Bedarfsprognosen für Shopify, abgestimmt auf jedes Produkt

Stockful passt fünf Kandidatenmodelle an jede SKU an jedem Standort an: eine flache Basislinie, Trend, Wochentag, Jahressaisonalität und ein Modell für sporadische Nachfrage bei langsam verkauften Artikeln. Jedes Modell wird im Backtest an der eigenen Verkaufshistorie dieser SKU geprüft, und ein komplexeres Modell wird nur übernommen, wenn es die einfache Basislinie schlägt - eine Prognose kann also nie schlechter werden, nur weil sie ausgefeilter ist. Die Genauigkeit wird anschließend laufend an tatsächlichen Verkäufen gemessen.

Es funktioniert ab Tag eins - Stockful zieht bei der Installation bis zu 2 Jahre Ihrer bestehenden Verkaufshistorie aus Shopify, damit Prognosen nicht bei null anfangen. Produkte mit längerer Historie erhalten komplexere Modelle: Jahressaisonalität etwa braucht genug Historie, um das Muster zu erkennen. Mit wachsender Historie werden die Prognosen automatisch tiefer.

Ja. Die Saisonalität wird pro Produkt aus Ihrer eigenen Verkaufshistorie gelernt - Weihnachtsartikel, Sommerartikel und BFCM-Spitzen erhalten jeweils ihr eigenes gelerntes Muster. Es gibt kein manuelles 'gleicher Zeitraum im Vorjahr'-Setup, und Nachbestellvorschläge berücksichtigen dieselbe Saison im Vorjahr.

Langsam und sporadisch verkaufte Artikel erhalten ein eigenes Modell für sporadische Nachfrage statt eines verrauschten Durchschnitts. Das sind die SKUs, bei denen naive Prognosen am schlechtesten sind - schon ein paar zufällige Verkäufe können einen einfachen Durchschnitt verdoppeln - deshalb werden sie separat modelliert.

Nein. Die Prognose ist selbstoptimierend: Modelle werden pro SKU automatisch ausgewählt, im Backtest geprüft und übernommen. Einstellungen gibt es trotzdem - Lieferzeit, Servicegrad und Rückblickzeitraum lassen sich anpassen, auch mit individuellen Werten pro SKU.