دو ابزار کاربردی مهندسی فروش و پیش بینی فروش

هموارسازی نمایی چیست؟

هموارسازی نمایی Exponential Smoothing یکی از تکنیک‌های آماری مورد استفاده در پیش‌بینی فروش است. هموارسازی نمایی به زبان ساده نوعی میانگین متحرک است که خود را اصلاح می‌کند.

برای اینکه بدانید میانگین متحرک چیست می‌توانید این مطلب را ببینید.

فرض کنیم در خردادماه، شما فروش تیرماه را صد میلیون تومان پیش بینی می‌کنید؛ اما در پایان تیرماه متوجه می‌شود فروش واقعی ۲۵۰ میلیون تومان بیش‌تر از پیش بینی شما بوده است. اکنون اگر بخواهید فروش مردادماه را پیش بینی کنید. می‌بایست آن را به نحوی انجام دهید که نسبت به تیرماه از دقت بیشتری برخوردار باشد. . طبیعتا شما فروش مردادماه را بیشتر از حد معمول خود پیش بینی خواهید کرد.

قانون ساده‌ای که هر فردی می‌تواند آن را حدس بزند این است: اگر پیش بینی فروش در یک ماه معمولی کمتر از حد واقعی فروش باشد، احتمالا باید برای ماه بعد پیش بینی خود را افزایش دهیم.

به همین ترتیب اگر آخرین پیش بینی ما بیشتر از میزان واقعی فروش باشد برای نوبت بعدی پیش بینی خود را قدری کاهش می‌دهیم و به این ترتیب از آخرین پیش بینی جهت تنظیم پیش بینی بعدی استفاده می‌کنیم.

برای انجام این کار نیازی به حدس و گمان نیست و تکنیک مشخصی دارد. چنانچه برای پیش بینی فروش از اکسل استفاده می‌کنید می‌بایست Analysis ToolPak add-in را نصب کنید و گزینه expnential smoothing را انتخاب کنید. سپس در جدول خود دامنه مورد نظر را انتخاب کنید، در نهایت می‌بایست ضریبی برای آلفا انتخاب کنید. روش آماری آن هم از طریق فرمول پوآسون است.

s_{t}=\alpha \cdot x_{t}+(1-\alpha )\cdot s_{t-1}
.چه به صورت دستی و یا از طریق اکسل، ضریب آلفا را به ترتیب برابر ۰٫۱ و ۰٫۲ و ۰٫۳ محاسبه می‌کنیم

رگرسیون Regression

رگرسیون به معنای بازگشت است. در مقایسه با هموارسازی نمایی، رگرسیون محاسبات پیچیده‌تری دارد. در اکسل ابزار ATP یا همان toolkit دردسر محاسبات ریاضی و آماری را برعهده می‌گیرد. با وجود این می‌بایست ورودی صحیحی به آن داده شود.

ایده رگرسیون در واقع این است که یک متغیر با متغیر دیگری ارتباط دارد. مثلا قد با وزن ارتباط دارد. در کودکان مخصوصا هر چه قد بلندتری داشته باشند انتظار می‌رود وزنشان بیشتر باشد. بنابراین تا زمانی که سن رشد ادامه دارد با پیش بینی قد سال آینده کودکان می‌توان وزن آنها را هم تخمین زد.

فرض کنیم سازمان شما محصولات مصرفی به فروش می‌رساند. همانگونه که همه می‌دانیم هرچه بیشتر تبلیغ کنید بیشتر هم فروش خواهید داشت. اصولا اندازه‌گیری میزان ارتباط هزینه‌های تبلیغات با فروش خالی از بهره نیست. اگر ارتباط مثبت و معناداری میان این دو یافتید آنگاه با دانستن اینکه سال آینده چه میزان بودجه تبلیغات در اختیار دارید می‌توانید فروش خود را پیش بینی کنید.

در مثال دیگری می‌توانیم درهای ضد آتش‌سوزی را در نظر بگیریم. این درها می‌بایست در برابر آتش برای مدت مشخصی مقاومت کنند. برخلاف محصولات مصرفی، فروش درب نسوز به مدل و رنگ آن وابسته نیست چراکه مشتری براساس نیاز مکان فیزیکی آن ها را انتخاب می‌کند. بنابراین تا زمانی که ویژگی‌های ضدحریق و قابل نصب بودن را برخوردار باشند می‌توانید رابطه‌ای میان قیمت و تعداد فروش آن‌ها بیابید. اکنون با دانستن قیمت فروش درب نسوز خود می‌توانید فروش ریالی آن را پیش بینی کنید.

بسیاری از مواقع می‌توانید ارتباطی میان دو پدیده بیابید. برای استفاده از این ارتباط در اکسل می‌بایست ورودی مناسبی به ابزارهای آن بدهید.

ورودی محاسبه رگرسیون

در مثال محصولات مصرفی لازم است سوابق فروش شامل (قیمت و تعداد فروخته شده) و سوابق هزینه‌های تبلیغات را به اکسل دهید تا فرمول ارتباط این دو را باهم محاسبه کند. اکسل عددی به شما می‌دهد تا آن را در هزینه تبلیغات ضرب کنید. حاصل ضرب این دو درآمد فروش خواهد بود. در مثال درب ضد حریق می‌توانید قیمت آن را در عدد به دست آمده از اکسل ضرب کنید تا درآمد را پیش بینی کند.

  البته در این میان به عدد دیگری که اکسل به شما می‌دهد که ضریب است هم نیاز خواهید داشت تا آن را در درآمد پیش بینی شده ضرب کنید. بعدها خواهیم دید که می‌توانید از اکسل برای این کار هم کمک بگیرید تا خودش ضریب را در درآمد ضرب کند.


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

2 × 3 =