Outliers na previsão de estoque

Um pedido de presente corporativo para 200 velas chega na oitava semana. É uma venda real, está nos dados do Shopify e agora está dentro de cada média construída naquele trimestre. O que sai do outro lado não descreve sua loja. Decidir o que fazer naquela semana é uma questão de julgamento e é a etapa que a maioria dos conselhos de previsão pula no caminho para a fórmula.

O que conta como um outlier

Um outlier não é um número grande. É um ponto de dados produzido por uma causa diferente do processo de demanda que você está prevendo. Isso torna o teste causal e não numérico: se você não consegue nomear o que produziu o número, você ainda não tem um valor discrepante, apenas um inexplicável.

Três famílias cobrem quase todos eles. Transações únicas e não repetitivas: um pedido no atacado ou corporativo, um revendedor esvaziando sua prateleira, um cliente comprando doze de algo que as pessoas compram um. Artefatos de dados: um pedido de teste, uma quantidade digitada incorretamente, uma importação duplicada, tráfego de bot. E aquele que todos esquecem, o lado inferior: uma semana sem vendas porque o produto estava esgotado. Aquela semana não é evidência de ausência de demanda. É uma evidência de que seu relatório de vendas não conseguiu ver a demanda.

Aqui está "Cedro e Figo, 250g" ao longo de doze semanas, unidades vendidas por semana, o mais antigo primeiro:

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

Faça a média de todas as doze e você obterá 683 ÷ 12 = 56,9 unidades por semana, um número que a loja nunca teve. Média das sete semanas tranquilas sozinhas, semanas 1, 2, 3, 4, 6, 7 e 9: (34 + 33 + 36 + 37 + 35 + 36 + 34) ÷ 7 = 245 ÷ 7 = 35 unidades. Esse 35 é a verdadeira linha de base. Toda a diferença entre os dois números é de três semanas, e essas três semanas exigem três tratamentos diferentes.

Sinal atípico ou real

Quatro questões os separam, nesta ordem.

Passe as três semanas fazendo isso. O 238 da semana 8 foi um pedido de presente de 200 unidades além de uma semana normal de varejo de 38 unidades: nomeável, não repetitivo, um pedido. Exclua os 200. O 62 da semana 5 foi um desconto que você obteve: nomeável, recorrente, distribuído por muitos pedidos. Sinalize, guarde. As semanas 10 a 12, às 45, 47 e 46, persistiram em três períodos e são compostas por pedidos de tamanho normal de clientes diferentes. Isso não é uma exceção. Esse é o número sobre o qual sua próxima previsão deve ser construída.

O erro mais caro nesta área é o último ao contrário. Um pico sazonal e um pedido em massa parecem idênticos a qualquer regra que apenas veja a magnitude, e a exclusão de dezembro como uma anomalia ensina a previsão do próximo ano que dezembro é normal. O pico é a única evidência de que o padrão existe.

Identificando-os em seus dados do Shopify

Suponha que a exportação já esteja à sua frente; puxá-lo e a limpeza inicial de cancelamentos e reembolsos são abordados em usando seus próprios dados de vendas do Shopify.

Classifique as linhas de pedido do SKU por quantidade, primeiro o maior, antes de agregar qualquer coisa. Um total semanal esconde se 238 unidades vieram de um comprador ou de noventa, e essa distinção decide o tratamento. Em seguida, verifique a coluna do cliente nas primeiras linhas e as datas em relação ao seu próprio calendário de promoções, imprensa e campanhas pagas. Em doze pontos de dados, seus olhos superam qualquer regra.

As regras estatísticas são para quando você tem muitos SKUs para observar. São convenções, não leis, e cada uma carrega uma suposição que vale a pena declarar antes de você confiar nela.

O comum sinaliza algo mais do que três desvios padrão acima da média. Nessas doze semanas a média é 56,9 e o desvio padrão é 55,2, portanto o ponto de corte fica em 56,9 + 3 × 55,2 = 222,5. A semana de 238 unidades compensa cerca de quinze unidades. Observe o que funcionou: 238 é a maior parte da razão pela qual o desvio padrão é 55, então o ponto teve que ultrapassar um limite que ele mesmo inflou. Substitua-o por uma semana de 100 unidades, um pedido de atacado de 62 unidades além de um pedido normal de 38, e a mesma regra na mesma série fornece uma média de 45,4, um desvio padrão de 18,3 e um limite de 100,4. O pico fica abaixo de seu próprio limite e passa normalmente.

Essa regra também pressupõe que os valores estão distribuídos aproximadamente simetricamente em torno da média. As vendas semanais de um SKU são limitadas abaixo de zero e geralmente distorcidas para a direita, de modo que a porcentagem que a convenção toma emprestada da distribuição normal não descreve os dados. A convenção do intervalo interquartil, que sinaliza qualquer coisa além de um intervalo interquartil e meio acima do quartil superior, é mais difícil de distorcer um grande ponto, porque os quartis são posições numa lista ordenada e não médias. Falha de maneira diferente. Tomemos como exemplo um movimento lento que foi vendido em sete dias entre oitenta e quatro: três quartos dos dias são zero, portanto o quartil superior é zero, o intervalo interquartil é zero e o limite é zero. A regra sinaliza todas as vendas que o produto já fez.

Excluir, limitar ou sinalizar

Três tratamentos, e o errado é pior que nenhum.

Exclua a parcela, não o período. O 238 da semana 8 torna-se 38 quando a linha de atacado é removida, e a média de doze semanas cai de 56,9 para 483 ÷ 12 = 40,25 unidades. Em vez disso, excluir a semana inteira teria descartado 38 unidades de demanda genuína no varejo e encurtado sua janela em um período.

Limite o valor quando a demanda era real, mas não repetível naquele tamanho: manter o período, limitá-lo a um teto. Útil em SKUs erráticos, mas genuínos, e o teto é o seu próprio julgamento, que vale a pena registrar como tal, em vez de ser disfarçado como um cálculo.

Sinalize o período e excluí-lo apenas do cálculo que distorceria. Este é o tratamento certo para promoções e picos sazonais, pois você precisa desses períodos intactos para planejar o próximo. Previsão em torno de promoções cobre a estimativa de aumento e a redefinição da linha de base na íntegra.

Agora termine a aritmética. Retire o pedido de atacado e substitua a linha de base de 35 unidades pelas 62 da semana promocional, e a média de doze semanas chegará a 456 ÷ 12 = 38 unidades. Mais limpo, e ainda errado, porque a média das últimas três semanas (45 + 47 + 46) ÷ 3 = 46. A limpeza removeu a contaminação; não corrigiu uma janela de doze semanas, sendo a janela errada para uma série cujo nível mudou há três semanas. Esse é um problema de comprimento de janela, abordado em previsão de média móvel.

Manualmente, isso significa ter em mente um calendário de promoções, uma lista de clientes atacadistas e uma decisão sobre a duração da janela, por SKU, todos os meses. StockCue exclui vendas atípicas da velocidade por trás de suas sugestões em todos os planos, incluindo o Grátis, e seus índices sazonais são reduzidos e limitados para que um mês excepcionalmente forte não triplique o próximo pedido. É exatamente por isso que a próxima seção é importante: uma regra automática ainda é uma regra e não leu seu calendário.

O risco de limpeza excessiva

Cada exclusão faz duas coisas ao mesmo tempo. Reduz o nível e restringe a variabilidade medida. Uma variabilidade mais estreita alimenta um buffer de segurança menor, de modo que um histórico excessivamente limpo produz uma previsão que é ao mesmo tempo mais baixa e menos protegida do que o armazenamento que descreve. A série mais organizada da sua planilha costuma ser a menos defensável.

Vale a pena citar três derrotas. A exclusão de um pico sazonal remove a única evidência de que o padrão existe, e nenhum índice sazonal pode ser derivado do histórico que não contenha mais a estação. Tratar o zero de uma semana de falta de estoque como uma demanda real reduz a linha de base e garante que você faça um pedido insuficiente de um produto que já estava esgotado. E excluir o início de uma mudança radical custa mais: as semanas 10 a 12 acima ficam dez unidades acima da linha de base antiga e parecem três anomalias candidatas para qualquer pessoa que compare 35. Remova-as e você prevê 35 em uma loja que agora vende 46.

A guarda é um tronco e não uma regra melhor. Cada exclusão recebe uma linha: ponto final, SKU, o que foi removido, por que, quem decidiu. Sem ele, ninguém poderá dizer seis meses depois se um histórico tênue significa que o produto foi mal vendido ou que alguém o limpou. Em seguida, verifique se a limpeza ajudou, usando a análise previsão versus real em melhorando a precisão da previsão, tendo em mente o alerta daquele post sobre métricas de erro percentual em SKUs de baixo volume, que são exatamente os SKUs onde um pedido excluído muda tudo. Ignorar a etapa atípica já está na lista de erros comuns de previsão. Fazer isso com muito entusiasmo pertence à mesma lista.

Perguntas frequentes

O que é considerado discrepante nos dados de vendas?

Um outlier é um ponto de dados produzido por algo diferente da demanda que você está tentando prever: um único pedido de atacado ou corporativo, um pedido de teste ou quantidade digitada incorretamente, tráfego de bot ou uma semana de vendas zero causada por uma prateleira vazia e não por ninguém querer o produto. O tamanho por si só não torna um número atípico. Uma causa que você pode nomear sim.

Você deve remover as vendas promocionais de uma previsão?

Não remover: sinalizador. Uma promoção tem uma causa conhecida que se repete na próxima vez que você realiza uma, portanto, essas semanas são a evidência de que você precisa para planejar a próxima promoção. Exclua-os da linha de base que impulsiona a reposição diária, mantenha-os rotulados no histórico e não os exclua imediatamente.

Como você diferencia uma tendência de um outlier?

Pergunte se persistiu e se se espalhou por muitos pedidos. Uma única semana de alta impulsionada por uma grande linha de pedidos é uma transação. Três ou mais períodos consecutivos num novo nível, constituídos por encomendas de tamanho normal de diferentes clientes, constituem uma mudança de nível, e a previsão a partir da antiga linha de base após esse ponto irá sistematicamente subordenar.

O que acontece se você limpar muito do seu histórico de vendas?

Cada exclusão reduz o nível e restringe a variabilidade medida, de modo que um histórico excessivamente limpo produz uma previsão mais baixa e um buffer de segurança menor ao mesmo tempo. Eliminar um pico sazonal é a versão mais cara: o pico é a única evidência de que o padrão existe, por isso a previsão do próximo ano trata esse período como normal.