Pencilan dalam Peramalan Inventaris

Satu pesanan hadiah perusahaan untuk 200 lilin mendarat di minggu kedelapan. Ini adalah penjualan nyata, ada di data Shopify Anda, dan sekarang berada di dalam setiap rata-rata yang dibangun pada kuartal itu. Apa yang keluar dari sisi lain tidak menggambarkan toko Anda. Memutuskan apa yang harus dilakukan pada minggu itu adalah keputusan yang perlu diambil, dan ini adalah langkah yang dilewati sebagian besar saran perkiraan dalam perjalanannya ke rumus.

Apa yang dianggap sebagai outlier

Pencilan bukanlah angka yang besar. Ini adalah titik data yang dihasilkan oleh penyebab selain proses permintaan yang Anda perkirakan. Hal ini membuat pengujian bersifat kausal dibandingkan numerik: jika Anda tidak dapat menyebutkan apa yang menghasilkan angka tersebut, Anda belum memiliki outlier, yang ada hanya outlier yang tidak dapat dijelaskan.

Tiga keluarga mencakup hampir semuanya. Transaksi tunggal yang tidak berulang: pesanan grosir atau korporat, pengecer yang membersihkan rak Anda, satu pelanggan membeli dua belas barang yang dibeli salah satunya. Artefak data: pesanan pengujian, kuantitas yang salah dimasukkan, impor duplikat, lalu lintas bot. Dan satu hal yang semua orang lupa adalah sisi buruknya: satu minggu tanpa penjualan karena produk kehabisan stok. Minggu itu bukanlah bukti tidak adanya permintaan. Itu bukti bahwa laporan penjualan Anda tidak bisa melihat permintaan.

Ini adalah "Cedar & Fig, 250g" selama dua belas minggu, unit terjual per minggu, yang terlama terlebih dahulu:

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

Rata-ratakan kedua belasnya dan Anda mendapatkan 683 12 = 56,9 unit seminggu, angka yang belum pernah dimiliki toko tersebut. Rata-rata tujuh minggu tenang saja, minggu 1, 2, 3, 4, 6, 7 dan 9: (34 + 33 + 36 + 37 + 35 + 36 + 34) 7 = 245 7 = 35 unit. Angka 35 itu adalah garis dasar sebenarnya. Kesenjangan keseluruhan antara kedua angka tersebut adalah tiga minggu, dan tiga minggu tersebut memerlukan tiga perawatan berbeda.

Sinyal outlier atau nyata

Empat pertanyaan memisahkan mereka, dalam urutan ini.

Jalankan tiga minggu melalui itu. 238 minggu ke 8 adalah satu pesanan hadiah 200 unit di atas minggu ritel biasa yang berjumlah 38 unit: satu pesanan yang dapat diberi nama, tidak berulang. Kecualikan 200. Minggu ke 5 62 adalah diskon yang Anda jalankan: dapat diberi nama, berulang, tersebar di banyak pesanan. Tandai, simpan. Minggu 10 hingga 12, pada 45, 47 dan 46, bertahan dalam tiga periode dan dibuat atas pesanan berukuran biasa dari pelanggan yang berbeda. Itu bukanlah hal yang aneh. Angka itulah yang harus dijadikan dasar perkiraan Anda berikutnya.

Kesalahan yang paling merugikan dalam bidang ini adalah kesalahan terakhir yang terjadi secara terbalik. Puncak musiman dan pesanan massal terlihat identik dengan aturan apa pun yang hanya melihat besaran, dan menghapus bulan Desember sebagai anomali mengajarkan perkiraan tahun depan bahwa bulan Desember adalah hal biasa. Puncaknya adalah satu-satunya bukti keberadaan pola tersebut.

Menemukannya di data Shopify Anda

Asumsikan ekspor sudah ada di depan Anda; menariknya, dan pembersihan pertama atas pembatalan dan pengembalian uang, tercakup dalam menggunakan data penjualan Shopify Anda sendiri.

Urutkan baris pesanan SKU berdasarkan kuantitas, yang terbesar terlebih dahulu, sebelum menggabungkan apa pun. Total mingguan menyembunyikan apakah 238 unit berasal dari satu atau sembilan puluh pembeli, dan perbedaan tersebut menentukan perlakuannya. Kemudian periksa kolom pelanggan di beberapa baris teratas dan tanggalnya dengan kalender promosi, pers, dan kampanye berbayar Anda sendiri. Pada dua belas titik data, mata Anda mengalahkan aturan apa pun.

Aturan statistik berlaku ketika Anda memiliki terlalu banyak SKU untuk dilihat. Itu adalah konvensi, bukan undang-undang, dan masing-masing membawa asumsi yang layak untuk dinyatakan sebelum Anda memercayainya.

Yang umum menandai lebih dari tiga standar deviasi di atas rata-rata. Pada dua belas minggu ini rata-ratanya adalah 56,9 dan simpangan bakunya adalah 55,2, sehingga batasnya berada pada 56,9 + 3 × 55,2 = 222,5. Minggu dengan 238 unit menghasilkan sekitar lima belas unit. Perhatikan apa yang berhasil: 238 adalah sebagian besar alasan standar deviasinya adalah 55, jadi intinya harus melewati ambang batas yang dibesar-besarkan sendiri. Gantikan dengan minggu 100 unit, pesanan grosir 62 unit di atas pesanan biasa 38, dan aturan yang sama pada seri yang sama memberikan rata-rata 45,4, deviasi standar 18,3, dan batas akhir 100,4. Lonjakan itu berada di bawah ambang batasnya sendiri dan lewat seperti biasa.

Aturan tersebut juga mengasumsikan nilai tersebar secara simetris di sekitar mean. Penjualan mingguan untuk satu SKU dibatasi di bawah nol dan biasanya miring ke kanan, sehingga persentase konvensi yang dipinjam dari distribusi normal tidak menggambarkan data. Konvensi rentang antarkuartil, yang menandai rentang apa pun yang lebih dari satu setengah kuartil di atas kuartil atas, lebih sulit untuk didistorsi oleh satu titik besar, karena kuartil adalah posisi dalam daftar yang diurutkan, bukan rata-rata. Ini gagal secara berbeda. Ambil contoh penggerak lambat yang terjual dalam tujuh hari dari delapan puluh empat hari: tiga perempat hari adalah nol, jadi kuartil atas adalah nol, rentang antarkuartil adalah nol, dan ambang batasnya adalah nol. Aturan tersebut menandai setiap penjualan produk yang pernah dilakukan.

Kecualikan, membatasi, atau menandai

Tiga perawatan, dan perawatan yang salah lebih buruk daripada tidak sama sekali.

Kecualikan porsinya, bukan periodenya. 238 minggu ke 8 menjadi 38 setelah jalur grosir dihapus, dan rata-rata dua belas minggu turun dari 56,9 menjadi 483 12 = 40,25 unit. Menghapus satu minggu penuh akan membuang 38 unit permintaan ritel asli dan memperpendek jangka waktu Anda.

Batasi nilainya ketika permintaannya nyata tetapi tidak dapat diulangi pada ukuran tersebut: pertahankan jangka waktunya, batasi hingga batas tertinggi. Berguna pada SKU yang tidak menentu namun asli, dan batas tertingginya adalah penilaian Anda sendiri, yang layak dicatat seperti itu daripada dibuat-buat sebagai perhitungan.

Tandai periodenya dan mengecualikannya hanya dari perhitungan yang akan menyebabkan distorsi. Ini adalah perlakuan yang tepat untuk promosi dan puncak musiman, karena Anda memerlukan periode tersebut secara utuh untuk merencanakan periode berikutnya. Perkiraan seputar promosi mencakup perkiraan peningkatan dan pengaturan ulang garis dasar secara penuh.

Sekarang selesaikan aritmatikanya. Keluarkan pesanan grosir dan gantikan garis dasar 35 unit dengan 62 unit pada minggu promo, dan rata-rata dua belas minggu berada pada 456 12 = 38 unit. Lebih bersih, dan masih salah, karena rata-rata tiga minggu terakhir (45 + 47 + 46) 3 = 46. Pembersihan menghilangkan kontaminasi; itu tidak memperbaiki jendela dua belas minggu menjadi jendela yang salah untuk seri yang levelnya berpindah tiga minggu lalu. Itu adalah masalah sepanjang jendela, tercakup dalam peramalan rata-rata bergerak.

Secara manual, ini berarti memegang kalender promosi, daftar pelanggan grosir, dan keputusan jangka panjang di kepala Anda, per SKU, setiap bulan. StockCue mengecualikan penjualan outlier dari kecepatan di balik sarannya pada setiap paket termasuk Gratis, dan indeks musimannya dikurangi dan dibatasi sehingga satu bulan yang sangat kuat tidak melipatgandakan pesanan berikutnya. Itulah sebabnya bagian selanjutnya penting: aturan otomatis masih menjadi aturan, dan aturan tersebut belum membaca kalender Anda.

Risiko pembersihan berlebihan

Setiap pengecualian melakukan dua hal sekaligus. Ini menurunkan levelnya, dan mempersempit variabilitas yang diukur. Variabilitas yang lebih sempit memberikan buffer keamanan yang lebih kecil, sehingga riwayat yang terlalu banyak dibersihkan menghasilkan perkiraan yang lebih rendah dan kurang terlindungi dibandingkan penyimpanan yang dijelaskan. Seri yang paling rapi dalam spreadsheet Anda sering kali merupakan seri yang paling tidak dapat dipertahankan.

Tiga kekalahan patut disebutkan. Menghapus puncak musiman akan menghilangkan satu-satunya bukti bahwa pola tersebut ada, dan tidak ada indeks musiman yang dapat diperoleh dari sejarah yang tidak lagi memuat musim. Memperlakukan minggu kehabisan stok sebagai permintaan riil akan menurunkan harga dasar dan menjamin Anda kekurangan pesanan pada produk yang sudah terjual habis. Dan menghapus permulaan perubahan langkah memerlukan biaya yang paling besar: minggu 10 hingga 12 di atas berjarak sepuluh unit dari garis dasar lama dan terlihat seperti tiga kandidat anomali bagi siapa pun yang mengukurnya dibandingkan 35. Hapus mereka dan Anda memperkirakan 35 menjadi toko yang sekarang menjual 46.

Penjaga itu lebih merupakan batang kayu daripada aturan yang lebih baik. Setiap pengecualian mendapat satu baris: titik, SKU, apa yang dihapus, alasannya, siapa yang memutuskan. Tanpanya, enam bulan kemudian tidak akan ada yang tahu apakah sejarah yang tipis berarti produk tersebut terjual dengan buruk atau berarti ada yang membersihkannya. Kemudian periksa apakah pembersihan membantu, menggunakan tinjauan prakiraan versus aktual meningkatkan akurasi perkiraan, mengingat peringatan postingan tersebut tentang metrik persentase kesalahan pada SKU volume rendah, yang merupakan SKU di mana satu pesanan yang dikecualikan akan mengubah segalanya. Melewatkan langkah outlier sudah ada dalam daftar situs kesalahan peramalan yang umum. Melakukannya dengan terlalu antusias termasuk dalam daftar yang sama.

Pertanyaan yang Sering Diajukan

Apa yang dianggap sebagai outlier dalam data penjualan?

Pencilan adalah titik data yang dihasilkan oleh sesuatu selain permintaan yang ingin Anda perkirakan: satu pesanan grosir atau korporat, pesanan pengujian atau kuantitas yang salah dimasukkan, lalu lintas bot, atau penjualan nol selama seminggu yang disebabkan oleh rak yang kosong, bukan karena tidak ada orang yang menginginkan produk tersebut. Ukuran saja tidak membuat suatu angka menjadi outlier. Penyebab yang dapat Anda sebutkan memang demikian.

Haruskah Anda menghapus penjualan promosi dari perkiraan?

Tidak menghapus: bendera. Suatu promosi diketahui mempunyai penyebab yang berulang saat Anda menjalankannya lagi, jadi minggu-minggu tersebut adalah bukti yang Anda perlukan untuk merencanakan promosi berikutnya. Kecualikan dari data dasar yang mendorong pengisian ulang setiap hari, tetap beri label pada riwayat, dan jangan langsung menghapusnya.

Bagaimana Anda membedakan tren dari outlier?

Tanyakan apakah hal itu bertahan dan apakah tersebar ke banyak pesanan. Satu minggu tinggi yang didorong oleh satu baris pesanan besar adalah sebuah transaksi. Tiga atau lebih periode berturut-turut pada tingkat baru, yang terdiri dari pesanan berukuran biasa dari pelanggan berbeda, merupakan perubahan tingkat, dan perkiraan dari garis dasar lama setelah titik tersebut akan secara sistematis berada di bawah pesanan.

Apa yang terjadi jika Anda menghapus terlalu banyak riwayat penjualan Anda?

Setiap pengecualian akan menurunkan tingkat dan mempersempit variabilitas yang diukur, sehingga riwayat yang terlalu dibersihkan akan menghasilkan perkiraan yang lebih rendah dan buffer keamanan yang lebih kecil pada saat yang bersamaan. Menghapus puncak musiman adalah versi yang paling mahal: puncak tersebut adalah satu-satunya bukti bahwa pola tersebut ada, sehingga perkiraan tahun depan menganggap periode tersebut sebagai periode biasa.