تحلیل و ارایه داده‌های فروش – بخش دوم

یادآوری: در قسمت اول این مطلب، ضمن تشریح مفهوم «داده‌های فروش» و ویژگی‌های آن، جدول زیر را برای ثبت داده‌های فروش معرفی کردیم. این نوع از جدول‌ها در اکثر نرم‌افزارهای فروش وجود دارد. در این قسمت، به بررسی سوالات اساسی برای تحلیل داده‌های فروش می‌پردازیم.

27 Sales Dashboard 1

تحلیل داده‌های فروش شرکت، ابعاد مختلفی به شرح زیر دارد:

سوالات مرتبط با محصول:

  • فروش یک محصول در یک دوره زمانی مشخص، چقدر بوده است؟ (رسم نمودار سری زمانی مقدار فروش)
  • کمترین و بیشترین مقدار فروش در چه زمانی بوده است؟ و دلیل آن چیست؟ (مقایسه مقادیر فروش)
  • میزان کل کدام محصول، بیشتر از سایرین بوده است؟ (مقایسه)
  • آیا اضافه کردن یک محصول جدید به محصولات شرکت، اثر منفی بر فروش محصولات قبلی داشته است؟ (تحلیل روابط علّی و معلولی)
  • به تفکیک بخش‌های مشتریان، چه سبدی از محصولات بیشتر مورد توجه قرار گرفته است؟ (تحلیل بخش‌های مشتریان)

سوالات مرتبط با فروشنده (نماینده فروش):

  • کدام فروشنده فروش بیشتری داشته است؟ چرا؟ (تحلیل بهره‌وری)
  • کدام فروشنده عملکرد غیرقابل قبول داشته است؟ چرا؟
  • کدام فروشنده معاملات بیشتری را به نتیجه رسانده است؟
  • کدام یک بیشترین تعداد لغو معاملات را داشته است؟ (عارضه‌یابی)
  • نسبت تعداد مشتریان به فروشندگان چقدر است؟ آیا این عدد مناسب است؟

سوالات مرتبط با مشتریان:

  • مشتریان خوش حساب و بد حساب شرکت کدامند؟
  • چند درصد از مشتریان شرکت، ۸۰ درصد از فروش آن را ایجاد کرده‌اند؟
  • سودآوری کدام دسته از مشتریان بیشتر است؟
  • آیا تبلیغات محیطی در منطقه‌ای خاص، موجب افزایش مشتریان در آنجا شده است؟
  • آیا بین نوع کالا و جنسیت و سن مشتریان ارتباط معناداری برقرار است؟ (تحلیل روابط علّی و معلولی)
  • در کدام بخش از مشتریان، هنوز امکان افزایش میزان فروش وجود دارد؟ (بخش‌بندی، هدف‌گذاری و جایگاه‌یابی)

مشاهده می‌کنید که نکات تحلیلی بسیار زیادی از همین جدول ساده استخراج می‌شود. نقش تحلیل‌گر داده‌ها در تحلیل داده‌های فروش، فرضیه سازی‌ها و تلاش برای کشف الگوها در داده‌هاست. در قسمت‌های بعدی، روش‌های ساده تحلیلی برای پاسخ به سوالات بالا را با ذکر مثال بررسی خواهیم کرد.

اگر علاقه‌مند پیگیری مداوم مطالب ما هستید، دیتا پارتنرز را در تلگرام، توییتر و اینستاگرام دنبال کنید.

چگونه مقادیر منفی را در یک نمودار نمایش دهیم؟

یکی از گام‌های رسم نمودار، تعیین «عناصر» یک نمودار است. میله‌ها، برچسب‌ها و واحد نمایش، از عناصر مهم نمودار هستند. چارتیست‌های حرفه‌ای پیش از قرار دادن هر عنصری در نمودار، یک سوال استاندارد از خود می‌پرسند: این عنصر، چه پیامی را به مخاطب منتقل می‌کند؟

رنگ نیز از عناصر مهم نمودار است. استفاده از رنگ برای ایجاد تنوع در نمودار، به هیچ وجه کاری حرفه‌ای نیست. یک چارتیست حرفه‌ای هیچگاه از افکت‌های هنری، سایه روشن و سه‌بعدی سازی استفاده نمی‌کند و به طور کلی هر گونه تغییر در ظاهر استاندارد یک نمودار اجتناب می‌کند. استفاده کم یا زیاد از رنگ در نمودار، ممکن است موجب ضعف در انتقال مناسب پیام در یک نمودار شود.

اصلی‌ترین کارکرد رنگ، «برجسته‌سازی پیام» است. یکی از پرکاربردترین برجسته‌سازها، برجسته‌سازی و ایجاد تمایز بین اعداد منفی و مثبت است. یک مثال ساده، در شکل زیر نمایش داده شده است. فرض کنید که این نمودار نشان دهنده تغییر مصرف میوه نسبت به سال گذشته باشد. میله‌های مربوط به میوه‌هایی که مصرف آنها در سال جاری کاهش داشت، قرمز است که نشان دهنده وجود یک روند منفی است. میله‌های مربوط به میوه‌هایی که مصرف آنها رشد داشته، با سبز نشان داده شده‌اند.

28 minus vals 1

در فضای کسب و کار، سبز و قرمز به عنوان نمادهای پذیرفته شده برای نمایش روند مثبت و منفی هستند. از این رو بایستی آنها را با دقت در نمودار به کار برد. بنابراین بهتر است سعی شود تا حد ممکن از این دو رنگ برای انتقال سایر پیام‌ها استفاده نشود.

در مثال زیر، نمودار ستونی میزان مصرف واقعی برخی از میوه‌ها در دو سال گذشته نمایش داده شده است. برای انتقال پیام «تغییرات مثبت یا منفی مصرف میوه‌جات مختلف»، یک محور دیگر در بالای آن افزوده شده که تغییرات مصرف میوه را نمایش می‌دهد.

28 minus vals 2

این داشبورد که با اکسل رسم شده است، الگوی مناسبی برای طراحی داشبورد تحلیل روند فروش است. رنگ سبز و قرمز در این نمودار به صورت استاندارد استفاده شده‌اند. در صورت نیاز، عناصر دیگری را نیز می‌توان به این داشبورد اضافه کرد. ولی پیش از هر کاری، به این سوال اساسی فکر کنید: عناصر جدید، چه پیامی را باید به مخاطب منتقل کنند؟

پی‌نوشت: اگر علاقه‌مند پیگیری مداوم مطالب ما هستید، دیتا پارتنرز را در تلگرام، توییتر و یا اینستاگرام دنبال کنید.

تحلیل و ارایه داده‌های فروش – بخش اول

کلیدی‌ترین داده‌های شرکت که به صورت مستقیم به درآمدزایی آن مربوط است، داده‌های فروش آن هستند. تحلیل نظام‌مند، جامع و آینده‌نگر داده‌های فروش، یکی از اساسی‌ترین نیازهای یک کسب و کار است. اگر شرکت نتواند رفتار نیروهای فروش، مشتریان و بازار را تحلیل کند و پیش‌بینی‌های لازم را نسبت به آینده داشته باشد، نمی‌تواند در این محیط رقابتی باقی بماند.

داده‌های تاریخی فروش، مواد خوبی برای بررسی کارآیی کسب و کار و رفتار مشتریان در گذشته و پیش‌بینی آینده هستند. مدیران و صاحبان کسب و کارها معمولا به طور شهودی، از اوضاع فروش باخبر هستند. مثلا طور ضمنی و تقریبی می‌دانند که در کدام بخش فروش افت دارد. اما این نگاه عمیق نیست و ممکن است با خطا همراه باشد. گاه مدیران حتی در اینکه مشتری برای آنها درآمدزاتر بوده نیز دچار اشتباه می‌شوند. واحدهای فروش در هر شرکتی نیاز به افرادی با مهارت‌های تحلیل‌گری داده دارند تا بتوانند اطلاعات مفیدی را برای آنها از بین داده‌های فروش شرکت استخراج کند.

دیتاپارتنرز در مجموعه‌ای از پست‌ها قصد دارد تا با نگاهی عمیق‌تر راهکارهایی ساده را برای تحلیل داده‌های فروش ارائه کند. پیش از هر چیز و به عنوان یک مقدمه، در این پست به این سوال پاسخ داده می‌شود که داده‌های فروش چیست و چه ویژگی‌هایی دارد؟

داده‌های تاریخی فروش، راهنمای خوبی برای چگونگی ادامه فعالیت بنگاه هستند. این داده‌ها روند کلی و نوسانات دوره را در دل خود دارند و مدیران را متوجه نقاط قوت و ضعف می‌کنند. اما خوب است، ابتدا بدانیم که دقیقا منظور ما از داده‌های تاریخی فروش چیست؟ در جدول زیر نمونه‌ای ساده از داده‌های فروش نشان داده شده است.

27 Sales Dashboard 1

طبعا این فرم‌ها از در کسب و کارهای مختلف متفاوت هستند. مثلا در یک کسب و کار آنلاین، ممکن است داده‌های بیشتری را نیز جمع‌آوری کرد. اما همه این داده‌ها در یک سری از ویژگی‌های کمی و کیفی مشترک هستند. این فرم، فرم آماده‌سازی داده ها است. چرا ممکن است داده‌ها در شرکت با نظمی مانند فرم بالا جمع‌آوری نشوند.

آماده‌سازی داده‌های فروش از میان داده‌های ثبت شده در نرم‌افزار فروش، یکی از سخت‌ترین گام‌های تحلیل داده‌ها است. تحلیل‌گران داده بنا بر تجربه می‌دانند که داده‌ها هیچ وقت به آسانی در دسترس آنها قرار نمی‌گیرد و ساعت‌ها زمان برای جمع‌آوری چند سطر داده نیاز دارند. گاه پایگاه داده واحد و یکپارچه‌ای جهت ثبت و به‌روزرسانی داده‌ها در شرکت‌ها وجود ندارد. گاه بخشی از داده‌ها، بی‌اهمیت تلقی شده و ثبت نمی‌شوند. گاه نیز تغییر نرم‌افزار در یک برهه از زمان، منجر به بروز ناهم‌خوانی در داده‌های تاریخی شده یا پیچیدگی و هزینه‌ی کار را بالا می‌برند. بنا بر این توصیه اکید می‌شود که مرحله آماده‌سازی داده‌ها را جدی گرفته و برای آن اهمیت قائل شوید. زمان‌بر بودن آماده‌سازی داده‌های فروش نبایستی مانعی برای تحلیل‌گر داده‌ها باشد.

داده‌ها بایستی چند ویژگی کیفی داشته باشند:

  • دقت (Accuracy): داده باید با استانداردهای متعارف سازمانی و عمومی مطابقت داشته باشد. مثلا داده مربوط به ارقام فروش، از واحد یکسانی نظیر ریال تبعیت کنند. همچنین خطاهای انسانی یا فنی نیز باید بررسی و کنترل شوند. به عنوان مثال، رُند کردن اعداد اعشاری در محاسباتی که مراحل متعدد دارند، می‌تواند منجر به خطای بزرگی در مقدار نهایی محاسبه‌شده شود.
  • صحت و اعتبار (Validity): داده باید همان چیزی باشد که قصد سنجش‌اش را داشته‌ایم. مثلا دو متغیر متفاوت اما شبیه به هم، ممکن است با یکدیگر اشتباه گرفته شوند.
  • قابلیت اطمینان (Reliability): روش جمع‌آوری داده نباید مکررا تغییر کند. چرا که داده‌ها مبنای سنجش عملکرد هستند. مثلا بهبود بازده دارایی شرکت از طریق بازآرایی حساب‌ها و دستکاری صوری حسابداری، قابلیت اطمینان صورت‌های مالی شرکت را پایین می‌آورد.
  • ثبت به موقع (Timeliness): داده باید در فوری‌ترین زمان ممکن جمع آوری شود و تاخیر، از منافع آن کم می‌کند. مثلا مدیر عملیات یک شرکت تولیدی به آمار ساعتی، و مدیر عملیات یک شرکت آنلاین به آمار لحظه‌ای جهت تجزیه و تحلیل نیازمندند.
  • مرتبط بودن (Relevance): داده باید مرتبط با مقاصد ما باشد. مثلا اگر مدیر عملیات به دنبال تحلیل آماری خط تولید است، داده‌ی مرتبط را باید جهت این امر، گردآوری و تحلیل نمود.
  • کامل بودن (Completeness): نقص و کمبود داده مانع قدم‌های بعدی است. مثلا برای تحلیل فروش ماهانه شرکت در ۳ سال اخیر، داشتن آمار همه‌ی ماه‌ها ضروری است و نمی‌توان بدون داشتن جدول کامل تحلیل را آغاز کرد.
  • بدون پیش‌داوری (Bias): روش‌ها جمع‌آوری و ثبت باید بدون پیش‌داوری و تبعیض و وابسته به ذهنیت افراد باشند. در مواردی که قضاوت افراد در گردآوری داده دخیل است، باید به فکر راهی برای کسب داده به طور غیرانسانی یا اعتبارسنجی و استانداردسازی قضاوت انسانی بود. مثلا برای شمردن تعداد ماشین‎های عبوری از یک مسیر، می‌توان از دستگاه شمارنده به جای انسان استفاده نمود.
  • توجه به محدودیت‌ها (Limitations): توجه به محدودیت‌ها ضروری است. مثلا یک فروشگاه زنجیره‌ای، منابع کافی برای ثبت جنسیت تمام مشتریانش ندارد و باید به روش‌های آماری و نمونه‌گیری بسنده کند.
  • همخوانی با سایر منابع (Alignment): تناقض داده با داده‌های سایر منابع باید بررسی و کنترل شود. داده‌های ورودی و خروجی باید با هم مطابقت داشته باشند. مغایرت این دو نباید امری عادی تلقی شود.
  • مالکیت داده‌ها (Ownership): سازمان باید مالکیت داده‌ها را داشته باشد و از کیفیت داده‌هایش مطمئن گردد. همچنین اگر از داده‎های دیگران استفاده می‌کند، اعتبارسنجی آن‌ها ضروری است.

اولین گام برای تحلیل داده‌های فروش، فهم چیستی این داده‌ها و اطمینان از کیفیت مناسبش آن‌ها بود. حال، می‌توان به مراحل بعدی پرداخت. در قسمت بعدی این مطلب، گام دوم جهت تحلیل داده‌های فروش را بیان می‌کنیم. اگر علاقه‌مند پیگیری مداوم مطالب ما هستید، دیتا پارتنرز را در تلگرام، توییتر و اینستاگرام دنبال کنید.

طبقه بندی روش‌های پیش‌بینی تقاضا و فروش

یکی از وظایف مهم کارشناسان بازاریابی، پیش‌بینی تقاضا و فروش محصول است. برنامه‌ریزی و تحلیل طرح تجاری، بودجه بندی سالانه، طرح‌ها و کمپین‌های تبلیغاتی، تحلیل فروش محصولات جدید رقبا و … همگی نیازمند پیش‌بینی میزان فروش هستند. اینجاست که تحلیل‌گران داده می‌توانند به کارشناسان بازاریابی جهت انتخاب روش مناسب پیش‌بینی میزان فروش، پیاده‌سازی روش و ارزیابی و بهبود دقت مدل‌های پیش‌بینی کمک کنند.

برای پیش‌بینی به طور عام و پیش‌بینی فروش به صورت خاص، روش‌های متعددی وجود دارد و در کتابهای مختلف نیز به اشکال گوناگون دسته‌بندی شده‌اند. انتخاب روش مناسب برای پیش‌بینی، اولین گام برای این کار است. برای ارائه دسته‌بندی اولیه و کاربردی از روش‌های پیش‌بینی، ابتدا چند تعریف زیر ارائه می‌شود:

  • محصولات جدید: گاه محصولاتی هستند که داده‌های تاریخی فروش آنها در دسترس نیست یا اینکه بسیار کم در دسترس است (محصولات کاملا جدید) یا اینکه ممکن است کالاهایی شبیه به آن در بازار وجود داشته باشد (محصولات جدیدی که در امتداد محصولات فعلی در بازار، توسعه یافته‌اند).
  • محصولات بالغ (Harvest): محصولاتی هستند که داده‌های تقاضا و مصرف آن به صورت تاریخی وجود دارد و سری زمانی آن را می‌توان در قالب روندهایی تحلیل کرد.
  • برندهای در حال رشد: محصولاتی هستند که فروش آنها بسیار به برنامه‌های مارکتینگ و تبلیغات وابسته است و برای تحلیل آنها نیاز به بررسی روابط داده‌های موجود است.
  • محصولات جاویژه (Niche): محصولاتی که بخش خاصی از مصرف‌کنندگان را هدف قرار داده‌اند.

این تقسیم‌بندی در قالب مدل زیر نمایش داده شده است. در این مدل، محور افقی مربوط به «پیش‌بینی پذیری» و محور عمودی مربوط به ارزشی است که این کالا برای شرکت ایجاد می‌کند. در هر حال، قبل از هر کاری بایستی نوع کالا مشخص شده تا بر اساس آن روش پیش‌بینی تعیین و انتظارات مدیران از پیش‌بینی و دقت مورد انتظار از پیش‌بینی تعدیل شود.

26 forcasting methods 1

مدل تقسیم‌بندی محصولات بر اساس دو معیار «پیش‌بینی‌پذیری» و «ارزش»

با کمک مدل بالا و درک محدودیت‌های هر یک از روش‌های پیش‌بینی، روش‌های زیر برای هر یک از انواع محصولات پیشنهاد می‌شوند. بعضی از موارد در جدول زیر، مربوط به روش‌های کیفی و برخی نیز مربوط به روش‌های کمی هستند. این جدول نشان می‌دهد که یک شرکت یا کارخانه، نمی‌تواند بر اساس یک روش پیش‌بینی واحد، تقاضای همه محصولات خود را پیش‌بینی کند (چنانچه معمولا نرم‌افزارهایی که خریده‌اند، از چند روش محدود پشتیبانی می‌کند). بلکه بایستی با توجه به ماهیت محصول، روش مناسب را انتخاب کنند.

26 forcasting methods 2

روش‌های مناسب پیش‌بینی میزان فروش بر اساس نوع محصول

جدول بالا، راهنمایی ساده و کاربردی جهت تعیین روش پیش‌بینی میزان فروش محصولات مختلف است و شامل تمام روش‌های پیش‌بینی و تمام جزئیات دخیل در انتخاب مدل مناسب پیش‌بینی نیست. هرچند که نمای کلی خوبی از انواع مختلف محصولات از لحاظ پیش‌بینی‌پذیر بودن میزان فروششان، ارزشی که برای شرکت دارند و نیز روش مناسب پیش‌بینی بر اساس این دو معیار را به کارشناسان و مدیران شرکت می‌دهد. امیدواریم بتوانیم در آینده، روش‌های پیش‌بینی مناسب را با جزئیات بیشتری به همراه ذکر مثال بیان کنیم.

چنانچه شما نیز تجربه یا سوالی درباره‌ی پیش‌بینی میزان فروش دارید، با ما و سایر خوانندگان دیتا پارتنرز در میان بگذارید. اگر صاحب کسب و کاری هستید، یا سمتتان در شرکت به گونه‌ایست که به داده‌های تاریخی فروش دسترسی دارید ولی تا کنون پیش‌بینی فروش برایتان مسئله نبوده است، پیشنهاد می‌کنیم حتما نگاهی به داده‌های تاریخی فروش شرکت خود بیاندازید و روند کلی و نوسانات فصلی آن را مشاهده و بررسی کنید. اولین قدم برای پیش‌بینی آینده، نگاه به گذشته است. هرچند که این، تمام ماجرا نیست.

پی‌نوشت:اگر علاقه‌مند پیگیری مداوم مطالب ما هستید، دیتا پارتنرز را در تلگرام، توییتر و اینستاگرام دنبال کنید.

در دوره تورم، کدام قشر بیشتر آسیب می‌بیند؟

یکی از موضوعات پرچالش سیاستگذاران اقتصادی، انتخاب بین سیاستهای ضدتورمی و سیاستهای ضد رکود است. فارغ از پیچیدگی‌های این بحث، در این مطلب با نگاهی به موضوع تورم، می‌خواهیم به این سوال پاسخ دهیم که تورم به کدام دسته از مردم، بیشتر فشار وارد می‌کند؟

در نمودار زیر، شاخص قیمت مصرف‌کننده طی دوره‌ای ده ساله، به تفکیک دهک‌های مختلف رسم شده است. در این نمودار، هزینه‌های  مصرفی زندگی هر یک از دهک‌ها در سال ۱۳۸۱ معادل ۱۰۰ واحد فرض شده است. دیده می‌شود که در سال ۱۳۹۰ ، هزینه‌ی ثروتمندترین دهک به عدد ۳۰۸ رسیده و حدود سه برابر شده است. در مقابل، هزینه‌ی فقیرترین دهک جامعه به عدد ۴۴۴ رسید و حدودا ۴٫۴ براب شد. به عبارت دیگر به طور میانگین طی دهه ۸۰ شمسی، ثروتمندترین دهک جامعه، حدود ۱۳٫۳% تورم را در هر سال تجربه کرده است، در حالی که فقیرترین دهک جامعه به صورت میانگین حدود ۱۸% تورم در سال را در دوره مشابه تحمل کرده است.

25 poverty tax 1

نکته جالب توجه این است که شتاب تورم فقیرترین دهک جامعه، بیش از شتاب تورم در هزینه‌های مصرفی ثروتمندترین دهک جامعه است. از این رو با افزایش تورم، فاصله سری زمانی شاخص قیمتی دهک اول و دهم بیشتر می‌شود. این مسئله در نمودار زیر قابل مشاهده است.

25 poverty tax 2

تحلیل رگرسیون بین دو متغیر «نرخ تورم کل دهک‎ها» و «اختلاف نرخ تورم دهک اول و دهم» ، نیز این فرض را تأیید می‌کند که هرچه تورم کلی افزایش می‎یابد، اختلاف نرخ تورم دهک اول و دهم نیز بیشتر می‎شود. به بیانی دیگر می‌توان گفت که دهک اول در زمان افزایش تورم، از میانگین جامعه تورم بیشتری را تجربه می‌کند.

25 poverty tax 3

سیاستگذاران با اطلاع از آسیب‌پذیری بیشتر طبقات فرودست از تورم بایستی در هر بسته ضدرکود که احیانا ممکن است موجب تورم می‌شود، سیاست‌هایی را در جهت حمایت از این اقشار تدوین کنند. اما برای فهم اینکه بسته حمایتی شامل چه اقلامی باشد، بایستی هزینه سبد دهک‌های آسیب‌پذیر را به تفکیک نوع محصول بررسی و تحلیل کرد. در واقع شیب افزایش هزینه‌های خانوار مانند هزینه‌های درمانی، غذایی و … همان ضریب اولویت آن در تدوین بسته حمایتی از اقشار فرودست است.

* درسی برای رسم نمودار: از رسم نمودار ماکارونی اجتناب کنید.

در نمودار اول این پست، تورم کالاهای مصرفی مربوط به همه دهکهای جامعه رسم شده است. با این حال، موضوع بحث این پست در مورد اختلاف شاخص تورم بین دهک اول و دهک دهم بود. از این رو به جای نمایش دقیق روند تورم همه دهکها، رنگ خط روند دهکهای دوم تا نهم به صورت خاکستری کم رنگ نشان داده شد تا موجب شلوغی نمودار و گم شدن پیام اصلی آن نشود. اصطلاحا به نمودارهای خطی متعدد در یک قاب، نمودار اسپاگتی گفته می‌شود. چرا که مانند ماکارونی در هم پیچیده می‌شوند.