Как смоделировать объем продаж и прибыль (быстрый способ)
Моделирование объема продаж и прибыли можно выполнить различными способами, в зависимости от ваших потребностей. Вы можете смоделировать их быстро с определенной долей погрешности или более надежным и точным способом потратив больше времени. Если у вас ограниченные ресурсы, быстрый и простой метод лучше, чем ничего. Быстрая оценка может быть полезна, например, для B2B бизнеса, где вы можете просто оценить эффективность и затраты ваших менеджеров по продажам, обобщив их. Следующие данные являются примером того, какие данные вам нужны, чтобы иметь возможность моделировать объем продаж и прибыль:
- Сколько лидов генерируется на одного менеджера в единицу времени;
- Сколько телефонных звонков на одного менеджера по продажам в единицу времени;
- Сколько встреч на одного менеджера в единицу времени;
- Сколько продаж приходится на одного менеджера в единицу времени;
- Оценка затрат на привлечение (например, маркетинговый бюджет с течением времени).
Эти данные позволят вам рассчитать сумму дохода и сумму затрат на одного менеджера, чтобы понимать, какую прибыль они принесут с течением времени. Аналогичный сверхбыстрый и простой метод можно использовать для онлайн-бизнеса, приняв во внимание следующие данные:
- Оцените стоимость маркетингового бюджета с течением времени, например, 50 000 ₽
- Оцените среднюю стоимость клика, например, 10 ₽ => 5 000 кликов
- Оцените коэффициент конверсии, например, 5% => 250 продаж
- Оцените средний чек корзины, например, 1000 ₽ => 250 000 ₽
- Это дает вам прогноз ежемесячной прибыли в размере 200 000 ₽
После того, как вы составите оценку, подобную приведенной выше, не забудьте перепроверить ее сверху вниз; оцените свою долю рынка и посмотрите, насколько она реалистична. Если у вас ограниченная пропускная способность продаж, например, 200 продаж в месяц, вы не сможете иметь более 200 продаж, даже если ваша модель показывает 250 продаж в месяц.
Загрузка производственных мощностей > 90% обычно довольно высока для любого бизнеса (если только вы не вкладываете значительные средства в автоматизацию и масштабирование сервисов на уровне такой компании, как Amazon. Если вы достигаете такого высокого уровня на регулярной основе, мы поздравляем вас с хорошими результатами. В некоторых случаях вы также можете учитывать сезонность, например, новогодние украшения в основном продаются перед Новым Годом, а не в летнее время. Быстрые и простые методы, подобные описанным выше, — это все, что вы можете применять, чтобы начать вести прибыльный бизнес в своей области.
Как смоделировать объем продаж и прибыль (более точный способ)
Когда у вас будет больше свободного времени и ресурсов, вы сможете применять более надежную и точную систему моделирования. Чтобы такое моделирование стало возможным, вам необходимо собирать и систематизировать следующие данные:
- Данные о проданных единицах товара по каждому артикулу (единице складского учета) с разбивкой по датам;
- Потенциальный интерес к каждому товару за определенный период времени (например, отслеживание посетителей с помощью Метрики, Google Analytics и других инструментов для анализа данных);
- Данные о поставщике по артикулу;
- География продаж по каждому артикулу;
- Данные о прошедших рекламных акциях по каждому артикулу;
- Данные об отзывах клиентов по каждому артикулу
- Данные об этих артикулах у конкурентов (цены, скидки, их динамика);
- Данные о продукте.
Еще один важный фактор, который вам нужно принять во внимание, и то, что вам действительно нужно знать о вашем бизнесе — это структура затрат. Обычно они включают в себя закупочную цену, а также все постоянные расходы, связанные с каждой продажей. Вдобавок ко всему, вам также необходимо определить свой целевой показатель валовой прибыли.
Для построения графиков зависимости объема продаж от цены и прибыли от цены, а также объема продаж/прибыли от времени очень удобно использовать Excel. Помните, что значения не являются постоянными.
Они меняются со временем по мере развития рынка и изменения внутренних и внешних факторов. Например, для того чтобы некоторые графики давали полезную информацию, вам может потребоваться иметь в наборе данных несколько цен для каждого артикула. Это может быть стандартная цена и цена со скидкой, между которыми вы сможете переключать.
Как только вы соберете достаточно данных, вы сможете рассчитать простые статистические ключевые показатели, которые позволят вам проанализировать данные:
- Средние продажи с разбивкой по артикулу за единицу времени, например, 1 единица, продаваемая в среднем каждые 10 дней => 3 единицы, продаваемые в месяц в среднем;
- Разница в продажах по артикулу, например, если 1 единица продается каждые 10 дней, это означает, что у вас есть 9 дней из каждых 10 дней, когда продаж нет.
С помощью этих данных и ключевых цифр вы можете смоделировать свои продажи и прибыль, используя:
- Нормальное распределение (будьте внимательно, оно может не являться оптимальным выбором для моделей ценообразования, поскольку оно может быть отрицательным);
- Гамма-распределение (часто этот метод довольно хорошо подходит для моделей ценообразования);
- Распределение Пуассона (метод хорошо подходит для моделей ценообразования).
Читайте так же наше руководство по анализу данных — как анализировать данные: базовое руководство.
Почему использование среднего значения — не лучший способ моделирования объемов продаж и прибыли
Среднее значение — это простая статистическая цифра, взятая из списка чисел для их представления. В зависимости от использования оно может быть рассчитано по-разному. В основном среднее значение используется для описания статистических совокупностей, которые соответствуют нормальному распределению (колоколообразная кривая), например, рост населения.
Среднее арифметическое (СА) вычисляется как сумма всех значений, деленная на количество значений в любом наборе данных. Существуют также другие типы средних, такие как: среднее геометрическое (СГ) и среднее гармоническое (СГА), которые обладают математическими свойствами СА ≥ СГ ≥ СГА в любом наборе данных. С этого момента в этой статье мы будем обсуждать использование среднего арифметического (СА) и называть его просто средним. Если набор данных о населении следует колоколообразной кривой, СА обладает свойством быть равным (наиболее распространенная точка данных в наборе данных) и медиане (50-процентный показатель в наборе данных).
CА никогда не следует рассматривать как единственную статистическую цифру при принятии каких-либо решений из-за асимметрии. В наборе данных, где подавляющее большинство значений невелики, достаточное количество больших цифр может исказить набор данных и сместить показатель вправо. Если вы на этом этапе предположите, что имеете дело с неискаженным нормальным распределением, ваши решения будут ошибочными. Тот же сценарий справедлив и в противоположной ситуации, когда большинство точек данных большие, а значительное количество маленьких цифр приведет к смещению данных влево.
СА также с трудом справляется с оценками продаж там, где продажи происходят нечасто. Вот несколько сценариев, иллюстрирующих проблему использования СА в прогнозировании продаж:
Сценарий А) 1 продажа, происходящая каждые 10 дней, означает, что есть 3 продажи за 30 дней ( месяц), 30 продаж за 300 дней, итого 27 дней в месяц продаж не происходит. Среднее значение в такой ситуации составит 1/10 продаж в день.
Сценарий Б) 3 продажи, происходящие в один день в течение 30-дневного периода (одного месяца), означают, что за один месяц 29 дней не будут происходить продажи (30 продаж за 300 дней). Среднее значение по-прежнему составляет 1/10 продаж в день.
Сценарий C) 30 продаж, происходящих один раз за 300-дневный период, означают, что за этот период насчитывается 299 дней без продаж. Среднее значение по-прежнему составляет 1/10 продаж в день. Во всех трех сценариях рассчитанное среднее значение далеко от реальности, и если бы вы использовали именно этот метод, это привело бы к тому, что у вас либо не было бы запасов, когда вам нужно, либо их было бы слишком много. Теперь, когда мы рассмотрели проблемы, связанные с использованием среднего показателя при прогнозировании объемов продаж и прибыли, пришло время обратиться более точным и посмотреть, как будет выглядеть оптимальная модель распределения.
Используйте решение для сбора данных от iDatica — расширение для бесплатного парсинга в браузере.
Какова хорошая модель распределения для прогнозирования объемов продаж и прибыли?
Поскольку нормальное распределение создает некоторые проблемы, полезно найти модель, которая учитывает как среднее значение, так и дисперсию(разброс). Таким образом, вы получите больше информации о том, как продажи распределяются с течением времени. Следующая часть статьи расскажет о том, можете ли вы использовать нормальное распределение в своем моделировании продаж или нет.
- Нормальное распределение иногда может быть полезно для артикулов, которые имеют большой объем или высокую частоту продаж в единицу времени;
- Нормальное распределение менее полезно для артикулов, которые имеют низкий объем или низкую частоту продаж в единицу времени.
Если вы снизите цену на продукт, вы, скорее всего, продадите больше товаров. Это, в свою очередь, создаст S-образную кривую, когда цена будет снижена, а затем снова повышена. Проблема нормального распределения заключается в том, что в таких случаях оно может быть отрицательным, если мы начнем наклон с нуля. Если бы мы хотели создать что-то похожее на колоколообразную кривую, нам нужно было бы начать с низкой цены, и это привело бы к низким продажам или их отсутствию, затем увеличить цену до среднего уровня и увидеть самые высокие продажи, а затем снова поднять цену и увидеть более низкие продажи. Это, конечно, очень маловероятно, что еще раз доказывает, что колоколообразная кривая редко является очень реалистичным результатом.
При нечастых продажах в течение определенного периода времени полезно использовать распределение вероятностей для моделирования продаж, прибыли и ценообразования. Вот несколько примеров хороших статистических моделей для прогнозирования объемов продаж и цен, особенно если ваши продажи происходят нечасто и в определенное время:
Распределение Пуассона
Чтобы смоделировать количество событий в будущем для дискретного использования (например, случаи продаж). Например, если вы покупаете бесконечное количество лотерейных билетов, распределение выигрышных билетов будет распределением Пуассона.
Гамма-распределение
Для прогнозирования времени ожидания до наступления будущих событий (для любого количества будущих наступлений, а не только для первого события).
Отрицательное биномиальное распределение
При покупке двух лотерейных билетов вероятность выигрыша моделируется биномиальным распределением. При увеличении размера выборки оно начинает очень сильно напоминать Пуассона. (комбинация Пуассона и Гаммы).
Как говорит Lumen learning, распределение Пуассона — это “дискретное распределение вероятностей — вероятность заданного числа событий, происходящих в фиксированном интервале времени и/или пространства, если эти события происходят с известной средней скоростью и независимо от времени, прошедшего с момента последнего события”. Такая модель очень хорошо описывает людей покупающих товары, таким образом, покупательское поведение может быть смоделировано с помощью распределения Пуассона.
Накопление некоторых товаров приводит к чрезмерному распределению данных, которое может быть смоделировано с отрицательным биномиальным распределением. Когда размер выборки увеличится, распределение начнет очень сильно напоминать пуассоновское.
Таким образом, пуассоновское, гамма- или биномиальное распределение или их комбинация являются хорошим выбором для моделирования. Просто не забудьте принять во внимание сезонность, рекламные акции и все другие изменения цен на ваши модели.
