Grunderna i lagerprognoser för DTC e-handelsbutiker

Prognostisering är inte att förutsäga framtiden. Det är att besluta, enligt ett schema och med en mätt buffert, när man ska skicka pengar till sin leverantör — vilket är ett mycket enklare problem.

---

E-postmeddelandet kommer under vecka tre av din bästa månad någonsin: "Hej – försöker beställa 20oz i Sage och det står att den är slutsåld. När kommer den tillbaka?" Du kollar. Det är inte bara Sage. Din bästsäljare är slut i fyra av sex varianter, din leverantörs ledtid är 35 dagar, och inköpsordern du menade att placera för två veckor sedan är fortfarande ett utkast. Under tiden, i hörnet av garaget, har en pall med den färgkombination som verkade vara en säker hit i januari inte rört sig sedan mars.

Du har varit här förut. Förra gången svor du att du skulle ta lagerprognoser på allvar — och sedan pratade innehållet om e-handelslagerprognoser om efterfrågesensoralgoritmer, maskininlärning, probabilistiska modeller. Du har 40 SKU:er och ett kalkylblad. Så du stängde fliken och gick tillbaka till att beställa på känsla.

Här är omformuleringen som det här inlägget bygger på: anledningen till att du fortsätter att få slut i lager har inget att göra med saknade algoritmer. Det är att återbeställning sker när du *märker*, istället för när ett nummer säger till. Att fixa det kräver fem indata som du redan har och aritmetik som du kan göra på papper.

Lögnen som får butiker att fortsätta beställa på känsla

Tron som stoppar de flesta DTC-operatörer: "Riktig prognostisering kräver dataanalys, och min efterfrågan är för oförutsägbar för det ändå."

Båda delarna är fel. Dataanalysversionen av prognostisering finns för företag med tiotusentals SKU:er, där en 1%ig noggrannhetsökning är värd miljoner. Vid 40 eller 400 SKU:er ger den sofistikerade modellen och den enkla modellen nästan samma inköpsordrar — för i din skala är de fel som skadar dig inte modelleringsfel. De är processfel: ingen tittade på hastigheten den här månaden, ingen skrev ner att leverantören försenades två veckor förra gången.

Och "för oförutsägbar" missförstår vad en prognos är till för. Du försöker inte förutsäga att du kommer att sälja exakt 187 enheter i mars. Du svarar på en operativ fråga: när beställer jag, och hur mycket, så att jag inte får slut innan nästa leverans kommer fram — utan att begrava mina pengar i lager jag inte behöver? Den frågan tolererar mycket oförutsägbarhet, eftersom bufferten för oförutsägbarhet är en del av matematiken.

De fem indata som en e-handelslagerprognos faktiskt behöver

Allt i en fungerande DTC-prognos kommer från fem siffror per SKU – alla tillgängliga från en försäljningsrapport och dina senaste inköpsorder.

1. Senaste försäljningshastighet, per SKU. Enheter sålda per dag, i genomsnitt över ett rullande fönster – 30 dagar för snabba varor, 90 för långsammare, så att en enskild bra vecka inte snedvrider genomsnittet. Detta är prognosens motor, och den måste vara per SKU, inte per produkt. "Tumblaren säljer 12 om dagen" är oanvändbart om Sage säljer 6 och Mustard säljer 1.

2. En säsongsvariationsmultiplikator. Dividera varje månads försäljning med din genomsnittliga månad: November kan vara 1,8, februari 0,7. Applicera multiplikatorn på den period som lagret faktiskt kommer att säljas under, inte den period du beställer under – en oktober-PO för lager som anländer i november får november-siffran.

3. Leverantörens ledtid – och dess variation. Inte siffran på offerten. De faktiska dagarna från PO skickad till lager redo att säljas, från dina senaste flera beställningar: 32, 29, 41, 35. Genomsnittet driver återbeställningspunkten. Spridningen – den där 41:an – driver ditt säkerhetslager.

4. MOQ och orderbegränsningar. Minsta beställningskvantiteter, förpackningsstorlekar och prisklasser ändrar inte när du återbeställer, men de sätter golvet för hur mycket – vilket är oerhört viktigt för likviditeten, som vi kommer till.

5. Planerade kampanjer. En rea är efterfrågan du schemalägger medvetet. Om Black Friday-paketet sålde 3× normal hastighet förra året, läggs den spiken in i prognosen som en tydlig post – och tas bort från den senaste hastigheten efteråt (en fälla med ett eget avsnitt nedan).

Det är den kompletta listan. Skickligheten är inte matematisk – det är att hålla dessa fem siffror aktuella istället för att gissa dem varje gång.

Matematiken för återbeställningspunkt, genomgången

Här är aritmetiken, med fiktiva runda siffror: din bästsäljande tumbler i Sage.

• Senaste 90-dagars hastighet: 6 enheter/dag
• Senaste mest aktiva 30-dagarsperiod: 8 enheter/dag
• Leverantörens ledtid: 30 dagars genomsnitt, 40 dagar som värst
• MOQ: 500 enheter

Steg ett: ledtids-efterfrågan. Du behöver tillräckligt med lager för att klara väntan på nästa leverans: 6 enheter/dag × 30 dagar = 180 enheter. Det är den absoluta minimiåterbeställningspunkten i en värld där inget varierar.

Steg två: säkerhetslager. Ingenting i den världen är verkligt, så du lägger till en buffert. En enkel, försvarbar formel: värsta efterfrågan under värsta ledtid, minus genomsnittsfallet.

(8 enheter/dag × 40 dagar) − (6 enheter/dag × 30 dagar) = 320 − 180 = 140 enheter säkerhetslager

Steg tre: återbeställningspunkten. 180 + 140 = 320 enheter. När Sages lager plus beställda antal sjunker till 320, skickar du PO:n. Inte när det känns lågt – vid 320.

Två saker om säkerhetslager, det mest missförstådda numret i beräkningen. För det första, var exakt med vad det skyddar mot: de två sätten som genomsnittet ljuger för dig – efterfrågan som är hetare än det senaste genomsnittet, och leverantören som är långsammare än deras. Det är inte vag "bara för säkerhets skull"-buffring; det storleksbestäms av din SKU:s efterfrågespridning och din leverantörs historik, vilket är anledningen till att indata #3 frågade efter historiken och inte offerten.

För det andra är säkerhetslager en ratt, inte ett budord. Formeln är konservativ – den antar att dålig efterfrågan och dålig ledtid inträffar samtidigt. För en långsam produkt, eller när pengarna är knappa, kan du minska storleken och acceptera större risk för slut i lager. Poängen är att det blir ett beslut som fattas med siffror, inte en olycka som upptäcks i ett kundmail.

Steg fyra: hur mycket som ska beställas. Återbeställningspunkten anger när; beställningskvantiteten är ett separat beslut. En ren startregel: beställ ditt måltäckningsfönster – säg, 60–90 dagar av förväntad omsättning, säsongsjusterad – runda sedan upp till MOQ eller nästa kartongförpackning. För Sage inför en 1,5×-säsong: 6 × 1,5 × 60 dagar = 540 enheter, vilket ändå klarar 500 MOQ. För en långsam produkt som säljer 1 enhet om dagen är samma MOQ 500 dagars lager – dags att förhandla om MOQ, konsolidera varianter eller ifrågasätta SKU:ns existens.

[BILD: Enkel diagram över återbeställningspunkten – en nedåtlutande lagernivå som korsar tröskeln på 320 enheter för återbeställning, inköpsorder placerad, lager anländer precis när nivån närmar sig säkerhetsbandet på 140 enheter]

Var e-handelslagerprognoser förutsägbart misslyckas

Matematiken är den enkla delen. Dessa tre feltyper är där verkliga butiker skadas.

Asymmetrin: lagerbrist och överlager kostar inte lika mycket

Den synliga kostnaden för slut i lager är den missade försäljningen under luckan. Den dolda kostnaden är värre: annonskampanjer du pausar (och lär dig om igen till en högre CPA när de startar om), prenumeranter som slutar för att deras återbeställning inte fanns där, förstagångsköpare som kom veckan du inte hade något att sälja, och organiska rankningar som sjunker medan listningen är död. För en evig, påfyllningsbar produkt – den sorten som DTC-varumärken byggs på – kan en tre veckors slut i lager dämpa omsättningen i månader efter påfyllning.

Kostnaden för överlager är lagerkostnad: pengar inlåsta, lagring, den slutliga nedsättningen. Smärtsamt, men gradvis och oftast återhämtningsbart – om produkten inte går ut, blir för gammal eller går ur stil.

Så den rätta lutningen beror på produkttypen. För eviga kärn-SKU:er, avvika mot överlager – generöst säkerhetslager, tidiga återbeställningar – eftersom slut i lager är den dyra svansen. För säsongsbetonade, mode- eller färskvaru-SKU:er, vänd på det: osålt lager binder inte bara pengar, det försvinner i reavaror, så magra beställningar slår buffertar. Att ha en lutning över båda produkttyperna är hur butiker hamnar ur vinnaren och begravda i förloraren samtidigt – garagescenariot från början av detta inlägg.

Problemet med kallstart för nya SKU:er

En ny SKU har ingen efterföljande försäljningshastighet, så prognosmotorn är tom. Förfalska den inte med falsk precision. Låna lanseringskurvan från den mest liknande SKU du har lanserat tidigare, skala den efter din ärliga förväntan och – detta är den handlingsbara delen – storleksbestäm den första inköpsordern så att den är felaktig billigt. En mindre första order med en snabb återbeställningsutlösare slår en självsäker container. Du prognostiserar inte än; du köper data. Att placera den andra inköpsordern baserat på fyra till sex veckors verklig försäljning är planen, inte ett misslyckande av mod.

Fällan med kampanjförvrängning

Du kör en två veckors rea. Det fungerar – 3× hastighet. Sex veckor senare är ditt efterföljande genomsnitt fortfarande uppblåst av de där två veckorna, dina återbeställningspunkter är alla för höga, och du är på väg att överbeställa över hela katalogen baserat på efterfrågan du tillverkade med en rabatt.

Lösningen är mekanisk: tagga kampanjperioder i dina försäljningsdata och beräkna baslinjens hastighet med dessa fönster exkluderade. Kampanjer går in i prognosen som indata #5 säger – som explicit, planerad efterfrågan – aldrig tyst genom det efterföljande genomsnittet. Fällan fungerar även omvänt: en period med slut i lager drar ner ditt genomsnitt neråt, vilket talar om för dig att beställa mindre av exakt den SKU som just bevisade att du underköpte den. Exkludera även dessa fönster; noll försäljning från en tom hylla är inte efterfrågedata.

Kalkylblad först — och när kalkylbladet slutar fungera

Allt ovanstående körs i ett kalkylblad: en rad per SKU, kolumner för de fem indata, formler för återbeställningspunkt och orderkvantitet, och en veckovis 30-minuters genomgång där du uppdaterar hastigheter och kontrollerar vad som har passerat sin tröskel. För en enkanalsbutik med upp till några hundra SKU:er och färdiga varor är kalkylbladet genuint rätt verktyg – inte budgetkompromissen. Du kommer att förstå varje siffra i det, vilket är mer än de flesta mjukvaruimplementationer uppnår.

Kalkylbladet slutar vara ärligt vid igenkännbara symptom: en andra försäljningskanal, paket och kit som det inte kan minska, flera lager eller en 3PL, eller ett SKU-antal där den veckovisa genomgången slutar att faktiskt ske – en föråldrad prognos är bara magkänsla med formatering. Vid den tidpunkten vill du ha återbeställningslogik som läser live försäljningsdata, i klassen för påfyllningsappar och uppåt. Vi har kartlagt det landskapet, baserat på operativ form snarare än rangordning, i vår ärliga guide till bästa lagerhanteringsprogramvaran för Shopify och WooCommerce.

En prognos är en inköpsplan — vilket gör den till en kassaplan

Ännu en omformulering, eftersom den kopplar detta till resten av din verksamhet: varje återbeställningspunkt du ställer in är en framtida betalning med ett ungefärligt datum på sig. Sage som passerar 320 enheter i mitten av augusti är en leverantörsbetalning i mitten av augusti. En färdig prognos, läst nerför kalendern, är en plan för de största återkommande kassaflödena din butik har.

Det spelar roll eftersom butiker med tungt lager sällan dör av olönsamhet – de dör av en stor beställning som landar en svag vecka. Att mata in dina beställningsdatum i en 13-veckors kassaflödesprognos förvandlar "vi borde beställa mer" till "vi kan betala för beställningen den torsdag då den förfaller". Och beställningsmatematiken är bara så bra som din enhetsekonomi: om din landade kostnad per enhet är oklar, är dina beslut om beställningskvantitet också oklara – vår guide till varukostnad för Shopify-säljare täcker hur du får det antalet rätt.

Börja med tio SKU:er

Bygg inte modellen med 400 rader den här veckan. Ta dina tio mest sålda artiklar – det mesta av din intäkt, all din risk för slutsåld – och kör metoden på bara dem: dra fram tidigare försäljningshastighet, skriv ner verkliga ledtider från dina senaste beställningar, beräkna en beställningspunkt och lägg in den veckovisa 30-minutersgranskningen i kalendern. Tumlar-e-postmeddelandet från början av det här inlägget förhindras inte av bättre instinkter. Det förhindras av ett nummer – 320 – och vanan att kontrollera det.

Tio artiklar, fem indata, en formel. Det är lagerprognoser i DTC-skala – och när enheterna är schemalagda täcks pengasidan av samma disciplin (varukostnad, kassatider, böcker som matchar hyllan) i vår kompletta guide till e-handelsbokföring.