Полная версия

Главная arrow Маркетинг arrow Аналитический маркетинг: что должен знать маркетинговый аналитик

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>

ПРОДАЖИ

  • 1. Как зависит прибыль от объема продаж компании?
  • 2. Как планировать по доходам и затратам — сколько нужно продать?
  • 3. Как планировать по регионам — сколько и где может быть продано?
  • 4. Как планировать по заказчикам (каналам сбыта) — сколько и кому может быть продано?
  • 5. Как планировать по ассортименту — сколько и чего может быть продано?
  • 6. Как планировать по продавцам — кто и сколько сможет продать? Для определения эффективности маркетинговой деятельности

организации нужно проанализировать ее с разных сторон, и одной из важнейших сторон является анализ продаж. Анализ продаж — это не просто информация об объемах продаж, но и основной показатель успешности компании, возможность определения эффективности маркетинга в целом, работы менеджеров, степени рентабельности и прибыльности предприятия или бизнеса.

Но прежде чем рассуждать о сбыте, о выборе методов реализации и рассчитывать количество продавцов, необходимо определиться с объемом продаж и правильно их прогнозировать и планировать.

Прежде чем планировать продажи и ответить на поставленные в начале главы вопросы, необходимо определиться с прогнозными значениями.

Как указывалось в гл. 2, существуют разные методы прогнозирования. Рассмотрим классификацию методов прогнозирования продаж. Статистические методы экстраполяции тенденций:

  • 1. Выравнивание или сглаживание кривых, относящихся к прошлому периоду.
  • 2. Анализ прошлых тенденций.

Среди простейших статистических методов прогнозирования продаж нужно отметить следующие:

  • метод наивного прогноза — прогноз формируется на базе наблюдений за прошлыми изменениями исследуемой переменной (к примеру, уровень вторичного спроса), без учета в явной форме основных движущих факторов, т.е. прогноз на следующий месяц равен фактическому значению предыдущего (табл. 9.1).
  • метод долгосрочной средней — прогноз формируется на базе всего массива имеющихся наблюдений за прошлыми изменениями исследуемой переменной, т.е. прогноз на следующий месяц равен среднему значению за все имеющиеся предыдущие периоды (см. табл. 9.1);

Таблица 9.1

Сравнение статистических методов прогнозирования на короткий период_

Год

Месяц

Реальные

продажи

Прогнозируемые продажи

Наивный

прогноз

Погрешность,

%

Метод долгосрочной средней

Погрешность,

%

Скользящая средняя

(3 месяца)

Погрешность,

%

Экспоненциальная средняя взвешенная

Погрешность,

%

2010

Ноябрь

445

-

-

Декабрь

467

445

-5

456

-

456

2011

Январь

401

467

14

438

8

438

8

434

8

Февраль

414

401

-3

432

4

427

3

408

-2

Март

456

414

-10

437

-4

424

-8

435

-5

Апрель

434

456

5

436

0

435

0

445

2

Май

403

434

7

431

7

431

6

419

4

Июнь

389

403

3

426

9

409

5

396

2

Июль

377

389

3

421

10

390

3

383

2

Август

390

СО

-3

418

7

385

-1

384

-2

Сентябрь

409

390

-5

417

2

392

-4

400

-2

Октябрь

409

382

266

205

Ноябрь

-

-

Декабрь

-

-

  • метод скользящей средней. Также может применяться для целей краткосрочного прогнозирования. Метод скользящей средней состоит в замене фактических уровней динамического ряда расчетными, имеющими значительно меньшие колебания, чем исходные данные. При этом средняя рассчитывается по группам данных за определенный интервал времени, причем каждая последующая группа образуется со сдвигом на один год (месяц). В результате подобной операции первоначальные колебания динамического ряда сглаживаются, поэтому и операция называется сглаживанием рядов динамики (основная тенденция развития выражается при этом уже в виде некоторой плавной линии), в нашем примере используются данные за 3 месяца.
  • метод экспоненциальной средней взвешенной (Exponential Moving Average —EMA) — при рассмотрении скользящей средней не учитывается «возраст» наблюдения, т.е. влияние прошлых наблюдений должно затухать по мере удаления от момента, для которого определяется средняя.

Одним из простейших приемов сглаживания динамического ряда с учетом «устаревания» является расчет специальных показателей, получивших название экспоненциальных средних, которые широко применяются в краткосрочном прогнозировании. Учитывается весовой коэффициент (к) — от 0 до 1.

Чаще всего к = 0,1 и 0,2, при высоком значении к = 0,5. Прогнозируемое значение = кх (фактический спрос) + (1 —к) х х (среднее значение предыдущего прогноза) (см. табл. 9.1).

Из табл. 9.1 видно, что метод экспоненциальной средней наиболее подходит для нашего примера. Размах колебаний погрешности от 8 до —5%.

Тем не менее, все перечисленные методы годятся лишь для краткосрочного прогнозирования. Для среднесрочных прогнозов необходимо учитывать разного рода тренды, такие как сезонные колебания, рост или падение рынка и др.

Одним из статистических методов прогнозирования на среднесрочный период является расчет прогнозов на основе сезонных колебаний уровней динамического ряда. При этом под сезонными колебаниями понимаются такие изменения уровня динамического ряда (результатов продаж), которые вызываются влиянием времени года. Методика статистического прогноза по сезонным колебаниям основана на их экстраполяции, т.е. на предположении, что параметры сезонных колебаний сохраняются до прогнозируемого периода. Для измерения сезонных колебаний обычно исчисляются индексы сезонности или усредненные индексы сезонности.

Приведенные методы измерения сезонных колебаний не являются единственными. Так, для выявления сезонных колебаний можно применять и рассмотренный выше метод скользящей средней, и другие методы.

Аддитивную модель прогнозирования можно представить в виде формулы

где N — прогнозируемое значение;

Т — тренд (трендом называется общее изменение со временем результативного признака);

S — сезонная компонента (сезонная компонента — это колебание данных через небольшой промежуток времени. Под сезоном можно понимать и день, и неделю, и месяц, и квартал);

Д — погрешность, величины ошибок вычисляются по уравнению тренда или, упрощенно, по прошлым данным, и позволяют оценить качество прогноза.

Применение мультипликативных моделей обусловлено тем, что в некоторых временных рядах значение сезонной компоненты представляет собой определенную долю трендового значения. Эти модели можно представить формулой N = Тх Sx А.

На практике отличить аддитивную модель от мультипликативной можно по величине сезонной вариации. Аддитивной модели присуща практически постоянная сезонная вариация, тогда как у мультипликативной она растет или убывает.

На основе модели строится окончательный прогноз объема продаж. Для этого многие авторы предлагают использовать методы экспоненциального сглаживания, что позволяет учесть возможное будущее изменение экономических тенденций, на основе которых построена трендовая модель. Сущность данной поправки заключается в том, что она нивелирует недостаток адаптивных моделей, а именно, позволяет быстро учесть наметившиеся новые экономические тенденции.

где Nnp {— прогнозное значение объема продаж;

Аф,_1 — фактическое значение объема продаж в предыдущем году;

N , — значение модели; а — константа сглаживания.

Используя упрощенный подход, получим следующую формулу

где N{ суммарные данные за текущий период;

N2 суммарные данные за прошлый период.

Например, фирма осуществляет продажи некоторого товара, необходимо определить тренд и сезонную составляющую.

Продажи, шт.

2009

2010

2011

Январь

219

232

247

Февраль

211

224

239

Март

220

233

248

Апрель

222

235

250

Май

209

224

239

Июнь

216

232

247

Июль

218

235

250

Август

220

233

248

Сентябрь

228

241

Октябрь

219

232

Ноябрь

213

226

Декабрь

209

222

Общее потребление за январь-август 2009 г. — 1735 шт. Общее потребление за январь-август 2010 г. — 1848 шт. Общее потребление за январь-август 2011 г. — 1968 шт. Тренд 2009 г. = (1848 - 1735) /1735 х 100% = 6,5%.

Тренд 2010 г. = (1968 - 1848) /1848 х 100% = 6,5%.

Таким образом, продажи в сентябре 2011 г. будут составлять

241 х 1,06 = 256 шт.

Полиноминальные тренды за 2009 и 2010 гг

Рис. 9.1. Полиноминальные тренды за 2009 и 2010 гг.

Но тренда бывает недостаточно, необходимо учесть также и сезонную составляющую, которая может быть определена аналогично, только здесь используются данные за аналогичные периоды текущего и прошедших годов.

Продажи, шт.

2009

S,%

2010

S,%

2011

S,%

Январь

219

0,9

232

0,5

247

0,4

Февраль

211

-2,8

224

-2,9

239

-2,8

Март

220

1,4

233

1,0

248

0,8

Апрель

222

2,3

235

1,8

250

1,6

Май

209

-3,7

224

-2,9

239

-2,8

Июнь

216

-0,5

232

0,5

247

0,4

Июль

218

0,5

235

1,8

250

1,6

Август

220

1,4

233

1,0

248

0,8

Сентябрь

228

5,1

241

4,4

Октябрь

219

5,1

232

4,4

Ноябрь

213

0,9

226

0,5

Декабрь

209

-1,8

222

-2,1

Средняя

217,00

230,75

246,00

Таким образом, продажи в сентябре 2011 г. с учетом сезонного компонента будут составлять 241 + 6% = 255 + 4,4% = 266 шт., а в декабре 222 + 6% — 2,1 = 230 шт.

Конечно, это несколько упрощенно. К этому подходу следует добавить расчет погрешности, аналогию см. табл. 9.1.

 
<<   СОДЕРЖАНИЕ ПОСМОТРЕТЬ ОРИГИНАЛ   >>