چگونه مقادیر منفی را در یک نمودار نمایش دهیم؟

یکی از گام‌های رسم نمودار، تعیین «عناصر» یک نمودار است. میله‌ها، برچسب‌ها و واحد نمایش، از عناصر مهم نمودار هستند. چارتیست‌های حرفه‌ای پیش از قرار دادن هر عنصری در نمودار، یک سوال استاندارد از خود می‌پرسند: این عنصر، چه پیامی را به مخاطب منتقل می‌کند؟

رنگ نیز از عناصر مهم نمودار است. استفاده از رنگ برای ایجاد تنوع در نمودار، به هیچ وجه کاری حرفه‌ای نیست. یک چارتیست حرفه‌ای هیچگاه از افکت‌های هنری، سایه روشن و سه‌بعدی سازی استفاده نمی‌کند و به طور کلی هر گونه تغییر در ظاهر استاندارد یک نمودار اجتناب می‌کند. استفاده کم یا زیاد از رنگ در نمودار، ممکن است موجب ضعف در انتقال مناسب پیام در یک نمودار شود.

اصلی‌ترین کارکرد رنگ، «برجسته‌سازی پیام» است. یکی از پرکاربردترین برجسته‌سازها، برجسته‌سازی و ایجاد تمایز بین اعداد منفی و مثبت است. یک مثال ساده، در شکل زیر نمایش داده شده است. فرض کنید که این نمودار نشان دهنده تغییر مصرف میوه نسبت به سال گذشته باشد. میله‌های مربوط به میوه‌هایی که مصرف آنها در سال جاری کاهش داشت، قرمز است که نشان دهنده وجود یک روند منفی است. میله‌های مربوط به میوه‌هایی که مصرف آنها رشد داشته، با سبز نشان داده شده‌اند.

28 minus vals 1

در فضای کسب و کار، سبز و قرمز به عنوان نمادهای پذیرفته شده برای نمایش روند مثبت و منفی هستند. از این رو بایستی آنها را با دقت در نمودار به کار برد. بنابراین بهتر است سعی شود تا حد ممکن از این دو رنگ برای انتقال سایر پیام‌ها استفاده نشود.

در مثال زیر، نمودار ستونی میزان مصرف واقعی برخی از میوه‌ها در دو سال گذشته نمایش داده شده است. برای انتقال پیام «تغییرات مثبت یا منفی مصرف میوه‌جات مختلف»، یک محور دیگر در بالای آن افزوده شده که تغییرات مصرف میوه را نمایش می‌دهد.

28 minus vals 2

این داشبورد که با اکسل رسم شده است، الگوی مناسبی برای طراحی داشبورد تحلیل روند فروش است. رنگ سبز و قرمز در این نمودار به صورت استاندارد استفاده شده‌اند. در صورت نیاز، عناصر دیگری را نیز می‌توان به این داشبورد اضافه کرد. ولی پیش از هر کاری، به این سوال اساسی فکر کنید: عناصر جدید، چه پیامی را باید به مخاطب منتقل کنند؟

پی‌نوشت: اگر علاقه‌مند پیگیری مداوم مطالب ما هستید، دیتا پارتنرز را در تلگرام، توییتر و یا 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.

استفاده از میانگین متحرک در تحلیل داده‌های فروش

فرض کنید که مدیر یک شرکت مشاوره هستید. وضعیت پروژه‌ها در این شرکت به گونه‌ای است که درآمدها به صورت ماهانه و منظم به شرکت تزریق نمی‌شود. درآمدهای به صورت دوره‌های نامنظم دو، سه یا چهار ماه یک بار به شرکت وارد می‌شوند. همچنین ممکن است این شرکت در هر ماه قراردادهایی برای پروژه‌های با طول دوره‌های متفاوت عقد کند. شکل زیر، نمودار فرضی درآمد این شرکت است.

moving avg 1

مدیر عامل این مجموعه یک سوال ساده دارد: درآمد شرکت از نظر ماهیانه رو به افول است یا رو به صعود؟ آیا درآمدهای شرکت دارای روند فصلی یا ماهیانه است؟ او کاملا به نوسانات فصلی و تغییرات ضربه‌ای در نمودار درآمد آگاه است. طبیعی است که از روی نمودار درآمد نمی‌تواند هیچگونه روندی را کشف کند. گاه صعودی و گاهی نزولی است و ظاهرا نمی‌توان نظم خاصی در این نمودار دید.

زمانی که سری‌های زمانی دارای نوسان زیادی هستند، نیاز به نوسان‌گیری است. نوسان‌گیری روش‌های مختلفی دارد. برای پاسخ به سوال مدیر عامل، یک راه معقول استفاده از نوسان‌گیری از روش میانگین متحرک است.

فرض کنید که میانگین طول پروژه‌های این شرکت، حدود ۳ ماه باشد. به جای نمایش سری زمانی درآمدها، می‌توان میانگین درآمد سه ماه گذشته را محاسبه و آن را رسم کرد. با این کار، هر درآمد محقق شده بین سه ماه به صورت مساوی تقسیم شده و  نوسانات سری زمانی درآمدها تا حد معقولی تعدیل می‌شود.

moving avg 2

نمودار بالا همچنان نوسان دارد. منتهی این بار این نوسانات آنقدر زیاد نیست که نتوان سری داده‌ها را تحلیل کرد. این نمودار نشان می‌دهد که درآمدهای شرکت از اواخر سال ۲۰۱۳ تا اواسط سال ۲۰۱۴، نسبت به سایر دوره‌ها کمتر است.

طبیعی است که انتخاب تعداد دوره‌های محاسبه میانگین متحرک بسیار مهم است. این دوره نه باید آنقدر بزرگ باشد که هیچ نوسانی را نشان ندهد و نه آنقدر کوچک که همچنان داده پر از نوسان باشد. این عدد بایستی با یک منطق درست انتخاب شود. برای نمونه، داده‌های درآمد همین شرکت با میانگین متحرک چهارماهه مجددا رسم شد. همانطور که از نمودار آن مشخص است، نوسان‌ها کمتر شده و در عین حال کاهش فروش شرکت در سال ۲۰۱۳ و بخشی از ۲۰۱۴ مشهودتر است.

moving avg 3

روش بالا، راهکاری ساده برای تعدیل نوسانات است که به راحتی می‌توان آن را در اکسل پیاده‌سازی کرد. برای تحلیل‌های پیشرفته سری زمانی، نیاز به روش‌های پیچیده‌تری برای نوسان‌گیری است که از حوصله این مطلب خارج است.