تحلیل سودآوری سبد محصولات شرکت

یک شرکت توزیع مواد غذایی را در نظر بگیرید که ۸ گروه کالایی اصلی و در مجموع ۱۲۰ عنوان کالا توزیع می‌کند. مدیر فروش برای افزایش سودآوری شرکت، بایستی تصویری از وضعیت فعلی فروش و سودآوری این اقلام داشته باشد. یک تحلیل‌گر داده چه کمکی به مدیر فروش می‌تواند بکند؟

اولین سوالی که یک تحلیل‌گر داده بایستی پاسخی برای آن بیابد این است که چه متغیر و شاخص‌هایی از سبد را بایستی به عنوان معیار ارزیابی آن در نظر گیرد؟ معیارهای متعددی در کتابها و سایر منابع معرفی شده‌اند (رجوع کنید به: سایمونز، رابرت، ۱۳۸۵، نظام‌های کنترل و سنجش عملکرد). درآمد ریالی از هر محصول، حاشیه سود و رشد سالانه آن، سه معیاری هستند که برای مدیران فروش جذاب هستند.

دومین سوالی که تحلیل‌گر داده بایستی به آن فکر کند این است که چه روشی برای تحلیل متغیرهای فوق مناسب است؟ برای پاسخ به این سوال بایستی به یاد داشته باشیم که اولا دقیق‌ترین روش، همیشه بهترین نیست و دوم اینکه روش‌های پیچیده لزوما جواب‌های دقیقی ندارند. بایستی با توجه به محدودیت زمانی، مالی، امکانات در دسترس و نیز دقت مورد نیاز در خروجی تحلیل، روش مناسب انتخاب شود. حتی بهتر است که روشی انتخاب شود که سایر مدیران نیز آن را به سادگی بفهمند و با ابزارهای ساده‌ای مانند اکسل بتوان آن را اجرا کرد.

رسم نمودار و ارائه تصویری داده‌ها، یکی از بهترین روش‌ها برای این هدف است. چرا که تصویری کلی از وضعیت کالاهای مختلف، دسته‌بندی و مقایسه آنها ارایه داده و راه را برای تحلیل‌های دقیق‌تر و پرسیدن سوالات جزئی‌تر هموار می‌کند. تاکید ما در دیتا پارتنرز، همواره بر این نکته بوده است که ارایه‌ی خوب داده، بخشی از راه حل مسئله است.

41 sales dashborad1

نمودار حبابی فوق، هر سه معیار را شامل می‌شود و تصویری کلی از وضعیت فروش، سودآوری و تغییرات فروش سال به سال کالاهای مختلف ارایه می‎کند:

  • محور افقی: درآمد ریالی ناشی از هر کالا را طی دوره زمانی یک سال گذشته نشان می‌دهد.
  • محور عمودی: حاشیه سود هر کالا بر حسب درصدی از درآمد ریالی را نمایش می‌دهد.
  • اندازه حباب: میزان مطلق نرخ رشد (مثبت یا منفی) سال به سال مربوط به درآمد ریالی کالا نشان می‌دهد.
  • رنگ حباب: رنگ سبز، نشانگر نرخ رشد مثبت و قرمز نشانگر نرخ رشد منفی است.

نمودار فوق را چگونه می‌توان تفسیر کرد؟ این نمودار چه سوالاتی را پاسخ می‌دهد و چه سوالاتی در ذهن برمی‌انگیزاند؟ این‌ها سوالاتی هستند که در قسمت دوم این مطلب بدان‌ها خواهیم پرداخت. تا آن زمان اگر نظری در این مورد دارید، با ما در میان بگذارید.

تحلیل و ارایه داده‌های فروش – بخش سوم

پیش از این در مورد ساختار و ویژگی‌های داده‌های فروش توضیح دادیم. ضمنا سوالاتی را که یک تحلیل‌گر داده بایستی از روی داده‌های فروش به آنها پاسخ دهد را ارائه کرده‌ایم. در این قسمت، با تحلیل سری زمانی فروش، به بخشی از سوالاتی که مطرح شده بود، پاسخ می‌دهیم.

قبل از آغاز تحلیل، سری زمانی را بایستی آماده کنیم. قبلا، در مطلبی توضیح دادیم که ماهیت یک سری زمانی در تحلیل آن موثر است. مثلا سری زمانی درآمد یک شرکت مشاوره که به صورت میانگین، هر ۴ ماه یک بار درآمدهای خود را وصول می‌کند، بایستی با میانگین موزون تعدیل شود. برای جزئیات این موضوع، به پست مربوطه مراجعه کنید (+).

سری زمانی داده‌های فروش شرکت مروارید مربوط به نوشیدنی‌های گرم به شرح زیر است. فرض کنید که سری زمانی فروش این شرکت آماده و نوسانات غیرقابل تفسیر آن حذف شده است. حال بایستی نوسانات غیرعادی را شناسایی و آن را به صورت جداگانه تحلیل کرد. هر گونه افت یا رشد غیرعادی سری زمانی، بایستی تحلیل و علت آن کشف شود. همان طور که در شکل زیر می‌بیند، در یک ماه، فروش شرکت در یک کالای خاص به شدت افت داشته است.

31 sales dashboard 1

رشد غیرعادی

همانطور که ملاحظه می‌کنید، این سری زمانی در ماه دی دارای رشد غیرعادی است. با مشاهده این رفتار غیر عادی، دانستیم که «چه اتفاقی رخ داده است». حال بایستی به این سوال پاسخ داد که «چرا این اتفاق رخ داد؟» در این مورد خاص، می‌توان (به عنوان مثال) گفت که به دلیل فصل سرما و تعطیلات زمستانه (کریسمس)، رفتن مردم به کافه و محیط‌های تفریحی به ناگاه افزایش پیدا کرده است. بنابراین فروش نوشیدنی‌های گرم حتی نسبت به ماه‌های سرد دیگر نیز افزایش خاصی داشته است.

پس از شناخت علت رشد ناگهانی، چه باید کرد؟ در گام اول باید پرسید که آیا شرکت از موقعیت رونق بهره کافی را برده است؟ یا اینکه فروش آن نسبت به سایر شرکتهای رقیب، رشد کمتری داشت؟ بنابراین هر رشدی، موفقیت نیست. بلکه ممکن است شکست باشد.

سپس باید پرسید که آیا این اتفاق در هر دوره یا سال تکرار می‌شود؟ مثلا تعطیلات زمستانی هر سال تکرار می‌شود؟ یا هر چند به صورت منظم اتفاق نیافتد، ممکن است مجدا تکرار شود؟ در این صورت بایستی برنامه‌ریزی مناسب را برای افزایش رشد فروش در دوره‌های مشابه انجام داد.

افت غیرعادی

همانطور که در نمودار بالا دیده می‌شود، در مرداد ماه فروش این شرکت دچار یک افت غیرعادی است. هر چند طبیعی است که در ماه‌های گرم، فروش نوشیدنی‌های گرم دچار افت شود، ولی در مرداد ماه این فروش دچار افت بیشتری شده است. همانند بالا، باید علت این رویداد را بررسی کنیم. پس می‌پرسیم که «چرا این اتفاق رخ داد؟» در این مورد خاص، می‌توان (به عنوان مثال) گفت که به دلیل قرار گرفتن ماه رمضان در میانه تابستان، فروش نوشیدنی‌های گرم با افت مضاعف روبرو شده است.

همانند بالا بایستی سوال کرد که آیا این مساله هر سال اتفاق می‌افتد یا اگر اتفاق منظمی نیست، امکان وقوع آن در آینده وجود دارد یا نه؟ در این مثال می‌دانیم که ماه رمضان در هر سال شمسی، حدودا ده روز زودتر شروع می‌شود. پس بایستی برای کاهش فروش نیز برنامه‌ریزی کرد و آماده بود. برای مقابله با کاهش فروش، می‌توان از استراتژی مختلفی استفاده کرد. دو نمونه به شرح زیرند:

  • متنوع‌سازی: منظور از متنوع‌سازی، فروش یک کالای جایگزین برای پوشش ریسک ناشی از کاهش فروش است. مثلا به جای فروش نوشیدنی گرم، شرکت بر روی نوشیدنی خنک یا بستنی هم سرمایه‌گذاری کند تا در ماه‌های افت فروش نوشیدنی گرم، سطح درآمد خود را حفظ کند. البته این مثال بسیار ساده است.
  • پاداش و انگیزش برای نمایندگان فروش: طبعا در دوران رکود، فروشندگان بایستی ترغیب شوند تا توان بیشتری را صرف بازاریابی کنند.

یک سوال و تمرین: در دوران رونق، چه راهکاریبرای انگیزش بیشتر نمایندگان فروش جهتاستفاده از فرصت رونق استفاده می‌کنید؟

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.

نمودارهایی که پیام را به درستی منتقل نمی کنند

طراحی نمودار، ترکیبی از هنر و دانش است؛ دانش ریاضی و هنر انتقال پیام. هیچکدام از این دو نباید فدای دیگری شود. نه به کارگیری انمیشن، طرحهای سه بعدی و استفاده از رنگهای متنوع موجب انتقال بهتر پیام می‌شود و نه به کارگیری نمودارهای پیچیده. فنون و ابزارها باید در خدمت انتقال پیام به مخاطب باشند.

موضوع انتقال پیام، اساسی‌ترین شاخص در ارزیابی نمودار است. نمودارهایی که «پیام» را به درستی منتقل نمی‌کنند، به نمودارهای شیطانی معروف هستند. در این پست، دو نمونه از این نوع نمودارها معرفی می‌شوند.

نمودار زیر، یک استریم گراف (Stream Graph) است. در واقع، اولین استریم گراف تاریخ است که در روزنامه نیو یورک تایمز منتشر شده است. این نمودار، همان نمودار مساحت انباشته (Stacked Area) است که به جای اینکه از محور افقی به سمت بالا تجمعی شوند، از محور به دو سمت حرکت کرده است.

14- bad chart for business 1

استریم گراف

موضوع این نمودار میزان فروش فیلم‌های سینمایی در آمریکا در طی زمان است. این نمودار به دنبال پاسخ به سه سوال است:

  • میزان کل فروش هر فیلم چقدر است؟
  • تغییرات میزان فروش آن در طول زمان چگونه است؟
  • اندازه و ترکیب بازار سینمای امریکا در طول زمان چگونه بوده است؟

برای این کار از عناصر رنگ، مساحت، و محور زمان استفاده شده است. نمودار بالا بسیار بد طراحی شده است زیرا پیام مستقیمی را منتقل نمی‌کند. حتی وقتی تمرکز می‌کنیم هم به سختی داده‌ها خوانده می‌شوند و اطلاعاتی به دست می‌آید. مثلا فیلم کارتونی The Simpsons را نگاه کنید. آیا می توانید تشخیص دهد که فروش این فیلم در ماه جولای چقدر از کل فروشش بوده است؟ و در آن دوره، چه سهمی از فروش ماه جولای صنعتی سینمای امریکا را تشکیل می دهد؟ واقعیت این که که این نمودار بیشتر یک اثر هنری است تا یک ابزاری برای انتقال اطلاعات و اصلا مناسب فضای تجاری و تصمیم‌سازی نیست.

یک نمودار زیبا و هنری دیگر، ابر کلمات (Words Cloud) است که برای نشان دادن اهمیت یک موضوع نسبت به سایر موضوعات دیگر به کار می‌رود. هر چقدر که اندازه کلمه‌ای بزرگتر باشد، اهمیت بیشتری در آن متن داشته است. البته فعلا ابزار مناسبی برای طراحی ابر کلمات به زبان فارسی وجود ندارد، ولی سایت‌های متعددی این نمودار را برای کلمات انگلیسی به صورت رایگان تولید می‌کنند.

14- bad chart for business 2

ابر کلمات

هر چند که این نمودار زیباست اما از نظر انتقال اطلاعات و تبیین پیام ضعیف است. کشف یک کلمه از درون این نمودار و مقایسه اندازه آن با سایر کلمات برای ذهن کمی سخت است. از رنگ هم استفاده مناسبی نشده و رنگ‌ها معرف ویژگی خاصی نیستند. باز هم به دلیل ضعف در توانایی انتقال پیام، به کارگیری این نمودار در گزارش‌های تجاری اصلا توصیه نمی‌شود. ولی به عنوان طرح روی جلد، تصویر بدی نیست. البته به این شرط که به زبان فارسی و با فونت و رنگ‌بندی مناسب طراحی شوند.

 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.

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.