مدیریت درآمد (Revenue management)

مدیریت درآمد (که به آن yield management نیز می‌گویند)، یک استراتژی قیمت‌گذاری است که در صنعت هواپیمایی به وجود آمده است. این استراتژی که از نگاه تحلیل‌گر داده مرتبط با قیمت‌گذاری با محدودیت است، عبارت است از اینکه در طول دوره فروش بلیط هواپیما (به عنوان مثال)، مشتریان به چند کلاس تجاری تقسیم می‌شوند: مثلا اقتصادی، بیزینس و … . برای هر یک از آنها نیز کرایه و خدمات مخصوصی در نظر گرفته می‌شود. تفاوت این مدل با مدل قیمت‌گذاری متغیر این است که در این استراتژی، قیمت یک کلاس مشتریان در طول زمان تغییر نمی‌کند. بلکه در طول دوره ثابت خواهد بود.

قلب مدیریت درآمد، داشتن یک سیستم رزرواسیون است. از این رو بعد از صنعت هواپیمایی، سایر صنایعی که به نوعی موضوع رزور در آنها وجود دارد مانند هتلداری نیز از این استراتژی پیروی کردند.

ساختار استراتژی مدیریت درآمد همانند سایر استراتژی‌های قیمت‌گذاری عبارت است از شناسایی بخش‌های مختلف مشتریان (عموما شامل مشتریان کلاس تجاری، کلاس معمولی و …) و تعریف قیمت و خدمات مخصوص به آنها (product versioning). خصوصیات این بخش‌ها در جدول‌های زیر خلاصه شده اند:

54 REVENUE MANGEMENT

هر چند عمده‌ترین تاکتیک برای نفوذ در بخش‌های مختلف مشتریان، تعریف خدمات متفاوت برای آنها است، اما عموم روش‌های تبعیض قیمتی برای این استراتژی قابل پیاده‌سازی است. بسیاری از شرکت‌های هواپیمایی بین‌المللی از قیمت‌گذاری جغرافیایی استفاده می‌کنند.  قیمت‌گذاری از طریق کانالهای مختلف نیز از دیگر تاکتیک‌ها است.

مهم‌ترین سوال در مدیریت درآمد، تخصیص ظرفیت است. تخصیص ظرفیت به این معنا است که به هر بخش از مشتریان چند صندلی یا اتاق تخصیص داده شود؟ مثلا چند صندلی در هواپیما مخصوص مشتریان بیزنس باشد؟ یا چند اتاق از هتل به مشتریان بیزنس تخصیص داده شود؟  اگر تعداد تخصیصی به مشتریان بیزنس، زیاد باشد ظرفیت تکمیل نخواهد شد و اگر کم باشد، شرکت بخشی از مشتریان با سودآوری بالاتر را از دست خواهد داد.

برای این کار، از روش‌ درخت تصمیم یا برخی روش‌های ابتکاری دیگر استفاده می‌شود. خبر خوب اینکه برای پاسخ به این سوالات، به راحتی می‌توان از نرم‌افزار اکسل استفاده کرد. از این جهت مانند همیشه، تحلیل‌گر داده نبایستی نگران بخش تحلیلی مسئله باشد. بلکه بایستی بر مسئله بخش‌بندی مشتریان و اطلاعات آنها تمرکز کند.

تقسیم‌بندی استان‌های ایران از لحاظ جمعیت و ثروت

اگر مدیر فروش یک شرکت باشید که محصولات مصرفی بسته‌بندی‌شده تولید می‌کند و قصد ورود به بازارهای استانی را داشته باشید، کدام استان‌ها را انتخاب می‌کنید؟ در مورد محصولات مصرفی بسته‌بندی‌شده، سهم استان از تولید ناخالص داخلی و جمعیت آن، دو معیار مقدماتی جهت مقایسه استان‌ها است. برای انجام این مقایسه، می‌توان از نمودار پراکندگی استان‌ها با دو محور جمعیت و سهم از تولید ناخالص داخلی استفاده کرد.

48 iran province 1

همانطور که مشاهده می‌کنید، استان تهران با جمعیت تقریبی ۱۲ میلیون و سهم ۲۸ درصدی از تولید ناخالص داخلی، باعث شده تا سایر نقاط در هم فشرده شوند و نتوان بین آن‌ها تمایزی قایل شد. بنابرین در این تحلیل استان تهران یک داده‌ی پرت محسوب می‌شود و با حذف آن، تلاش می‌کنیم که تصویر دقیق‌تری از سایر استان‌های کشور به دست آوریم (قبلا به این نکته اشاره کرده‌ایم: اینجا).

48 iran province 2
جهت مشاهده در ابعاد بزرگتر کلیک کنید.

با رسم خطوط میانگین جمعیت و تولید ناخالص، موقعیت استان‌های مختلف را نسبت به این خطوط نمایش دادیم. استان‌های اصفهان، خراسان رضوی، خوزستان، فارس و مازندران پس از تهران بیشترین سهم را از تولید ناخالص داخلی دارند. با داشتن این تصویر کلی در کنار سایر معیارهای عملیاتی و تجاری، باید بررسی بیشتری با جزئیات و تفاصیل دیگرانجام شود.

ابعاد مختلف مسئله قیمت‌گذاری

قیمت‌گذاری محصولات برای بازاریابان، یک مسئله سه بعدی است که به آن مکعب قیمت‌گذاری می‌گویند. اصطلاحا گفته می‌شود که قیمت‌گذاری برای ترکیبی است از:

  • محصول واقعی
  • کانال فروش
  • نوع مشتری

بنابراین هر شرکتی بایستی برای هر یک از محصولات خود، به تفکیک هر بخش مشتریان و کانال فروش آن قیمت‌گذاری کند. مثلا یک انتشاراتی می‌تواند برای کتاب‌هایی که به صورت آنلاین در سایت خود می‌فروشد قیمت متفاوتی از کتابهایی که در کتابفروشی‌ها عرضه می‌کند ارائه کند. نکته اینجاست که مسئله «قیمت‌گذاری کتاب برای فروش از مسیر سایت اینترنتی» با «قیمت‌گذاری کتاب برای فروش از مسیر توزیع در کتابفروشی‌ها» دو مسئله مختلف برای یک محصول است که از کانالهای فروش متفاوتی عرضه می‌شوند.

البته شرکت‌ها برای قیمت‌گذاری تنها به همین ترکیب بسنده نمی‌کنند. آنها ممکن است تخفیف عمده فروشی، تخفیف فروش نقدی، باندلینگ و سایر استراتژی‌ها را نیز بیازمایند. در این صورت گفته می‌شود که قیمت‌گذاری برای یک «کالای مجازی» انجام می‌شود.

مکعب قیمت‌گذاری نقطه خوبی برای شروع است. با این مکعب می‌توان فهمید که هر شرکتی بایستی چند مسئله قیمت‌گذاری را مدیریت کند؟ مثلا شرکتی که ۵ محصول، ۳ کانال و ۴ بخش مشتری دارد، باید ۵ ضربدر ۳ ضربدر ۴ مسئله مختلف قیمتگذاری را حل و مدیریت کند. از این رو می‌توانند برای تمام مسائل قیمت‌گذاری شرکت، از یک ساختار و رویه واحد استفاده کرده و از پراکندگی و نظرات شفاهی، دوری کرد.

دو تکنیک تحلیلی برای قیمت‌گذاری مستقیم

قیمت‌گذاری، یکی از وظایف مهم مارکترها است. قیمت‌گذاری به معنای تعیین قیمت برای محصول یا خدمت با هدف ماکزیمم کردن سود است. در تدوین استراتژی مارکتینگ (Segmentation-Targeting-Positioning)، تعیین استراتژی قیمت‌گذاری در بخش Targeting مطرح می‌شود.

تمرکز ما به عنوان تحلیل‌گر داده بر روی روش‌های تحلیلی برای یافتن قیمت بهینه یک محصول یا خدمت است. در واقع بر اساس استراتژی قیمت‌گذاری، با استفاده از روش‌های تحلیلی یک قیمت را به عنوان قیمت بهینه محصول پیشنهاد می‌دهیم.

تکنیک‌های تحلیلی برای قیمت‌گذاری به دو دسته مستقیم و غیرمستقیم تقسیم می‌شوند. در تکنیک‌های مستقیم، فرض بر این است که مشتری کالا یا سرویس را به طور کامل شناخته و نسبت به آن آگاهی کامل دارد و از ویژگیهای آن رضایت دارد. فی‌الواقع تحلیل‌های مشتریانی که کالا یا خدمتی نمی‌تواند نیاز آنها را برآورد کند، نباید در تحلیل مستقیم قیمت‌گذاری استفاده شود. در ادامه، دو نمونه از تکنیک‌های مستقیم قیمت‌گذاری ارائه می‌شود.

تکنیک Gabor­Granger

پیش از این به صورت گذرا به این تکنیک اشاره کرده‌ایم [ر.ک. معمای قیمت‌گذاری برای مدیران بازاریابی: چگونه مقدار مناسب تخفیف را محاسبه کنیم؟]. محتوای این تکنیک همان است که در پست مذکور اشاره شد. به طور خلاصه، بر اساس این تکنیک، نقطه بهینه قیمت، نقطه‌ای است که درآمد در آن ماکزیمم می‌شود. در شکل زیر، نمونه ای از منحنی تقاضا و منحنی درآمد دیده می‌شود.

31 pricing strategy methods 1

این روش ساده ولی کاربردی است. البته نقص‌هایی هم دارد. مثلا رقابت بین کالاها در آن در نظر گرفته نشده است. ممکن است در فضای آزمایشگاهی، مشتری حاضر باشد برای کالای شرکتی ۱۰۰ واحد پرداخت کند. ولی در بازار واقعی زمانی که کالای شرکت رقیب نیز وجود دارد، مشتری ترجیح دهد با همان مبلغ پول کالای شرکت رقیب را خریداری کند.

تکنیک van Westendorp

در تکنیک پیشین، صرفا یک داده از مشتریان جمع‌آوری می‌شد: حداکثر چه قدر حاضر به پرداخت پول به ازای یک محصول خاص هستند؟ این سوال در تکنیک van Westendorp به ۴ سوال تغییر می‌کند:

  • در چه قیمتی، مشتری یک کالا را معامله خواهد کرد (bargain)؟ (قیمت معامله/ قیمت ارزان)
  • از چه قیمتی به بعد، کالا به سمت گران شدن می‌رود؟ (گران)
  • چه قیمتی بسیار ارزان است که در آن نقطه، کیفیت کالا مورد تردید قرار می‌گیرد؟ (بسیار ارزان)
  • چه قیمتی بسیار گران محسوب می‌شود که مشتری آن را از گزینه‌های خود حذف می‌کند؟ (بسیار گران)

منحنی‌های مربوطه مانند شکل زیر رسم می‌شود:

31 pricing strategy methods 2

نمودار فوق دارای چند نکته تحلیلی است:

  • نقطه ارزانی حاشیه‌ای: نقطه‌ای که در آن، درصد مشتریانی که کالا را «بسیار ارزان» می‌دانند برابر با درصد مشتریانی است که آن کالا را «گران» یا متمایل به گرانی می‌دانند (محل تقاطع دو خط گران و بسیار ارزان).
  • نقطه گرانی حاشیه‌ای: نقطه‌ای که در آن، درصد مشتریانی که کالا را «بسیار گران» می‌دانند برابر با درصد مشتریانی است که آن کالا را «ارزان» یا نقطه معامله می‌دانند.
  • نقطه بهینه قیمتی: محل برخورد دو خط «بسیار ارزان» و «بسیار گران» که در آن تعداد افرادی که حاضر به خرید کالا هستند، ماکزیمم می‌شود.
  • نقطه بی‌تفاوتی: محل تقاطع دو خط «ارزان» و «گران»

فضای محصور در بین ۴ منحنی، محدوده مناسب قیمت‌گذاری است (همانند شکل بالا). در واقع کران پایین قیمت‌گذاری، محل برخورد دو خط «گران» و «بسیار ارزان» است. کران بالا نیز محل تقاطع «بسیار گران» و «ارزان» (بین نقطه ارزانی و گرانی حاشیه‌ای).

این روش تحلیلی در مرحله positioning مناسب است و الزاما نمی‌توان از نتایج آن در تعیین نقطه بهینه برای قیمت‌گذاری استفاده کرد. البته همانند تکنیک قبل، در این روش نیز مباحث مربوط به رقابت با سایر رقبا مطرح نیست.

در پایان لازم است اشاره شود که شکل اصلی این روش که توسط van Westendorp  ارائه شد، یک تفاوت جزئی با رویه بالا دارد و نتایج آن نیز تا حدی متفاوت است. در صورت استفاده از روش اصلی، بازه‌ی به دست آمده برای قیمت‌گذاری، کمی بزرگتر است.

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

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.