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 – 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؟

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.

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.