Распространенные ошибки прогнозирования запасов Shopify
Повторяющиеся ошибки, которые незаметно разрушают прогноз запасов магазина Shopify: от окон устаревших данных до полного игнорирования изменений времени выполнения заказа.
Большинство ошибок прогнозирования не являются плохой формулой. Это хорошая формула, в которой содержится число, которое уже было неправильным еще до начала математических вычислений. Это контрольный список, а не эссе: каждый пункт называет ошибку и дает ссылку на публикацию, в которой рассказывается, как ее исправить.
Один из них заслуживает большего, чем строка перед началом списка, потому что торговцы постоянно переживают его, даже не имея для него названия.
Отсутствие товара приводит не только к потере продаж, которые вы пропустили на этой неделе. Это учит ваш прогноз ожидать меньшего. Если артикул распродан и отсутствует в течение трех дней, ваша история продаж показывает три дня почти нулевого спроса не потому, что клиенты перестали его хотеть, а потому, что на полке не было ничего, что можно было бы купить. Прогноз, построенный на этой истории, считает эти три ровных дня реальными, в следующем цикле заказывает слишком мало, снова заканчивается немного раньше и повторяется. Исследователи называют это цензурированным спросом: данные о продажах показывают, что вы смогли продать, а не то, что на самом деле хотели люди, а прогноз, который рассматривает эти два товара как одно и то же, будет незаметно и систематически заказывать недозаказы именно на те SKU, которых постоянно нет в наличии.
Дефицит не только приводит к потерям продаж на этой неделе: он учит ваш прогноз постоянно ожидать меньшего, пока кто-нибудь его не поймает.
Ошибки в данных
- Относитесь к дням дефицита как к обычному низкому спросу. История продаж распроданных SKU занижает реальный спрос, смещая все будущие прогнозы в сторону понижения и делая следующий дефицит более вероятным, а не менее вероятным. Формирование привычки ловить это относится к определение того, действительно ли ваш прогноз точен.
- Усреднение за полный год вместо недавнего окна. Устаревшие среднегодовые данные ничего не говорят вам о скорости, которая удвоилась в прошлом квартале. См. собственный взгляд на публикацию о точке повторного заказа. перерасчет из недавнего 60–90-дневного окна.
- Пропуск очистки выбросов перед прогнозированием. Один оптовый заказ, оставленный в данных, завышает каждое среднее значение, полученное на его основе. Выявление и корректировка этого разового заказа — это конкретное исправление, а более обширная подготовка данных описана в разделе используя ваши собственные данные о продажах Shopify.
- Применение устоявшегося метода продукта к SKU без истории. Невозможно усреднить скорость, когда продукт имеет нулевые предыдущие продажи. Применяется другой набор методов. См. прогнозирование нового продукта.
Ошибки метода
- Использование фиксированной скользящей средней для трендового или сезонного продукта. Простое среднее не предполагает никакого тренда; он отстает от реального сдвига вверх или вниз и полностью пропускает сезонные колебания. См. когда скользящая средняя ломается.
- Никогда не сравнивайте методы с шаблоном вашего собственного каталога. Метод, который подходит стабильному продавцу, часто не подходит для нерегулярных или сезонных SKU. Начните с сравнение методов прогнозирования.
Ошибки процесса
- Установка прогноза в соответствии с целью продаж, а не с вероятным результатом. Прогноз, незаметно скорректированный для достижения цели, перестает служить сигналом раннего предупреждения и приводит к затоварению запасов по сравнению с реальностью. Покрыт повышение точности прогноза.
- Публикация одного числа без диапазона вокруг него. Точечный прогноз без заявленной неопределенности не дает основы для определения размера резервного запаса. См. выбор номера страхового запаса.
- Никогда не сверяйте прогноз с тем, что на самом деле было продано. Прогноз, который никогда не сравнивался с реальными результатами, может ошибаться в течение нескольких месяцев, прежде чем кто-нибудь это заметит. Привычка, которую стоит выработать, находится в измерение ошибки прогноза.
Ошибки, вызванные внешними факторами
- Незаметно время выполнения заказа поставщиком незаметно изменилось. Точка повторного заказа, построенная на основе прошлогоднего 10-дневного времени выполнения заказа, становится неверной в тот момент, когда она достигает 18. См. как время выполнения заказа влияет на ваш прогноз.
- Позволить пику промо-акции исказить текущий базовый уровень. Одна неотмеченная промо-неделя, включенная в обычную историю продаж, завышает «типичный» спрос на каждую будущую неделю без промо-акций. См. как рекламные акции влияют на прогнозирование.
- Полностью отсутствует подлинная сезонность. Плоское среднее значение за весь год скрывает колебания, которые мог бы уловить сезонный индекс. См. прогнозирование сезонных запасов.
Некоторые из них являются структурными проблемами, а не проблемами усилий: устаревшее окно скорости, незамеченное изменение времени выполнения заказа, дефицит, незаметно снижающий следующий прогноз. Пересчет каждого SKU вручную каждую неделю теоретически позволяет их выявить; на практике эта задача ускользает в первую очередь, когда каталог проходит то, что один человек может удержать в голове. StockCue еженощно пересчитывает прогноз для каждого SKU на основе текущих данных о заказах, что структурно устраняет некоторые из этих ошибок вместо того, чтобы полагаться на то, что кто-то запомнит проверить.
STOCKCUE
Устаревшие окна и незамеченные изменения во времени легко пропустить вручную и трудно пропустить, когда прогноз пересчитывается каждую ночь. StockCue делает это для каждого SKU в бесплатном плане, который покрывает ваши первые 50.
Установите StockCue на Shopify →
Tanjil Ahmed
Разработчик Shopify
Танджил Ахмед пишет об операциях инвентаризации Shopify для Devmerx, студии, стоящей за StockCue: Inventory Forecast.
Все статьи Танджила Ахмеда