen oder kennzeichnen

Drei Behandlungen, und die falsche ist schlimmer als keine.

Schließen Sie den Teil aus, nicht den Zeitraum. Aus 238 Einheiten in Woche 8 werden 38, sobald die Großhandelslinie entfernt wird, und der Zwölfwochendurchschnitt sinkt von 56,9 auf 483 ÷ 12 = 40,25 Einheiten. Wenn Sie stattdessen die gesamte Woche löschten, wären 38 Einheiten der echten Einzelhandelsnachfrage verloren gegangen und Ihr Fenster hätte sich um einen bestimmten Zeitraum verkürzt.

Begrenzen Sie den Wert wenn die Nachfrage real, aber in dieser Größe nicht wiederholbar war: Behalten Sie den Zeitraum bei und begrenzen Sie ihn auf eine Obergrenze. Nützlich bei unberechenbaren, aber echten SKUs, und die Obergrenze ist Ihr eigenes Urteil, das es wert ist, als solches aufgezeichnet zu werden, anstatt es als Berechnung darzustellen.

Markieren Sie den Zeitraum und schließen Sie es nur aus der Berechnung aus, es würde es verzerren. Dies ist die richtige Behandlung für Werbeaktionen und saisonale Spitzenzeiten, da diese Zeiträume intakt sein müssen, um die nächste Aktion planen zu können. Prognosen rund um Werbeaktionen deckt die Uplift-Schätzung und das Baseline-Reset vollständig ab.

Beenden Sie nun die Arithmetik. Nehmen Sie die Großhandelsbestellung heraus und ersetzen Sie die Basislinie von 35 Einheiten durch die 62 der Aktionswoche, und der Zwölf-Wochen-Durchschnitt liegt bei 456 ÷ 12 = 38 Einheiten. Sauberer und immer noch falsch, denn der Durchschnitt der letzten drei Wochen (45 + 47 + 46) ÷ 3 = 46. Durch die Reinigung wurde die Verunreinigung entfernt; Es wurde nicht behoben, dass ein zwölfwöchiges Fenster das falsche Fenster für eine Serie war, deren Niveau sich vor drei Wochen verändert hatte. Das ist ein Fensterlängenproblem, das hier behandelt wird Prognose des gleitenden Durchschnitts.

Persönlich bedeutet dies, dass Sie jeden Monat einen Aktionskalender, eine Großhandelskundenliste und eine Entscheidung über die Fensterlänge pro SKU im Kopf haben. StockCue Ausreißerverkäufe werden von der Geschwindigkeit hinter seinen Vorschlägen für jeden Plan, einschließlich Free, ausgeschlossen, und seine saisonalen Indizes sind gedämpft und begrenzt, sodass ein ungewöhnlich starker Monat die nächste Bestellung nicht verdreifacht. Genau aus diesem Grund ist der nächste Abschnitt wichtig: Eine automatische Regel ist immer noch eine Regel, und sie hat Ihren Kalender nicht gelesen.

Es besteht die Gefahr einer übermäßigen Reinigung

Jeder Ausschluss bewirkt zwei Dinge gleichzeitig. Es senkt das Niveau und verringert die gemessene Variabilität. Eine geringere Variabilität führt zu einem kleineren Sicherheitspuffer, sodass eine übermäßig bereinigte Historie zu einer Prognose führt, die sowohl niedriger als auch weniger geschützt ist als der beschriebene Speicher. Die sauberste Reihe in Ihrer Tabelle ist oft die am wenigsten vertretbare.

Drei Verluste sind es wert, erwähnt zu werden. Durch das Löschen eines saisonalen Höhepunkts wird der einzige Beweis für das Muster entfernt, und aus der Historie, die die Saison nicht mehr enthält, kann kein saisonaler Index abgeleitet werden. Wenn Sie den Nullpunkt einer Lagerbestandswoche als reale Nachfrage betrachten, wird die Grundlinie nach unten gezogen und Sie werden garantiert ein Produkt unterbestellen, das bereits ausverkauft war. Und das Streichen des Beginns einer schrittweisen Veränderung kostet am meisten: Die oben genannten Wochen 10 bis 12 liegen zehn Einheiten von der alten Basislinie entfernt und sehen für jeden, der mit 35 vergleicht, wie drei mögliche Anomalien aus. Wenn Sie sie entfernen, prognostizieren Sie 35 in einem Geschäft, das jetzt 46 verkauft.

Der Wächter ist eher ein Protokoll als eine bessere Regel. Jeder Ausschluss erhält eine Zeile: Punkt, SKU, was entfernt wurde, warum, wer hat entschieden. Ohne sie kann sechs Monate später niemand sagen, ob eine dünne Historie bedeutet, dass sich das Produkt schlecht verkauft hat oder dass jemand es gereinigt hat. Überprüfen Sie anschließend anhand der Prognose-Ist-Überprüfung, ob die Reinigung geholfen hat Verbesserung der Prognosegenauigkeit, unter Berücksichtigung der Warnung dieses Beitrags zu prozentualen Fehlermetriken bei SKUs mit geringem Volumen, bei denen es sich genau um die SKUs handelt, bei denen eine ausgeschlossene Bestellung alles ändert. Das Überspringen des Ausreißerschritts steht bereits auf der Liste der Site Häufige Prognosefehler. Es auch mit Begeisterung zu tun, gehört auf die gleiche Liste.

Häufig gestellte Fragen

Was gilt als Ausreißer in den Verkaufsdaten?

Ein Ausreißer ist ein Datenpunkt, der durch etwas anderes als die Nachfrage erzeugt wird, die Sie prognostizieren möchten: eine einzelne Großhandels- oder Firmenbestellung, eine Testbestellung oder eine falsch eingegebene Menge, Bot-Traffic oder eine Woche ohne Umsatz, verursacht durch ein leeres Regal und nicht dadurch, dass niemand das Produkt haben wollte. Die Größe allein macht eine Zahl noch nicht zu einem Ausreißer. Eine Ursache, die Sie benennen können, tut es.

Sollten Sie Werbeverkäufe aus einer Prognose entfernen?

Nicht entfernen: Flagge. Eine Werbeaktion hat einen bekannten Grund, der bei der nächsten Aktion erneut auftritt. Diese Wochen sind also der Beweis, den Sie für die Planung der nächsten Werbeaktion benötigen. Schließen Sie sie aus der Grundlinie aus, die den täglichen Nachschub steuert, beschriften Sie sie im Verlauf und löschen Sie sie nicht vollständig.

Wie erkennt man einen Trend von einem Ausreißer?

Fragen Sie, ob es bestehen blieb und ob es sich über viele Bestellungen verteilte. Eine einzelne Hochwoche, die von einer großen Auftragslinie getrieben wird, ist eine Transaktion. Drei oder mehr aufeinanderfolgende Zeiträume auf einer neuen Ebene, die aus Bestellungen normaler Größe von verschiedenen Kunden bestehen, stellen einen Ebenenwechsel dar, und Prognosen ausgehend von der alten Basislinie nach diesem Punkt führen systematisch zu einer Unterbestellung.

Was passiert, wenn Sie zu viel aus Ihrer Verkaufshistorie entfernen?

Jeder Ausschluss senkt das Niveau und engt die gemessene Variabilität ein, so dass eine übermäßig bereinigte Historie gleichzeitig zu einer niedrigeren Prognose und einem kleineren Sicherheitspuffer führt. Das Löschen eines saisonalen Spitzenwerts ist die teuerste Variante: Der Spitzenwert ist der einzige Beweis dafür, dass das Muster existiert, daher wird dieser Zeitraum in der Prognose für das nächste Jahr als normaler Zeitraum behandelt.