Valeurs aberrantes dans la prévision des stocks

Une commande de cadeaux d’entreprise de 200 bougies arrive au cours de la huitième semaine. Il s'agit d'une véritable vente, elle figure dans vos données Shopify et se situe désormais dans chaque moyenne construite à partir de ce trimestre. Ce qui ressort de l’autre côté ne décrit pas votre magasin. Décider quoi faire de cette semaine est une question de jugement, et c’est l’étape que la plupart des conseils en prévision sautent avant d’arriver à la formule.

Ce qui constitue une valeur aberrante

Une valeur aberrante n’est pas un grand nombre. Il s'agit d'un point de données produit par une cause autre que le processus de demande que vous prévoyez. Cela rend le test causal plutôt que numérique : si vous ne pouvez pas nommer ce qui a produit le nombre, vous n'avez pas encore de valeur aberrante, seulement une valeur inexpliquée.

Trois familles les couvrent presque toutes. Transactions uniques non répétitives : une commande de gros ou d'entreprise, un revendeur qui vide votre étagère, un client achetant douze produits dont les gens en achètent un. Artefacts de données : une commande test, une quantité mal saisie, une importation en double, du trafic de robots. Et celui que tout le monde oublie, la valeur aberrante : une semaine de ventes nulles parce que le produit était en rupture de stock. Cette semaine ne prouve pas une absence de demande. C'est la preuve que votre rapport de ventes n'a pas pu voir la demande.

Voici "Cèdre & Figue, 250g" sur douze semaines, unités vendues par semaine, la plus ancienne en premier :

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

Faites la moyenne des douze et vous obtenez 683 ÷ 12 = 56,9 unités par semaine, un chiffre que ce magasin n'a jamais eu. Faites la moyenne des sept semaines calmes seules, semaines 1, 2, 3, 4, 6, 7 et 9 : (34 + 33 + 36 + 37 + 35 + 36 + 34) ÷ 7 = 245 ÷ 7 = 35 unités. Ce 35 est la véritable base de référence. L'écart total entre les deux chiffres est de trois semaines, et ces trois semaines nécessitent trois traitements différents.

Signal aberrant ou réel

Quatre questions les séparent, dans cet ordre.

Passez les trois semaines à travers cela. Les 238 de la semaine 8 représentaient une commande cadeau de 200 unités en plus d'une semaine de vente au détail ordinaire de 38 unités : une commande nominable, non répétitive. Excluez les 200. Les 62 de la semaine 5 étaient une remise que vous avez appliquée : nommable, récurrente, répartie sur de nombreuses commandes. Signalez-le, gardez-le. Les semaines 10 à 12, à 45, 47 et 46, ont persisté sur trois périodes et sont constituées de commandes de taille ordinaire provenant de différents clients. Ce n’est pas une exception. C’est sur ce chiffre que votre prochaine prévision devrait être basée.

L’erreur la plus coûteuse dans ce domaine est la dernière erreur inversée. Un pic saisonnier et une commande groupée semblent identiques à n'importe quelle règle qui ne voit que l'ampleur, et la suppression de décembre comme anomalie enseigne aux prévisions de l'année prochaine que décembre est ordinaire. Le pic est la seule preuve de l’existence d’une tendance.

Les repérer dans vos données Shopify

Supposons que l'exportation soit déjà devant vous ; le retirer et le premier nettoyage des annulations et des remboursements sont couverts par en utilisant vos propres données de vente Shopify.

Triez les lignes de commande du SKU par quantité, la plus grande en premier, avant de regrouper quoi que ce soit. Un total hebdomadaire cache si 238 unités provenaient d'un seul acheteur ou de quatre-vingt-dix, et cette distinction décide du traitement. Vérifiez ensuite la colonne client sur les premières lignes et les dates par rapport à votre propre calendrier de promotions, de presse et de campagnes payantes. À douze points de données, vos yeux défient toutes les règles.

Les règles statistiques s'appliquent lorsque vous avez trop de SKU à surveiller. Ce sont des conventions, pas des lois, et chacune comporte une hypothèse qui mérite d'être formulée avant de lui faire confiance.

Le plus commun signale tout ce qui est supérieur à trois écarts types au-dessus de la moyenne. Sur ces douze semaines, la moyenne est de 56,9 et l'écart type est de 55,2, le seuil se situe donc à 56,9 + 3 × 55,2 = 222,5. La semaine de 238 unités le libère d'une quinzaine d'unités. Remarquez ce qui a fait le travail : le 238 est la principale raison pour laquelle l'écart type est de 55, donc le point a dû franchir un seuil qu'il a gonflé lui-même. Remplacez-la par une semaine de 100 unités, une commande en gros de 62 unités en plus d'une semaine ordinaire de 38, et la même règle sur la même série donne une moyenne de 45,4, un écart type de 18,3 et un seuil de 100,4. Le pic se situe sous son propre seuil et passe normalement.

Cette règle suppose également que les valeurs sont réparties à peu près symétriquement autour de la moyenne. Les ventes hebdomadaires pour un SKU sont limitées en dessous de zéro et généralement asymétriques à droite, de sorte que le pourcentage que la convention emprunte à la distribution normale ne décrit pas les données. La convention des écarts interquartiles, qui signale tout écart interquartile supérieur à un quartile et demi au-dessus du quartile supérieur, est plus difficile à déformer pour un point important, car les quartiles sont des positions dans une liste triée plutôt que des moyennes. Cela échoue différemment. Prenons un modèle lent qui a vendu sept jours sur quatre-vingt-quatre : les trois quarts des jours sont nuls, donc le quartile supérieur est nul, l'intervalle interquartile est nul et le seuil est nul. La règle signale chaque vente réalisée par le produit.

Exclure, plafonner ou signaler

Trois traitements, et le mauvais est pire que rien.

Excluez la partie, pas la période. Les 238 de la semaine 8 deviennent 38 une fois la ligne de vente en gros supprimée, et la moyenne sur douze semaines passe de 56,9 à 483 ÷ 12 = 40,25 unités. Supprimer la semaine entière à la place aurait gaspillé 38 unités de véritable demande de détail et raccourcirait votre fenêtre d'un point.

Plafonner la valeur lorsque la demande était réelle mais non reproductible à cette ampleur : conserver la période, la limiter à un plafond. Utile sur les SKU irréguliers mais authentiques, et le plafond est votre propre jugement, qui mérite d'être enregistré comme tel plutôt que de se déguiser en calcul.

Marquer la période et l'exclure uniquement du calcul qu'il fausserait. C'est le bon traitement pour les promotions et les pics saisonniers, car vous avez besoin de ces périodes intactes pour planifier la suivante. Prévisions autour des promotions couvre l’estimation de l’augmentation et la réinitialisation de la ligne de base dans leur intégralité.

Maintenant, terminez l'arithmétique. Retirez la commande en gros et remplacez la ligne de base de 35 unités par les 62 de la semaine promotionnelle, et la moyenne sur douze semaines atterrit à 456 ÷ 12 = 38 unités. Plus propre, et toujours faux, car la moyenne des trois dernières semaines (45 + 47 + 46) ÷ 3 = 46. Le nettoyage a éliminé la contamination ; il n'a pas corrigé qu'une fenêtre de douze semaines soit la mauvaise fenêtre pour une série dont le niveau a changé il y a trois semaines. C'est un problème de longueur de fenêtre, abordé dans prévision de moyenne mobile.

À la main, cela signifie tenir en tête un calendrier de promotions, une liste de clients en gros et une décision sur la durée de la fenêtre, par SKU, chaque mois. StockCue exclut les ventes aberrantes de la vitesse derrière ses suggestions sur chaque plan, y compris Free, et ses indices saisonniers sont atténués et plafonnés afin qu'un mois inhabituellement fort ne triple pas la commande suivante. C’est exactement pourquoi la section suivante est importante : une règle automatique reste une règle, et elle n’a pas lu votre calendrier.

Le risque de sur-nettoyage

Chaque exclusion fait deux choses à la fois. Cela abaisse le niveau et réduit la variabilité mesurée. Une variabilité plus étroite alimente un tampon de sécurité plus petit, de sorte qu'un historique trop nettoyé produit une prévision à la fois inférieure et moins protégée que le magasin qu'il décrit. La série la plus ordonnée de votre feuille de calcul est souvent la moins défendable.

Trois défaites méritent d’être citées. La suppression d'un pic saisonnier supprime la seule preuve de l'existence d'une tendance, et aucun indice saisonnier ne peut être dérivé d'un historique qui ne contient plus la saison. Traiter une semaine de rupture de stock à zéro alors que la demande réelle fait baisser la référence et vous garantit de sous-commander un produit qui était déjà en rupture de stock. Et supprimer le début d'un changement progressif coûte le plus cher : les semaines 10 à 12 ci-dessus se situent à dix unités de l'ancienne référence et ressemblent à trois anomalies candidates pour quiconque mesure par rapport à 35. Supprimez-les et vous prévoyez 35 dans un magasin qui en vend désormais 46.

La garde est une bûche plutôt qu'une meilleure règle. Chaque exclusion comporte une ligne : période, SKU, ce qui a été supprimé, pourquoi, qui a décidé. Sans cela, personne ne peut dire six mois plus tard si un historique mince signifie que le produit s'est mal vendu ou si quelqu'un l'a nettoyé. Vérifiez ensuite si le nettoyage a aidé, à l'aide de l'examen des prévisions par rapport à la réalité dans améliorer la précision des prévisions, en gardant à l'esprit l'avertissement de cet article concernant les mesures de pourcentage d'erreur sur les SKU à faible volume, qui sont exactement les SKU pour lesquels une commande exclue change tout. Ignorer l'étape aberrante figure déjà sur la liste des erreurs de prévision courantes. Le faire avec trop d’enthousiasme appartient à la même liste.

Foire aux questions

Qu’est-ce qui constitue une valeur aberrante dans les données de ventes ?

Une valeur aberrante est un point de données produit par autre chose que la demande que vous essayez de prévoir : une seule commande de gros ou d'entreprise, une commande test ou une quantité mal saisie, le trafic de robots ou une semaine de ventes nulles causée par une étagère vide plutôt que par le fait que personne ne veut du produit. La taille à elle seule ne fait pas d’un chiffre une valeur aberrante. Une cause que vous pouvez nommer le fait.

Faut-il supprimer les ventes promotionnelles d’une prévision ?

Ne pas supprimer : indicateur. Une promotion a une cause connue qui se reproduira la prochaine fois que vous en lancerez une. Ces semaines constituent donc la preuve dont vous avez besoin pour planifier la prochaine promotion. Excluez-les de la référence qui détermine le réapprovisionnement quotidien, conservez-les étiquetés dans l'historique et ne les supprimez pas complètement.

Comment distinguer une tendance d’une valeur aberrante ?

Demandez si cela a persisté et s'il s'est répandu sur de nombreuses commandes. Une seule semaine élevée entraînée par une ligne de commande importante est une transaction. Trois périodes consécutives ou plus à un nouveau niveau, composées de commandes de taille ordinaire provenant de différents clients, constituent un changement de niveau, et les prévisions à partir de l'ancienne référence après ce point seront systématiquement sous-commandées.

Que se passe-t-il si vous nettoyez trop de votre historique de ventes ?

Chaque exclusion abaisse le niveau et réduit la variabilité mesurée, de sorte qu'un historique trop nettoyé produit en même temps une prévision plus faible et un tampon de sécurité plus petit. La suppression d'un pic saisonnier est la version la plus coûteuse : le pic est la seule preuve de l'existence d'une tendance, donc les prévisions de l'année prochaine traitent cette période comme une période ordinaire.