چگونه منحنی تقاضا را تخمین بزنیم؟

تخمین منحنی تقاضا و نیز تخمین کشش قیمتی (الاستیسیتی)، مرز بین قیمت‌گذاری ساختاریافته با سایر روش‌های کیفی هستند. تقریبا اکثر روش‌های کمی بر روی این دو مفهوم استوار شده‌اند. برای به دست آوردن این دو معیار، از چه تکنیک‌هایی بایستی استفاده کرد؟ شاید مهم‌ترین علتی که مارکترها چندان مایل به استفاده از روش‌های کمی نیستند، این است که با تکنیک‌های پایه‌ای آن‌ها آشنا نیستند.

پرسشنامه، یکی از ابزارهای مهم متخصصین تحقیقات بازار است که در قیمت‌گذاری نیز کاربرد زیادی دارد. نمونه‌ای از ساختار پرسشنامه در روش van Westendorp ارائه شد. با این حال، آن روش زمانی مناسب بود که مشتری آگاهی کاملی نسبت به محصول دارد. در این مطلب، به سه روش کلی برای طراحی پرسشنامه اشاره می‌کنیم. این روش‌ها مناسب قیمت‌گذاری در زمانی هستند که محصول در مراحل اولیه عمر خود است و مشتریان الزاما به همه جنبه‌های محصول آگاهی ندارند.

پرسشنامه برای کشف WTP: willingness to pay

اگر پرسشگر هیچ دیدی در مورد قیمت مناسب برای یک محصول ندارد، از این روش استفاده می‌کند. در این روش، یک سوال ساده از مشتری پرسیده می‌شود: برای یک کالای خاص، حاضرند چه قدر پول بپردازند؟

روش تست تکین قیمت

این تست زمانی مفید است که تحلیل‌گر اطلاعات اجمالی از قیمت مناسب محصول داشته و نمونه آماری تقریبا بزرگی در اختیار او است. ضمنا کالا ویژگی‌های قابل تغییر زیادی نداشته و محصول در سطوح اولیه بلوغ است.

در این روش، چند سطح قیمتی مشخص می‌شود (مثلا ۱۰۰، ۱۵۰ و ۲۰۰). سپس از افرادی که به صورت تصادفی انتخاب می‌شوند فقط یک سوال پرسیده می‌شود: آیا حاضرند این کالا را با قیمت ۱۰۰ تومان بخرند؟

نکته مهم اینجاست که از هر نفر تنها یک سوال پرسیده شود. از کسی که نظر او در مورد قیمت ۱۰۰ تومان برای کالا پرسش شده، نبایستی در مورد سایر سطوح قیمت سوال شود. برای هر سطح قیمتی، بایستی بین ۱۵۰ تا ۴۰۰ نمونه ثبت شود. ضمنا معمولا بیشتر از سه سطح قیمتی، توصیه نمی‌شود. با توجه به اینکه در این روش تنها یک بار از ترجیحات مشتری سوال شده و مشتری امکان اصلاح یا بازفکر در مورد جواب خود ندارد، مشهور به ناب‌ترین روش برای تست حساسیت مشتری به قیمت محصول است.

پرسشنامه بایستی به صورت استاندارد طراحی شود به گونه‌ای که برای ثبت پاسخ بایستی از مقیاس لیکرت یا مقیاسهای عددی استفاده کرد. به طور مثال، مشتریان پاسخ خود را در قالب اعداد ۱ تا ۹ اعلام کنند. کسانی که پاسخ آنها بالاترین احتمال (یا دو بالاترین احتمال) است، جزء خریداران محتمل این محصول محسوب می‌شوند.

ضمنا بر خلاف روش van Westendorp فرض می‌شود که به طور مثال در صورتی که فردی حاضر باشد کالایی را در قیمت ۱۰۰ تومان بخرد، پس آن کالا را در قیمت ۸۰ تومان نیز خواهد خرید.

36 pricing strategy method

طبیعی است که نیاز نیست که جمع این اعداد برابر با ۱۰۰% شود. از جدول بالا می‌توان استنباط کرد که بهترین قیمت ادراکی مشتریان برای این محصول در بازه ۲۰۰ تا ۲۵۰ قرار دارد. ضمنا استنباط می‌شود که بیش از ۲۵۰ یا کمتر از ۲۰۰، حدود خیلی گران و خیلی ارزان هستند.

علت طراحی این تست، مصون ماندن از خطایی است که قیمتهای مرجع (Reference point) برای فرد ایجاد می‌کنند. منظور از این مفهوم این است که اگر از فردی در ابتدا پرسیده شود که آیا حاضر است این کالا ۲۰۰ تومان بخرد یا نه، سپس از او در مورد قیمت ۱۵۰ تومان پرسش شود، وی راحت‌تر قیمت ۱۵۰ تومان را قبول می‌کند و با احتمال بیشتری جواب مثبت می‌دهد. تست تکین، از این خطا تقریبا مصون است.

تست نردبانی قیمت

این روش، توسعه‌ای بر روش تست تکین است. با توجه به اینکه تعداد مورد نیاز نمونه در تست تکین بسیار زیاد است، روشی طراحی شد که با نمونه کمتری هم بتوان به جواب مناسب رسید. در این روش، در ابتدا از مشتری در مورد یک سطح قیمتی خاص سوال می‌شود. در صورتی که وی در این سطح قیمتی حاضر احتمالا خریدار محصول بود، حال با یک قیمت بالاتر از او سوال می‌شود و در صورتی که او مایل به خرید نبود، سوال بعدی در مورد یک سطح پایین‌تر قیمت خواهد بود.

در این روش، تعداد کل نمونه‌ها کاهش می‌یابد. با این حال بایستی توجه کرد که در هر سطح قیمتی، حداقل بین ۱۵۰ تا ۴۰۰ نفر بایستی پاسخگو بوده باشند. در برخی منابع تاکید شده از هر فرد تنها در مورد دو سطح قیمت سوال شود. بنابراین می‌توان گفت که در بهترین حالت، تعداد نمونه‌های مورد نیاز تا نصف کاهش می‌یابد.

این روش در زمانی که تعداد سطوح قیمتی مورد آزمایش، زیاد است، بسیار بهتر از تست تکین است. با این حال، معمولا درصد مشتریانی که حاضرند در سطوح قیمتی پایین‌تر کالایی را بخرند، در این تست بیشتر از تست تکین گزارش می‌شود که خطاب ناشی از قیمت مرجع است.

دقت شود هر کدام از این سه روش، بایستی با توجه به محدودیت‌ها و کاربردهای آن استفاده شود. در مطالب آتی، نکات بیشتری را در مورد طراحی تستها ارائه خواهیم کرد.

تحلیل و ارایه داده‌های فروش – قسمت چهارم

قبل از مطالعه این پست، پیشنهاد می‌کنیم که قسمت‌های قبل سری مطالب تحلیل و ارائه داده‌های فروش را مطالعه کنید (قسمت‌های اول، دوم و سوم). در بخش چهارم از این سری، به تحلیل سری زمانی به عنوان یکی از وظایف تحلیل‌گران داده می‌پردازیم.

هر سری زمانی معمولا از چهار جزء زیر تشکیل شده است:

روند (Trend): این که فروش شرکت به صورت میانگین در بلندمدت چه قدر رشد یا افول داشته است؟ شکل زیر، نمونه‌ای از یک سری زمانی دارای رشد در بلند مدت است. به این معنی که اگر از نوسانات مقطعی این سری صرفنظر کنیم، در بلند مدت فروش آن شرکت بیشتر شده است. در شناسایی روند در نمودار فروش دقت کنید که روند در بلندمدت تغییر نمی‌کند.

35 sales dashboard 1

نوسانات فصلی (Seasonality): رشد یا افول سری زمانی در دوره‌های منظم را، نوسانات فصلی می‌گویند. مثلا فروش بلیط یک شهربازی، در پنجشنبه‌ها نسبت به سایر روزها بیشتر است. این افزایش در فروش که هر پنجشنبه به صورت منظم رخ می‌دهد، یک تغییر فصلی می‌گویند. بنابراین با توجه به اینکه کوتاه‌ترین فاصله منظم تغییرات، یک هفته است، یک فصل سری زمانی برابر با یک هفته است.

تغییرات ادواری (long-run cycle): به نوسانات تکرارشونده با دوره طولانی‌تر از یک فصل از سری زمانی، تغییر ادواری می‌گویند. مثلا رفتار سری زمانی بلیط فروشی یک شهربازی، در تابستان‌های هر سال مشابه هم است و نسبت به سایر ایام، بیشتر است. از آنجا که یک فصل از سری زمانی، هفته است و تغییرات تابستان به تابستان بیشتر از یک هفته است، یک تغییرات ادواری می‌گویند. بنابراین یک تغییر ادواری بلیط فروشی در شهربازی، ۵۲ هفته (یک سال) طول می‌کشد. البته هر سری زمانی می‌تواند دارای چند تغییر ادواری باشد. مثلا در همین سری زمانی، رفتار سری زمانی در نیمه شعبان‌ها یکسان است. بنابراین یک تغییر ادواری برای نیمه شعبان‌ها نیز دیده می‌شود. چنانچه تغییرات تاسوعا و عاشورای هرسال نیز برای سری‌های زمانی یک تغییر ادواری است.

تغییرات نامنظم (stochastic): تغییراتی که قابل پیش‌بینی نیستند و نظم و الگوی خاصی ندارند. یک تحلیل‌گر پیش از هر چیز بایستی کلیه روند‌های کلی، فصلی و تغییرات ادواری را کشف کند. آنجه باقی می‌ماند، بایستی هیچ روندی نداشته باشد و نتوان هیچ دلیلی برای آن کشف کرد. هر گونه تغییر روندی در سری زمانی که می‌توان دلیلی برای آن ذکر کرد را بایستی در یکی از مفاهیم بالا جا داد.

بنابراین مهم‌ترین گامی که یک تحلیل‌گر در تحلیل سری زمانی فروش بایستی بردارد این است که هر یک از تغییرات و روندها را تشریح کرده و میزان آن را تحلیل کند. یک تحلیل‌گر بایستی برای هر سه روند بلندمدت، فصلی و ادواری وضعیت خود را با وضعیت مطلوب مقایسه کند. فرض کنید که روند بلندمدت سری زمانی نشان می‌دهد که به صورت متوسط ۲% رشد داشته است. حال بایستی به سوالات زیر پاسخ داد:

  • آیا این رشد ناشی از افزایش طبیعی تقاضای کل این محصول در بازار بوده و یا اینکه موفقیت در فعالیت‌های بازاریابی شرکت موجب افزایش فروش شد؟
  • همزمان با ما، آیا رقبا عملکرد بهتری در گرفتن بازار داشته‌اند؟ و آیا در همین دوره، ما می‌توانستیم بهتر عمل کنیم و فروش خود را بهبود دهیم؟
  • در صورتی که همین روند ادامه یابد یا اینکه ما بتوانیم این روند را بهبود بخشیم، آیا شرکت ظرفیت لازم برای پاسخگویی به مشتریان را دارد؟ برنامه برای جذب منابع کافی صورت گرفته است؟ نیروی کار ماهر و مناسب داریم؟ کانال توزیع ظرفیت افزایش فروش دارد؟
  • میزان فروش شرکت به چه عواملی وابسته است و با چه متغیرهایی همبستگی معنادار دارد؟ کدام یک از آن عوامل بیرونی است و کدام یک از آن عوامل را شرکت می‌تواند کنترل و برنامه‌ریزی کند؟

بنابراین به طور خلاصه، یک تحلیل‌گر داده بایستی لیستی از تغییرات بلندمدت، فصلی و ادواری تهیه و کلیه ویژگی‌های آن را ثبت کرده و با وضعیت مطلوب مقایسه کند. البته در همین بخش، یک گام دیگر باقی می‌ماند که در بخش‌های بعدی به آن پاسخ می‌دهیم: میزان فروش شرکت به چه عواملی وابسته است و با چه متغیرهایی همبستگی معنادار دارد؟

طبقه‌بندی روش‌های قیمت‌گذاری محصولات

قیمت‌گذاری نیاز به یک استراتژی دارد. مثلا استراتژی قیمت‌گذاری دو بخشی برای باشگاه‌های ورزشی، یک استراتژی قیمت‌گذاری است. در این استراتژی یک حق عضویت از فرد دریافت می‌شود و فرد می‌تواند تا دفعات مشخصی از باشگاه استفاده کند. اگر بخواهد دفعات بیشتری به باشگاه برود، به ازای هر دفعه استفاده اضافه‌تر، مبلغی را پرداخت می‌کند.

هر استراتژی قیمت‌گذاری شامل دو بخش است:

  • چگونه قیمت‌گذاری کنیم؟
  • سطح قیمت یا قیمتی که واقعا به مشتری اعلام می‌شود

به سوال اول می‌توان با استفاده از روش‌های کیفی تحلیلی و به صورت casual پاسخ داد. معمولا از focus group، مصاحبه عمیق، قضاوت مدیریتی و نظرات صاحبنظران برای پاسخ به این سوال استفاده می‌شود. نکته مهم این روش‌ها این است که پیشنهادات آنها قابل بازتولید نیستند (reproducible). نتایج هر مصاحبه عمیق با مصاحبه‌ای دیگر از همان فرد اما در یک زمان و موقعیت متفاوت، معمولا مشابه نیست. ضمن اینکه یک چارچوب روشمند برای قیمت‌گذاری با استفاده از ابزارهای فوق وجود ندارد.

اما به سوال دوم بدون شواهد تجربی نمی‌توان پاسخ داد. نیاز به تحقیقات زیادی است که بتوان سهم بازار مورد انتظار را در هر سطح قیمتی برآورد کرد. جایی که تحلیل‌گران داده به موضوع قیمت‌گذاری ورود می‌کنند، حل سوال دوم است.

یافتن قیمت و سطح قیمتی مناسب برای یک محصول، نیاز به دو تحلیل جامع دارد: مشخص کردن سطح قیمتی برای آن محصول (level determination) و ارزیابی اثر (effect assessment). سطح قیمتی به موضوع مفهوم اقتصادی کشش قیمتی مربوط است که از روش‌های اقتصادسنجی و آماری پیشرفته برای آن استفاده می‌‌شود.

روش‌های کیفی و کمی، مکمل هم در قیمت‌گذاری هستند. روش‌های کیفی، به تحلیل‌های کمی اعتبار می‌دهند و جزئیات مدل‌های کمی را مشخص می‌کنند. اما نکته اینجاست که تنها با روش‌های کمی و به کارگیری شواهد تجربی یا قابل مشاهده، امکان تعیین سطح قیمت مناسب وجود دارد.

دیتا پاتنرز، در چند مطلب به تعدادی از روش‌های کمی اشاره کرده است. در این مطلب، روش‌های تحلیلی کمی قیمت‌گذاری را دسته‌بندی می‌کنیم تا مورد استفاده علاقه‌مندان قرار بگیرد. البته پیش از این یادآوری کنیم که به دلیل گستردگی این موضوع، امکان ارائه دسته‌بندی کاملی برای آن وجود ندارد. با این حال می‌توان از نمودار زیر به عنوان نمای اولیه استفاده کرد.

34 pricing strategy methods 1

دیتا پارتنرز به زودی اولین آزمایشگاه قیمت‌گذاری را افتتاح خواهد کرد. در آزمایشگاه قیمت‌گذاری دیتاپارتنرز، اجرای پروژه‌های قیمت‌گذاری بر اساس یک متدلوژی علمی خواهد بود که نتایج آن قابل اتکا و ارزیابی است. از شما خواهش می‌کنیم تا اگر سوال یا مشکلی در زمینه قیمت‌گذاری دارید، با ما مطرح کنید. این کار به توسعه آزمایشگاه قیمت‌گذاری دیتاپارتنرز کمک خواهد کرد.

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

مدل تحلیلی ون-وستندورپ اصلاح شده برای قیمت‌گذاری

در مطلب پیشین مربوط به موضوع قیمت‌‌گذاری، به دو تکنیک تحلیلی “ون-وستندورپ” و “گابر-گرانجر” برای قیمت‌گذاری محصولات و خدمات اشاره کردیم.

در مدل ون-وستندورپ، بازه مناسب و نطقه بهینه قیمت‌گذاری یک محصول به شما پیشنهاد می‌شود. این بازه و نقطه بهینه مشخص می‌کند که در چه محدوده‌ای، حداکثر تعداد افراد و مشتریان، آن قیمت را مناسب می‌دانند. اما در مدل ون-وستندورپ، هیچگاه بحث از احتمال خرید مشتریان به میان نمی‌آید. در حالی که فروشندگان می‌خواهند بدانند که با چه احتمالی مشتری که یک قیمت را مناسب می‌داند، در همان قیمت ممکن است کالا را از وی بخرد؟

31 pricing strategy methods 2

مدل ون-وستندورپ

برای بهبود مدل می‌توان از مفاهیم مدل گابر-گرانگر برای اصلاح مدل ون-وستندورپ استفاده کرد. سوالات پرسشنامه‌ای مدل فوق به این شکل اصلاح می‌شوند:

  • به نظر شما، چه قیمتی برای این محصول مناسب است (قیمت ارزان، bargain)؟ با چه احتمالی شما این کالا را در این قیمت خواهید خرید؟
  • به نظر شما، از چه قیمتی بالاتر، این کالا به سمت گران شدن می‌رود (گران)؟ با چه احتمالی شما این کالا را در این قیمت خواهید خرید؟

در آمد مورد انتظار در هر سطح قیمت برابر خواهد بود با حاصل‌ضرب قیمت در تعداد افراد مورد انتظاری که در این قیمت حاضر هستند آن کالا را بخرند. در صورتی که نمودار درآمد مورد انتظار و قیمت رسم شود، می‌توان سطح قیمتی مناسبی را یافت که در آن سطح قیمت، انتظار می‌رود بیشترین درآمد برای شرکت تولید شود.33 Pricing strategy methods 1

مدل تحلیلی ون-وستندورپ اصلاح شده

برخی از محققین به صورت تجربی معتقدند که بیشترین درآمد نه در نقطه بهینه قیمتی OPP که در نقطه بی‌تفاوتی قیمتی IPP اتفاق می‌افتد.

بنابراین مدل بالا از دوجهت از مدل ون-وستندورپ اصلی کارآمدتر است: اولا تعداد سوالات مستقیم آن در مورد قیمت کمتر است و دوم اینکه موضوع «احتمال خرید» را نیز در نظر می‌گیرد. البته همچنان این نقص وجود دارد که مسئله «رقابت در بازار» و وجود کالاهای جایگزین در این مدل دیده نشده است.

تحلیل و ارایه داده‌های فروش – بخش سوم

پیش از این در مورد ساختار و ویژگی‌های داده‌های فروش توضیح دادیم. ضمنا سوالاتی را که یک تحلیل‌گر داده بایستی از روی داده‌های فروش به آنها پاسخ دهد را ارائه کرده‌ایم. در این قسمت، با تحلیل سری زمانی فروش، به بخشی از سوالاتی که مطرح شده بود، پاسخ می‌دهیم.

قبل از آغاز تحلیل، سری زمانی را بایستی آماده کنیم. قبلا، در مطلبی توضیح دادیم که ماهیت یک سری زمانی در تحلیل آن موثر است. مثلا سری زمانی درآمد یک شرکت مشاوره که به صورت میانگین، هر ۴ ماه یک بار درآمدهای خود را وصول می‌کند، بایستی با میانگین موزون تعدیل شود. برای جزئیات این موضوع، به پست مربوطه مراجعه کنید (+).

سری زمانی داده‌های فروش شرکت مروارید مربوط به نوشیدنی‌های گرم به شرح زیر است. فرض کنید که سری زمانی فروش این شرکت آماده و نوسانات غیرقابل تفسیر آن حذف شده است. حال بایستی نوسانات غیرعادی را شناسایی و آن را به صورت جداگانه تحلیل کرد. هر گونه افت یا رشد غیرعادی سری زمانی، بایستی تحلیل و علت آن کشف شود. همان طور که در شکل زیر می‌بیند، در یک ماه، فروش شرکت در یک کالای خاص به شدت افت داشته است.

31 sales dashboard 1

رشد غیرعادی

همانطور که ملاحظه می‌کنید، این سری زمانی در ماه دی دارای رشد غیرعادی است. با مشاهده این رفتار غیر عادی، دانستیم که «چه اتفاقی رخ داده است». حال بایستی به این سوال پاسخ داد که «چرا این اتفاق رخ داد؟» در این مورد خاص، می‌توان (به عنوان مثال) گفت که به دلیل فصل سرما و تعطیلات زمستانه (کریسمس)، رفتن مردم به کافه و محیط‌های تفریحی به ناگاه افزایش پیدا کرده است. بنابراین فروش نوشیدنی‌های گرم حتی نسبت به ماه‌های سرد دیگر نیز افزایش خاصی داشته است.

پس از شناخت علت رشد ناگهانی، چه باید کرد؟ در گام اول باید پرسید که آیا شرکت از موقعیت رونق بهره کافی را برده است؟ یا اینکه فروش آن نسبت به سایر شرکتهای رقیب، رشد کمتری داشت؟ بنابراین هر رشدی، موفقیت نیست. بلکه ممکن است شکست باشد.

سپس باید پرسید که آیا این اتفاق در هر دوره یا سال تکرار می‌شود؟ مثلا تعطیلات زمستانی هر سال تکرار می‌شود؟ یا هر چند به صورت منظم اتفاق نیافتد، ممکن است مجدا تکرار شود؟ در این صورت بایستی برنامه‌ریزی مناسب را برای افزایش رشد فروش در دوره‌های مشابه انجام داد.

افت غیرعادی

همانطور که در نمودار بالا دیده می‌شود، در مرداد ماه فروش این شرکت دچار یک افت غیرعادی است. هر چند طبیعی است که در ماه‌های گرم، فروش نوشیدنی‌های گرم دچار افت شود، ولی در مرداد ماه این فروش دچار افت بیشتری شده است. همانند بالا، باید علت این رویداد را بررسی کنیم. پس می‌پرسیم که «چرا این اتفاق رخ داد؟» در این مورد خاص، می‌توان (به عنوان مثال) گفت که به دلیل قرار گرفتن ماه رمضان در میانه تابستان، فروش نوشیدنی‌های گرم با افت مضاعف روبرو شده است.

همانند بالا بایستی سوال کرد که آیا این مساله هر سال اتفاق می‌افتد یا اگر اتفاق منظمی نیست، امکان وقوع آن در آینده وجود دارد یا نه؟ در این مثال می‌دانیم که ماه رمضان در هر سال شمسی، حدودا ده روز زودتر شروع می‌شود. پس بایستی برای کاهش فروش نیز برنامه‌ریزی کرد و آماده بود. برای مقابله با کاهش فروش، می‌توان از استراتژی مختلفی استفاده کرد. دو نمونه به شرح زیرند:

  • متنوع‌سازی: منظور از متنوع‌سازی، فروش یک کالای جایگزین برای پوشش ریسک ناشی از کاهش فروش است. مثلا به جای فروش نوشیدنی گرم، شرکت بر روی نوشیدنی خنک یا بستنی هم سرمایه‌گذاری کند تا در ماه‌های افت فروش نوشیدنی گرم، سطح درآمد خود را حفظ کند. البته این مثال بسیار ساده است.
  • پاداش و انگیزش برای نمایندگان فروش: طبعا در دوران رکود، فروشندگان بایستی ترغیب شوند تا توان بیشتری را صرف بازاریابی کنند.

یک سوال و تمرین: در دوران رونق، چه راهکاریبرای انگیزش بیشتر نمایندگان فروش جهتاستفاده از فرصت رونق استفاده می‌کنید؟