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.

روش تحلیل مولفه‌های اصلی برای شناسایی عوامل مهم شکل‌دهنده رفتار مشتریان و خوشه‌بندی آن‌ها

در مطلب خوشه‌بندی مشتریان بر اساس ویژگی‌های رفتاری، در مورد اهمیت خوشه‌بندی رفتاری، مثالی از صنعت محصولات غذایی ارگانیک ارائه شد. در این مطلب برای روشن شدن مفهوم تحلیل مولفه‌های اصلی، فرآیند اجرایی خوشه‌بندی در آن مثال کاربردی، تشریح می‌شود.

۱- تعریف مسأله

در ابتدا پرسشی ساده مطرح شد: مولفه‌ها و عوامل اصلی تشکیل‌دهنده‌ی رفتار کسانی که مشتری محصولات ارگانیک هستند، چیست؟ مثلا آیا آنها لزوما دارای بیماری‌های خاصی هستند و از این رو ترجیح می‌دهند از محصولات ارگانیک استفاده کنند؟ اگر جواب مثبت باشد، تاکتیک‌های بازاریابی و تبلیغات برای این محصولات نیز بر اساس همین عامل طراحی می‌شود.

۲- تدوین پرسشنامه

سه دسته مفهومی از متغیرها (سوالات/ شاخص‌ها) به شرح زیر تعریف شد:

  • متغیرهای مربوط به سبک زندگی
  • متغیرهای مربوط به نگرش محیط زیستی
  • متغیرهای مربوط به نگرش به محصولات ارگانیک

برای هر دسته از متغیرها، دسته‌ای از سوالات تعریف شد که پاسخ‌دهندگان به هر کدام از آنها بین ۱ (کاملا مخالف) تا ۷ (کاملا موافق)، پاسخ می‌دهند.

۲-۱- متغیرهای سبک زندگی

  • 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.

۲-۲- متغیرهای نگرش محیط زیستی

  • آثار مخرب توسعه: مسیر فعلی توسعه موجب از بین رفتن محیط زیست خواهد شد [پس بایستی محصولات ارگانیک تولید کرد].
  • محصولات بازیافتی: من ترجیح می‌دهم تا از محصولات بازیافتی استفاده کنم.
  • فعالیتهای بازیافت: من زباله‌های خود را در سطل‌های مخصوص تفکیک می‌کنم.
  • آسیب به محیط زیست: در صورتی که کاری انجام ندهیم، تخریب محیط زیست غیرقابل جبران است.
  • حفظ محیط زیست: من کارهایی را برای حفظ محیط زیست انجام می‌دهم.

۲-۳- متغیرهای نگرش به محصولات ارگانیک

  • مزایای سلامتی: محصولات ارگانیک، سالم‌ترند.
  • کیفیت: محصولات ارگانیک، از کیفیت بالاتری برخوردار هستند.
  • تقلب: در محصولات ارگانیک، تقلب نمی‌شود.
  • طعم: محصولات ارگانیک، خوشمزه هستند.
  • ارزیدن: خرید محصولات ارگانیک به جای میوه‌جات معمولی، می‌ارزد.
  • قیمت: محصولات ارگانیک، گران‌تر هستند.
  • جذابیت: محصولات ارگانیک، جذاب‌تر هستند.
  • اثرات مخرب: محصولات ارگانیک دارای اثرات مخرب نیستند.
  • مد:  محصولات ارگانیک، مد روز هستند.

۳- تحلیل مولفه‌های اصلی

وقتی تعداد شاخص‌ها زیاد باشد، از تحلیل مولفه‌های اصلی (PCA: Principle Component Analysis) برای کاهش بُعد استفاده می‌شود.

۳-۱- نتایج تحلیل مولفه‌های اصلی بر روی متغیرهای سبک زندگی

در جدول زیر، ۱۱ شاخص (سوال) مربوط به زندگی، تبدیل به ۳ عامل شد. طبیعی است که بررسی ۳ عامل بسیار راحت‌تر از بررسی چندین شاخص به صورت همزمان است.

15 Customer Segmentation PCA 1

جدول نتایج تحلیل مولفه‌های اصلی برای مصرف‌کنندگان محصولات ارگانیک در شهرهای ناوارا و مادرید

به عنوان نمونه، عامل اول را مرور می‌کنیم عامل اول عبارت است از:

15 Customer Segmentation PCA 2 formula

15 Customer Segmentation PCA 3

این عامل ترکیبی خطی از متغیرهای سبک زندگی است. همانطور که دیده می‌شود، ضریب غذاهای بدون افزودنی ، غذاهای فرآوری نشده، مصرف زیاد میوه و مصرف مقتصدانه گوشت در آن، به گونه‌ای معنی‌دار بیشتر از سایر متغیرها است. از این رو می‌توان عامل اول را به عنوان مولفه  گرایش به مصرف غذاهای طبیعی تفسیر کرد. عامل‌های دوم و سوم نیز به همین شیوه تحلیل می‌شوند.

۴- خوشه‌بندی

با استفاده از یکی از روش‌های خوشه‌بندی، داده‌های پرسشنامه‌ها سه عامل مذکور، خوشه‌بندی شدند. پس از خوشه‌بندی به روش استاندارد، داده‌ها به سه دسته تقسیم شدند. برای هر یک از دسته‌ها با توجه به ویژگی‌های آنان، تفسیر مناسبی ارائه شد. به طور مثال، دسته‌ای که به مصرف غذاهای طبیعی و ایجاد تعادل در زندگی شخصی و کار گرایش داشته و در عین حال، مشکلاتی در بهداشت و درمان ندارند، مشتریان محتمل محصولات ارگانیک هستند.

12 - CUSTOMER SEGMENTATION

نتایج خوشه‌بندی به شرح جدول بالا است. همانطور که دیده می‌شود، خوشه‌بندی کلاسیک بر اساس ویژگی‌های دموگرافی توان نمایش جهت‌گیری رفتاری هر بخش از مشتریان را ندارد. حتی ممکن است در یک طبقه‌ی اجتماعی، رفتارهای متعددی را دید که مارکترها بایستی به آن دقت داشته باشند.

آنچه خواندید کاربردی از روش تحلیل مولفه‌های اصلی، در حوزه‌ بازاریابی جهت تعیین مهم‌ترین مولفه‌های رفتاری مشتریان و بخش‌بندی آن‌ها و تعیین بخش‌های هدف جهت تدوین استراتژی بازاریابی بود. در قسمت اول بدون وارد شدن به جزئیات، تنها به نتایج و دلالت‌های مدیریتی نتایج این روش پرداختیم و در این قسمت با تفصیل بیشتری، روش را شرح دادیم.

روش تحلیل مولفه‌های اصلی زیرمجموعه‌ی حوزه‌ای وسیع به نام «آمار چندمتغیره» است. کاربرد این روش تنها به بخش‌بندی مشتریان محدود نمی شود. بلکه در حوزه‌های دیگری نظیر تحلیل کلان‌داده (BIG DATA)، مدیریت و محاسبه ریسک مالی و اقتصادی، مدیریت سبد سهام و معاملات،  پیش‌بینی سری زمانی قیمت سهام و عرضه و تقاضای بازارها نیز کابرد دارد.

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

7- نمودار بخش‌بندی کاربران شبکه‌های اجتماعی

اولین گام برای طراحی هر نمودار، مشخص کردن پیامی است که آن نمودار بایستی به خواننده منتقل کند. پیام هر نمودار و اهمیت آن در بین سایر اجزای نمودار، ممکن است موجب طراحی نمودارهای خلاقانه و متفاوتی شود.

نمودار زیر، آمار توزیع جمعیتی کاربران برخی از شبکه‌های اجتماعی را نشان می‌دهد. به یک معنا، این نمودار داده‌های ذائقه‌سنجی کاربران در استفاده از شبکه‌های اجتماعی را نشان می‌دهد. در این نمودار با توجه به تجمعی بودن آن، امکان مقایسه یک سری از داده‌ها به سختی ممکن است. به نوعی می‌توان گفت که مقایسه داده‌های سری ۲۵-۳۴ و ۳۵-۴۴ سال، از روی این تصویر، بسیار مشکل است.

 social network demographics 1

این نمودار را می‌توان به شیوه‌ای دیگر بازآرایی کرد تا داده‌های هر گروه با سادگی بیشتری قابل مقایسه باشد. یک محور عمودی در میان نمودار تعبیه شد تا به جای چهار دسته یکپارچه، دو دسته دوتایی از داده‌ها در کنار هم قرار گیرند.

 social network demographics 2

به نظر شما کدام نمودار می‌تواند بهتر اطلاعات را نمایش دهد و پیام یا پیام‌هایی را به خوبی منتقل کند؟ می‌توان جهت روشن تر شدن مقصود، اصلی‌ترین پیامی که مد نظر داریم را نیز در قسمتی از نمودار بنویسیم. ضمنا هر دو نمودار با همین نرم‌افزار معمولی اکسل رسم شده‌اند و از ابزارهای ویژه‌ای استفاده نشد.

یکی دیگر از نکات مهم در رسم نمودار، محل قرار گرفتن برچسب داده‌ها است. همانطور که در هر دو نمودار بالا می‌بینید، برچسب‌های نام سری داده‌ها به گونه‌ای در بالای نمودار تعبیه شده‌اند که چشم نیاز به مقایسه‌های متعدد رنگ‌ها برای شناخت نام داده ندارد. همچنین مقادیر هر قطعه را نیز روی آن قرار دادیم تا امکان قضاوت تحلیلی بدون رجوع به جدول داده‌ نیز فراهم باشد.

5- نمایش مناسب داده‌ها برای خوشه‌بندی

خیلی وقت‌ها برای خوشه‌بندی داده‌های تجاری، به دنبال روش‌های پیچیده ریاضی هستیم. هر کدام از روش‌های خوشه‌بندی، ویژگی‌ها و محدودیت‌هایی دارند. منتهی گاهی حتی با نمایش ساده نموداری داده‌ها می‌توانیم، به هدف خودمان برسیم. پیچیده کردن راهکار به معنای مزایای بیشتر آن نیست. تصویرسازی از داده‌ها این ویژگی را دارد که همه اتفاقات خوشه‌بندی، در مقابل تصمیم‌گیران نمایش داده می‌شود. آنها می‌توانند اعمال نظر کنند و اشکالات احتمالی آن را مطرح کنند.

سری داده‌های زیر را در نظر بگیرید. فرض کنید که بخواهیم آنها را خوشه‌بندی کنیم. شاید شما هم مثل من آن را به دو یا سه خوشه تقسیم کنید. یک خوشه مربوط به داده تنهای سمت راست و یک یا دو خوشه هم مربوط به داده‌های سمت چپ.first step clustering

یکی از اولین نکاتی که در نمودار بالا به چشم می‌آید، وجود داده پرت در این سری است. نکته‌ای که شاید بدون تصویرسازی، ممکن بود به چشم نیاید. به عنوان یک تحلیل‌گر می‌توانید حدس بزنید که آن داده به صورت اشتباه ثبت شده و یا اینکه خبر از یک اتفاق غیرعادی می‌دهد. منطقی نیست که این نقطه، کل فرآیند خوشه‌بندی را تحت تأثیر قرار بدهد. بنابراین در گام اول، این نقطه را از کل سری حذف و مجددا خوشه‌بندی می‌کنیم. نمودار زیر، نمایش داده‌های اصلاح شده در مقیاس اولیه است.

second step clustering

به نظر من، خوشه‌بندی داده‌های نمودار بالا، باز هم کار آسانی نیست. تعداد مناسب خوشه چند تا است؟ به خصوص زمانی که قرار است به صورت شهودی خوشه‌بندی شود، کدام داده در کدام خوشه قرار بگیرد؟ طبعا استفاده از روش‌های استاندارد، این مشکل را حل می‌کند. ولی حتی نتایج این روش‌ها را اگر نتوان به صورت دلچسبی نمابش داد، مورد پذیرش و مبنای عمل مدیران قرار نمی‌گیرد.

برای خوشه‌بندی، دو کار انجام دادم. اول اینکه مقیاس نمودار را اصلاح کردم و به جای یک مربع ۳۵ در ۳۵، اندازه‌ها را اصلاح کردم. بعد هم دو خط میانگین عمودی و افقی رسم کردم که داده‌ها را به چهار قسمت تقسیم کرد. حالا از روش‌های استاندارد برای خوشه بندی و تحلیل داده ها استفاده کنید.

third step clustering