Voorraadvoorspellingsbasis voor DTC E-commerce Winkels

Voorspellen is niet de toekomst voorspellen. Het is beslissen, op een schema en met een gemeten buffer, wanneer je leverancier geld stuurt — wat een veel gemakkelijker probleem is.

---

De e-mail arriveert in de derde week van je beste maand ooit: "Hé — ik probeer de 20oz in Sage te bestellen en er staat uitverkocht. Wanneer is het weer op voorraad?" Je controleert. Het is niet alleen Sage. Je besteller is weg in vier van de zes varianten, de levertijd van je leverancier is 35 dagen, en de inkooporder die je twee weken geleden had moeten plaatsen is nog steeds een concept. Ondertussen, in de hoek van de garage, is een pallet van de kleur die in januari een zekerheid leek, sinds maart niet meer verplaatst.

Je hebt dit eerder meegemaakt. De vorige keer zwoer je dat je serieus zou worden over voorraadvoorspelling — en toen spraken de e-commerce voorraadvoorspellingsinhoud die je vond over vraag-sensing algoritmen, machine learning, probabilistische modellen. Je hebt 40 SKU's en een spreadsheet. Dus sloot je het tabblad en ging je terug naar bestellen op gevoel.

Hier is de herformulering waarop deze post is gebouwd: de reden dat je steeds uitverkocht raakt, heeft niets te maken met ontbrekende algoritmen. Het is dat herordenen gebeurt wanneer je merkt, in plaats van wanneer een getal het zegt. Dat oplossen vereist vijf inputs die je al hebt en rekenkunde die je op papier kunt doen.

De leugen die winkels ertoe aanzet om op gevoel te bestellen

De overtuiging die de meeste DTC-operators vertraagt: "Echte voorspelling vereist data science, en mijn vraag is er sowieso te onvoorspelbaar voor."

Beide helften zijn onjuist. De data-science versie van voorspelling bestaat voor bedrijven met tienduizenden SKU's, waar een winst van 1% in nauwkeurigheid miljoenen waard is. Bij 40 of 400 SKU's produceren het geavanceerde model en het eenvoudige model bijna dezelfde inkooporders — want op jouw schaal zijn de fouten die je schaden geen modelleerfouten. Het zijn procesfouten: niemand keek naar de snelheid deze maand, niemand schreef op dat de leverancier de vorige keer twee weken vertraging had.

En "te onvoorspelbaar" begrijpt verkeerd waar een voorspelling voor dient. Je probeert niet te voorspellen dat je precies 187 eenheden in maart zult verkopen. Je beantwoordt één operationele vraag: wanneer bestel ik opnieuw, en hoeveel, zodat ik niet zonder kom te zitten voordat de volgende zending arriveert — zonder mijn geld te begraven in voorraad die ik niet nodig heb? Die vraag tolereert veel onvoorspelbaarheid, omdat de buffer voor onvoorspelbaarheid deel uitmaakt van de wiskunde.

De vijf inputs die een e-commerce voorraadvoorspelling daadwerkelijk nodig heeft

Alles in een werkende DTC-prognose komt voort uit vijf getallen per SKU — ze zijn allemaal beschikbaar uit een verkooprapport en uw laatste paar inkooporders.

1. Afgelopen verkoopsnelheid, per SKU. Eenheden per dag verkocht, gemiddeld over een afgesloten periode — 30 dagen voor snelle verkopers, 90 voor langzamere, zodat een enkele goede week het gemiddelde niet verstoort. Dit is de motor van de prognose, en deze moet per SKU zijn, niet per product. "De mok verkoopt 12 per dag" is nutteloos als Sage er 6 verkoopt en Mustard er 1.

2. Een seizoensgebonden multiplier. Deel de verkopen van elke maand door uw gemiddelde maand: november kan 1,8 zijn, februari 0,7. Pas de multiplier toe op de periode waarin de voorraad daadwerkelijk zal verkopen, niet de periode waarin u bestelt — een PO in oktober voor voorraad die in november binnenkomt, krijgt het getal van november.

3. Levertijd van de leverancier — en de variabiliteit ervan. Niet het getal op de offerte. De werkelijke dagen van verzonden PO tot verkoopbare voorraad, van uw laatste paar bestellingen: 32, 29, 41, 35. Het gemiddelde bepaalt het bestelpunt. De spreiding — die 41 — bepaalt uw veiligheidsvoorraad.

4. MOQ en bestelbeperkingen. Minimale bestelhoeveelheden, verpakkingsgroottes en prijsstaffels veranderen niet wanneer u opnieuw bestelt, maar ze bepalen de ondergrens van hoeveel — wat enorm belangrijk is voor cash, zoals we nog zullen zien.

5. Geplande promoties. Een uitverkoop is vraag die u bewust plant. Als de Black Friday-bundel vorig jaar 3x de normale snelheid deed, gaat die piek als een expliciete regel de prognose in — en wordt deze achteraf verwijderd uit de afgelopen snelheid (een valkuil met een eigen sectie hieronder).

Dat is de complete lijst. De vaardigheid is niet wiskundig — het is het actueel houden van deze vijf getallen in plaats van ze elke keer te raden.

De herordening-punt wiskunde, doorgenomen

Hier is de rekenkunde, met fictieve ronde getallen: uw best verkopende mok in Sage.

• Afgelopen 90-dagen snelheid: 6 eenheden/dag
• Drukste recente 30-dagen periode: 8 eenheden/dag
• Levertijd van de leverancier: gemiddeld 30 dagen, slechtste geval 40 dagen
• MOQ: 500 eenheden

Stap één: vraag tijdens de levertijd. U heeft voldoende voorraad nodig om de wachttijd op de volgende zending te overbruggen: 6 eenheden/dag × 30 dagen = 180 eenheden. Dat is het absolute minimum bestelpunt in een wereld waarin niets varieert.

Stap twee: veiligheidsvoorraad. Niets van die wereld is echt, dus u voegt een buffer toe. Een eenvoudige, te verdedigen formule: de vraag in het slechtste geval gedurende de levertijd in het slechtste geval, minus de gemiddelde situatie.

(8 eenheden/dag × 40 dagen) − (6 eenheden/dag × 30 dagen) = 320 − 180 = 140 eenheden veiligheidsvoorraad

Stap drie: het bestelpunt. 180 + 140 = 320 eenheden. Wanneer het aantal op voorraad plus besteld voor Sage 320 bereikt, stuurt u de PO. Niet wanneer het laag aanvoelt — bij 320.

Twee dingen over veiligheidsvoorraad, het meest verkeerd begrepen getal in de berekening. Ten eerste, wees precies over waar het tegen afdekt: de twee manieren waarop het gemiddelde je voor de gek houdt — vraag die heter loopt dan het gemiddelde, en de leverancier die langzamer loopt dan verwacht. Het is geen vage "voor het geval dat" opvulling; het wordt bepaald door de spreiding van de vraag van jouw SKU en het track record van jouw leverancier, daarom vroeg input #3 om de geschiedenis en niet de offerte.

Ten tweede is veiligheidsvoorraad een draaiknop, geen gebod. De formule is conservatief — het gaat ervan uit dat slechte vraag en slechte levertijd tegelijkertijd optreden. Voor een langzame verkoper, of wanneer contant geld krap is, kun je het kleiner maken en meer risico op uitverkoop accepteren. Het punt is dat het een beslissing wordt die met cijfers wordt genomen, niet een ongeluk dat wordt ontdekt in een e-mail van een klant.

Stap vier: hoeveel te bestellen. Het bestelpunt zegt wanneer; de bestelhoeveelheid is een aparte beslissing. Een schone startregel: bestel je beoogde dekkingsvenster — zeg, 60–90 dagen verwachte snelheid, seizoensgebonden aangepast — rond dan af naar de MOQ of de volgende verpakkingseenheid. Voor Sage die een 1,5x seizoen ingaat: 6 × 1,5 × 60 dagen = 540 eenheden, wat de 500 MOQ sowieso overschrijdt. Voor een langzame verkoper die 1 eenheid per dag doet, is diezelfde MOQ 500 dagen voorraad — het moment om de MOQ te onderhandelen, varianten te consolideren of het bestaan van de SKU in twijfel te trekken.

[AFBEELDING: Eenvoudig diagram van het bestelpunt — een neerwaarts hellende voorraadlijn die de besteldrempel van 320 eenheden kruist, bestelling geplaatst, voorraad arriveert net als de lijn de veiligheidsmarge van 140 eenheden nadert]

Waar e-commerce voorraadvoorspelling voorspelbaar faalt

De wiskunde is het makkelijke deel. Deze drie faalmodi zijn waar echte winkels pijn lijden.

De asymmetrie: stockouts en overstock kosten niet hetzelfde

De zichtbare kosten van een uitverkoop zijn de gemiste verkopen tijdens de periode van leegstand. De verborgen kosten zijn erger: advertentiecampagnes die je pauzeert (en opnieuw moet leren tegen een hogere CPA wanneer ze opnieuw starten), abonnees die afhaken omdat hun nabestelling er niet was, kopers die voor het eerst kwamen de week dat je niets te verkopen had, en organische rankings die wegglijden terwijl de vermelding dood is. Voor een tijdloos, aanvulbaar product — het soort waarop DTC-merken zijn gebouwd — kan een uitverkoop van drie weken de snelheid maanden na herbevoorrading onderdrukken.

De kosten van overstock zijn de voorraadkosten: vastzittend contant geld, opslag, de uiteindelijke korting. Pijnlijk, maar geleidelijk en meestal herstelbaar — mits het product niet verloopt, dateert of uit de mode raakt.

Dus de juiste bias hangt af van het producttype. Voor tijdloze kern-SKU's, neig naar overstock — royale veiligheidsvoorraad, vroege nabestellingen — omdat de uitverkoop de dure staart is. Voor seizoensgebonden, mode- of bederfelijke SKU's, draai het om: onverkochte voorraad bindt niet alleen contant geld, het verdampt in de uitverkoop, dus magere bestellingen zijn beter dan buffers. Het hanteren van één bias voor beide producttypen is hoe winkels tegelijkertijd zonder de winnaar komen te zitten en begraven worden onder de verliezer — het garage-scenario uit het begin van dit bericht.

Het new-SKU cold-start probleem

Een nieuwe SKU heeft geen achterliggende omzetsnelheid, dus de motor van de prognose is leeg. Vervalst het niet met valse precisie. Leen de lanceringscurve van de meest vergelijkbare SKU die je eerder hebt gelanceerd, schaal deze op met je eerlijke verwachting, en - dit is het actiegerichte deel - bepaal de eerste inkooporder zo dat je goedkoop fout kunt zitten. Een kleinere eerste bestelling met een snelle herordertrigger is beter dan een vol container. Je voorspelt nog niet; je koopt data. Het plaatsen van de tweede inkooporder op basis van vier tot zes weken aan echte verkopen is het plan, geen gebrek aan lef.

De promo-vervorming valkuil

Je voert een uitverkoop van twee weken. Het werkt - 3x omzetsnelheid. Zes weken later is je gemiddelde nog steeds opgeblazen door die twee weken, zijn je herorderniveaus allemaal te hoog, en je staat op het punt om te veel te bestellen in de hele catalogus op basis van vraag die je hebt gecreëerd met een korting.

De oplossing is mechanisch: tag promotieperiodes in je verkoopgegevens en bereken de basisomzetsnelheid met die periodes uitgesloten. Promoties komen de prognose binnen zoals input #5 aangeeft - als expliciete, geplande vraag - nooit stilzwijgend via het gemiddelde. De val loopt ook omgekeerd: een periode van uitverkocht zijn trekt je gemiddelde naar beneden, waardoor je minder moet bestellen van precies de SKU waarvan je net hebt bewezen dat je er te weinig van hebt gekocht. Sluit die periodes ook uit; nul verkopen van een lege schap is geen vraagdata.

Eerst Spreadsheet — en wanneer de Spreadsheet Stopt

Alles hierboven draait in één spreadsheet: een rij per SKU, kolommen voor de vijf inputs, formules voor herorderniveau en bestelhoeveelheid, en een wekelijkse beoordeling van 30 minuten waarbij je de omzetsnelheden bijwerkt en controleert wat de drempel heeft overschreden. Voor een winkel met één kanaal met maximaal een paar honderd SKU's en eindproducten, is de spreadsheet echt het juiste hulpmiddel - niet de budgetcompromis. Je zult elk getal erin begrijpen, wat meer is dan de meeste software-implementaties bereiken.

De spreadsheet houdt op eerlijk te zijn bij herkenbare symptomen: een tweede verkoopkanaal, bundels en kits die hij niet kan aftellen, meerdere magazijnen of een 3PL, of een SKU-aantal waarbij de wekelijkse beoordeling daadwerkelijk stopt - een verouderde prognose is gewoon onderbuikgevoel met opmaak. Op dat punt wil je herordellogica die live verkoopgegevens leest, in de klasse van de aanvullingsapp en hoger. We hebben dat landschap in kaart gebracht, op operationele vorm in plaats van op rangschikking, in onze eerlijke gids voor de beste voorraadbeheersoftware voor Shopify en WooCommerce.

Een Voorspelling is een Aankoopschema — Wat Ervan een Contanteschema Maakt

Nog een herformulering, omdat het dit verbindt met de rest van je bedrijf: elk herorderniveau dat je instelt, is een toekomstige betaling met een geschatte datum erop. Sage die in midden-augustus 320 eenheden overschrijdt, is een leveranciersbetaling in midden-augustus. Een voltooide prognose, gelezen over de kalender, is een schema van de grootste terugkerende kasuitstromen van je winkel.

Dat is belangrijk omdat winkels met veel voorraad zelden failliet gaan aan onrendabiliteit - ze gaan ten onder aan een grote inkooporder die in een rustige week binnenkomt. Door de inkoopdatums van uw prognose in een 13-weeks cashflowprognose op te nemen, wordt "we moeten opnieuw bestellen" "we kunnen de herbestelling betalen op de donderdag dat deze verschuldigd is." En de bestelberekeningen zijn slechts zo goed als uw eenheidseconomie: als uw aangekomen kosten per eenheid vaag zijn, zijn uw bestelhoeveelheidsbeslissingen daarmee ook vaag - onze gids voor COGS voor Shopify-verkopers behandelt hoe u dat getal solide krijgt.

Begin met Tien SKU's

Bouw deze week niet het model met 400 rijen. Neem uw tien bestverkochte SKU's - het grootste deel van uw omzet, al uw risico op uitverkochte producten - en pas de methode alleen daarop toe: haal de snelheid van de afgelopen periode, noteer de werkelijke doorlooptijden van uw laatste paar inkooporders, bereken een herordeningpunt en plan de wekelijkse beoordeling van 30 minuten in. De e-mail over de tumbler van het begin van dit bericht wordt niet voorkomen door beter instinct. Het wordt voorkomen door een getal - 320 - en de gewoonte om het te controleren.

Tien SKU's, vijf inputs, één formule. Dat is voorraadprognose op DTC-schaal - en zodra de eenheden zijn gepland, wordt de geldzijde van dezelfde discipline (COGS, cash timing, boeken die overeenkomen met de schappen) behandeld in onze complete gids voor e-commerce boekhouding.