فروش هر یک از محصولات شرکت در ماه‌های آتی چه قدر خواهد بود؟

یکی از مهم‌ترین سوالاتی که از تحلیل‌گران داده می‌پرسند، در مورد پیش‌بینی است. در حوزه فروش، تحلیل‌گران داده بایستی در مورد فروش در ماه‌های آتی پیش‌بینی‌های خود را ارائه دهد تا شرکت برای آن برنامه‌ریزی کند. در این پست، یکی از روش‌های ساده و کاربردی تحلیل و پیش‌بینی سری زمانی فروش را مرور می‌کنیم.

فرض کنید، سری زمانی محصولی را در دست داریم که روند قوی و نوسانات فصلی تکرارپذیر دارد. سری زمانی با این کیفیت، طبق طبقه‌بندی که قبلا در دیتا پارتنرز ارایه کردیم، تا حد خوبی پیش‌بینی‌پذیر است.

37 sales dashboard 1

در پیش‌بینی فروش معمولا از معادله زیر استفاده می‌شود که قادر به نشان دادن روند و نوسانات فصلی نیز هست:

فروش پیش‌بینی‌شده در ماه t = مقدار مبنا + (مقدار روند) * (عدد دوره) + شاخص نوسانات فصلی ماه t

در این معادله چند کلیدواژه داریم:

مقدار مبنا: بهترین تخمین از سطح اولیه (و بدون نوسانات فصلی) سری زمانی در شروع دوره زمانی مشاهداتی. به زبان ساده، معادل مقداری است که نوسانات فروش و تغییرات روند حول آن اتفاق می‌افتد.

مقادر روند: نرخ تغییرات سری زمانی طی هر دوره نسبت به دوره قبلی.

عدد دوره: عدد دوره زمانی مورد نظر نسبت به کل تعداد دوره‌ها.

شاخص فصلی برای هر ماه: این شاخص انعکاسی از نوسانات فصلی ماه‌های مشابه، در ماه ‌پیش‌بینی شده است. مثلا شاخص فصلی ۴ برای ماه اول سال یعنی اولین ماه سال همواره ۴ واحد بیشتر از یک ماه میانگین طی سال است.

در این معادله، مقادیر مبنا، روند و شاخص فصلی برای هر ماه را باید به کمک محاسبات ریاضی تقریب زد به گونه‌ای که پیش‌بینی حداقل خطا را داشته باشد. البته این کار به راحتی  دراکسل و با کمک ابزار Solver قابل انجام است. پس از انجام تحلیل به مقادیر زیر رسیدیم:

37 sales dashboard 2

تفسیر جدول فوق به شرح زیر است:

  • مقدار مبنا در اولین دوره‌ی سری زمانی ۳۷٫۳ واحد است.
  • روند کلی ماهانه افزایشی و معادل ۰٫۵۹ واحد است.
  • ۶ اُمین ماه سال بیشترین و دومین ماه، کمترین تقاضا را نسبت به یک ماه میانگین دارد.

برای اطمینان از اینکه خروجی نهایی، دقت مورد انتظارمان را دارد و نیز تفسیر بهتر مدل، مقادیر انحراف معیار، ضریب همبستگی پیرسون و مجموع مربعات خطا را نیز محاسبه کردیم:

37 sales dashboard 3

تفسیر جدول فوق به شرح زیر است:

  • با احتمال ۹۵% مقادیر پیش‌بینی حداکثر دوبرابر انحراف معیار، ۰٫۷۷۲ واحد، خطا دارند.
  • ضریب همبستگی پیرسون ۰٫۹۸۹ است، یعنی مدلی که برای پیش‌بینی این سری زمانی برآورد کردیم قادر به توضیح ۹۸٫۹% تغییرات در مقادیر فروش است.
  • مجموع مربعات خطا نیز هرچه کمتر باشد بهتر است، اما در واقع برای مقایسه با سایر روش‌های پیش‌بینی به‌کار می‌رود.

حال اگر برای برنامه ریزی به مقادیر پیش‌بینی فروش ماه‌های آینده نیاز داشته باشیم، با کمک فرمولی که ابتدا ذکر کردیم، قادر به محاسبه مقادیر فروش در ماه‎های آینده هستیم. نتیجه را در نمودار زیر مشاهده می‌کنید:

37 sales dashboard 4

این مطلب، پنجمین قسمت از مطالب تحلیل و ارایه داده‌های فروش است. قسمت های قبلی را از اینجا می‌توانید مطالعه کنید: اول، دوم، سوم، چهارم.

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 کدام بازار سرمایه‌گذاری کنیم؟

یکی از سوالاتی که مردم معمولا از تحلیلگران اقتصادی می‌پرسند این است که سرمایه‌ی خود را به کدام بازار وارد نمایند. مثلا در بازار بورس سرمایه‌گذاری کنندیا اینکه دلار بخرند؟ جواب دادن به این سوال ساده نیست. ولی اولین قدم برای رسیدن به جواب، تحلیل و مقایسه‌ی بازدهی بازارها در گذشته است. فرض کنید فردی در ابتدای سال ۱۳۷۹، ۱۰۰۰ ریال سرمایه‌ی مازاد داشته و می‌توانسته آن را در بورس، سکه، مسکن، سپرده بانکی و یا دلار وارد نماید. نمودار زیر نشان می‌دهد که سرمایه این فرد به صورت میانگین در انتهای سال ۱۳۹۳ به چه میزانی رسیده است. مثلا اگر به بازار مسکن وارد شده باشد، سرمایه‌ی وی از ۱۰۰۰ ریال به حدود ۱۲۸۰۰۰ ریال افزایش یافته است.

24 market analysis 1 1

اگرچه در بلندمدت میانگین بازدهی بازار بورس بیشتر بوده است، اما تنها بر مبنای میانگین بازدهی نمی‌توان بازار هدف سرمایه‌گذاری را انتخاب کرد. یکی دیگر از شاخص‌های موثر در انتخاب بازار هدف ، شاخص واریانس است. در شکل زیر واریانس هر یک از بازارها را در دوره زمانی مورد بحث، مقایسه کرده‌ایم. همانطور که دیده می‌شود، هرچند بازار بورس بیشترین بازدهی را طی دوره زمانی مورد بحث داشته است، بیشترین واریانس نیز متعلق به همین بازار است. واریانس بالای بازدهی یک بازار به این معنی است که سرمایه گذاران در عین انتظار کسب سود بالا از آن بازار، احتمال ضرر زیاد در آن بازار نیز می‌دهند. همانطور که در نمودار زیر دیده می‌شود پس از ورود به دوره‌ی رکود در سال ۱۳۹۲، سرمایه‌گذاران در بازار بورس به طور میانگین ضرر بیشتری نسبت به بازارهای دیگر داشته‌اند:

24 market analysis 1 2

مطلب بالا را به زبان دیگری نیز می‌توان بیان کرد. در شکل زیر، نمودار پراکندگی واریانس (ریسک) و میانگین بازده را رسم کرده ایم. خط روند آن نیز رسم شده است که یادآور مفهوم خط بازار سرمایه است و نشان می‌دهد که بین واریانس بازدهی یک بازار با میانگین بازدهی آن همبستگی مثبت وجود دارد. یعنی اگر وارد بازاری با ریسک بالاتری شوید، انتظار کسب بازدهی بیشتر نیز می‌رود. به عبارتی، بازار به ازای تحمل ریسک بالاتر، پاداش بزرگتر به سرمایه‌گذار می‌دهد. نکته‌ی دیگری که می‌توان به آن اشاره کرد مقایسه‌ی دو بازار دلار و سکه است. هر دو بازار واریانسی حدود ۶ درصد دارند، اما بازدهی بازار سکه بالاتر است. مشخصا، ترجیح سرمایه‌گذار این است که بین دو بازار با ریسک مشابه، در بازار با بازدهی بالاتر سرمایه گذاری کند.

24 market analysis 1 3

دقت کنید که تحلیل فوق به هیچ عنوان توصیه‌ای مبنی بر ورود به بازار خاصی یا خروج از آن را ندارد و صرفا، چارچوبی مقدماتی جهت تحلیل و مقایسه‌ی بازارهای مختلف معرفی کرده است. در قسمت بعدی این مطلب، سری زمانی هر کدام از بازارهای مورد اشاره را بررسی خواهیم کرد و دوره‌های رونق و رکود و نقاط عطفشان را تحلیل می‌کنیم.

پی‌نوشت:

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

خوشه‌بندی مشتریان بر اساس ویژگی‌های رفتاری

بخشی از خروجی برنامه استراتژیک بازاریابی، بخش‌بندی مشتریان و هدفگذاری است (Customer Segmentation and Targeting). بخش‌بندی به معنای دسته‌بندی مشتریان برای ارائه محصول مناسب به هر دسته و طراحی تاکتیک‌های مناسب بازاریابی برای آنها است. هدفگذاری یعنی انتخاب بخش‌هایی از مشتریان که سوددهی بیشتری برای ما دارند. بدیهی است که ممکن است تصمیم شرکتی، تعامل با تمام بخش‌های مشتریان باشد.

به طور مثال، یک شرکت مخابراتی می‌تواند به شرکت‌های بزرگ و مشترکین خانگی اینترنت بفروشد. نیازهای مشتریان خانگی و شرکتی با هم متفاوت است. نتیجتا، روش‌های تبلیغات، قیمت‌گذاری و ارایه خدمات برای جذب این دو دسته از مشتریان نیز متفاوت است. در اینجا، عملِ دسته‌بندی مشتریان به دو گروه خانگی و سازمانی، بخش‌بندی مشتریان نامیده می‌شود.

برای بخش‌بندی مشتریان معمولا از ویژگی‌های دموگرافی (جمعیت‌شناسی) مانند سن، درآمد، نرخ مرگ و میر، اندازه خانواده، طبقه اجتماعی و غیره استفاده می‌شود. مثلا با بخش‌بندی، به دو دسته مشتریان کهن‌سال و مشتریان میان‌سال تقسیم می‌شوند. یا مشتریان با گروه‌های درآمدی پایین، متوسط و بالا. همچنین، می‌توان خدمات VIP و اختصاصی را برای گروه درآمدی بالا تعریف کرد.

ویژگی‌های دموگرافی به دلیل سادگی و کیفی بودن آن، معمولا مورد استقبال مارکترها قرار می‌گیرد. ولی واقعیت این است که «رفتار» و «نیاز» مشتریان را همیشه نمی‌توان با ویژگی‌های دموگرافی مدل کرد. چرا که عوامل متعددی رفتار یک مشتری بالقوه را شکل می‌دهند.

در اینجا برای رفتارشناسی مشتریان، مثالی از بازار محصولات ارگانیک مرور می‌شود. بازاریابی محصولات ارگانیک به خاطر وجود کالای جایگزین و نیز حساسیت شدید خریداران به قیمت، پیچیدگی‌ زیادی دارد. احتمالا، در نگاه اول، معیارهای زیر برای بخش‌بندی مشتریان مناسب به نظر برسد:

  • افراد دارای بیماری‌های خاص که به سلامتی محصولات غذایی مصرفی اهمیت بیشتری می‌دهند.
  • افراد دارای درآمد بالا که کیفیت و کلاس قیمتی محصولات غذایی، برای آنها مهم است.
  • کسانی که به گیاهخواری گرایش دارند.

سوال اینجاست که آیا می‌توان با معیارهای فوق، مشتریان تمام شهرها را بخش‌بندی کرد؟ یا اینکه حتی بیماران یک شهر با شهر دیگر و ثروتمندان شهری تا شهر دیگر، رفتارهای متفاوتی دارند؟ آیا کسانی که دارای بیماری‌های خاص بوده ولی درآمد پایینی دارند، از مشتریان بالقوه این محصولات هستند؟ یا کسانی که دارای درآمد بالا بوده، ولی سطح تحصیلات پایین‌تر از دیپلم دارند؟ بنابرین باید دنبال متغیرهایی بگردیم که قادر باشند نسبت به متغیرهای دموگرافی، توصیفی دقیق‌تر از بخش‌های مشتریان (و نتیجتا رفتار آن‌ها) به ما عرضه کنند.

… [از این جا به بعد، نام برخی از مفاهیم ریاضی را خواهید شنید. پیشنهاد می‌شود که از آنها عبور کنید. در مطالب آتی تا حد امکان توضیح داده می‌شوند. الآن فعلا به نتایج توجه کنید.] …

برای پاسخ به این سوال، پرسش‌نامه ای برای جمع‌آوری ۳ دسته از متغیرها طراحی شد:

  • متغیرهای «سبک زندگی»
  • متغیرهای «نگرش محیط زیستی»
  • متغیرهای «نگرش به محصولات ارگانیک»

به عنوان نمونه، متغیرهای مربوط به سبک زندگی در لیست زیر ارائه می‌شوند:

  • کنترل نمک: من رژیم غذایی کم نمکی را دنبال می‌کنم.
  • گیاهخواری: من گیاهخوار هستم.
  • ورزش منظم: من به صورت منظم ورزش می‌کنم.
  • غذاهای فرآوری شده: من از غذاهای فرآوری شده استفاده نمی‌کنم.
  • مصرف زیاد میوه: من معمولا از میوه و سبزیجات به صورت مداوم استفاده می‌کنم.
  • مصرف مقتصدانه گوشت: من به ندرت گوشت قرمز می‌خورم.
  • غذا با افزودنی‌های مجاز: من از خوردن خوراکی‌های دارای افزودنی اجتناب می‌کنم.
  • چکاپ منظم سلامتی: من به صورت منظم، برای چکاپ به پزشک مراجعه می‌کنم.
  • کنترل استرس: من سعی می‌کنم استرس زیادی نداشته باشم.
  • زندگی منظم: من سعی می‌کنم زندگی‌ام طبق قاعده و اصول باشد.
  • تعادل کار و زندگی: من سعی می‌کنم بین کار و زندگی شخصی، تعادل ایجاد کنم.

برای دو دسته دیگر از متغیرها نیز سوالات متناسب تدوین شد (جمعا ۲۵ سوال). پرسشنامه ای بین ۴۰۰ نفر از افراد آشنا به مواد غذایی ارگانیک در دو شهر توزیع شد و پاسخ‌دهندگان، به هر کدام از آنها، نمره ای بین ۱ (کاملا مخالف) تا ۷ (کاملا موافق) دادند.

از روش تحلیل مولفه‌های اصلی (PCA: Principle Component Analysis) برای کاهش بُعد استفاده شد و نتایج تحلیل نشان داد که سه عامل اساسی در بین متغیرهای سبک زندگی، عامل تصمیم‌گیری در مورد خرید / عدم خرید محصولات ارگانیک است:

  • کسانی که گرایش به مصرف غذاهای طبیعی، گیاهخواری، مصرف میوه زیاد، بدون افزودنی و فرآوری دارند، از مشتریان بالقوه محصولات ارگانیک هستند.
  • کسانی که روحیه ایجاد تعادل در زندگی دارند، راحت‌تر به محصولات ارگانیک روی می‌آورند.
  • و کسانی که به دلیل بیماری‌های خاص یا هر دلیل دیگری، به سلامتی خود اهمیت داده و به صورت منظم به چکاپ می‌روند، می‌توانند مشتری خوب محصولات ارگانیک باشند.

… [چگونه سوالات پرسشنامه بالا با هفت متغیر به سه متغیر تبدیل شد؟ جواب این سوال پس از تشریح روش PCA مشخص می‌شود.] …

بر اساس عامل‌های سه گانه بالا (گرایش به مصرف غذاهای طبیعی، گرایش به ایجاد تعادل در زندگی و حساسیت بر روی سلامت شخصی) خوشه‌بندی انجام شد. بر اساس داده‌ها، مشتریان به سه خوشه تقسیم شدند:

  • مصرف کنندگان محتمل: کسانی که هر چند ممکن است نسبت به سلامتی خود چندان حساس نباشند و به صورت منظم به چکاپ نروند، ولی روحیه ایجاد تعادل در زندگی و مصرف غذاهای طبیعی دارند. بیش از ۵۰% از این گروه، گاهی اوقات از محصولات ارگانیک استفاده می‌کند و حدود ۱۰% نیز به صورت منظم محصولات ارگانیک مصرف می‌کنند. اکثر آنها زن بوده و تحصیلات زیردیپلم دارند.
  • مصرف کنندگان غیرمحتمل: کسانی که به هیچکدام از عامل‌های بالا گرایش ندارند. طبیعی است که فروش محصولات ارگانیک به آن‌ها بسیار سخت است. نکته مهم اینکه بیش از ۵۰% مشتریان غیرمحتمل، زیر ۳۵ سال سن دارند و احتمالا به همین دلیل، چندان نگران سلامتی خود نیستند! جالب‌تر اینکه ۱۰% از این افراد به طور دائمی محصولات ارگانیک مصرف می‌کنند. احتمالا این افراد در خانواده‌هایی زندگی می‌کنند که این محصولات در آنها تهیه می‌شود. ولی خود انگیزه کافی برای خرید این محصولات را ندارند.
  • مصرف کنندگان محصولات ارگانیک: این گروه که ۵۲% از جمعیت را تشکیل می‌دهند کسانی هستند که هر چند گرایش زیادی برای ایجاد تعادل بین کار و زندگی شخصی دارند و نگران سلامتی خود هستند، ولی لزوما گرایش به گیاهخواری ندارند و راه زندگی سالم را در گیاهخواری نمی‌دانند. ولی به دلیل کیفیت محصولات ارگانیک، به آن گرایش دارند. با توجه به اینکه عمده مصرف کنندگان دائمی محصولات ارگانیک دراین گروه واقع شده اند، نام آن «مصرف کننده» گذاشته شد. عمده آنها زن هستند، تحصیلات زیر دیپلم دارند و از قضا درآمد متوسطی هم دارند.

جدول نتایج خوشه‌بندی به شرح زیر است. یک نتیجه مهم جدول این است که لزوما بخش‌بندی مشتریان بر اساس اطلاعات دموگرافی، منجر به دسته‌هایی نمی‌شود که مشتریان هر دسته رفتارهای مشابهی از خود بروز می‌دهند.

12 - CUSTOMER SEGMENTATION

جزئیات این مدل در مطالب آتی تشریح می‌شود. جهت پیگیری به‌روز رسانی‌های بعدی دیتاپارتنرز، می‌توانید ما را در شبکه‌های اجتماعی و موبایلی دنبال کنید: اینستاگرام و توییتر و خبرنامه تلگرامی. همچنین اگر از خوراک‌خوان‌هایی نظیر اینو ریدر یا فیدلی استفاده می کنید نیز با افزودن آدرس وبسایت ما را به طور منظم دنبال کنید.

منبع:

Gil, J. ‘Market Segmentation and Willingness To Pay For Organic Products In Spain’. The International Food and Agribusiness Management Review 3.2 (2000): 207-226.