Ошибка в прогнозировании объемов продаж

Прогнозировать и оценивать продажи необходимо каждому бизнесу для того, чтобы оставаться конкурентоспособным. Ведь спрос потребителей постоянно меняется, и компании важно всегда продавать в таком количестве, чтобы покрывать расходы и иметь деньги на развитие. 

Цели планирования продаж

Оценивать и планировать сбыт необходимо с помощью цифр и фактов, а не домыслов. Чем более скрупулезным будет подход к расчетам и прогнозам, тем будет проще компании добиться таких целей:

• грамотно сформировать бюджет закупок. Если предприниматель будет понимать, что и в каком объеме можно продать в будущем периоде, он уже сейчас закупит подходящее количество товара или сырья. Можно будет избежать лишних трат и избыточного запаса в складских помещениях;
• подготовить ориентиры для коммерческих подразделений. На основе прогнозов ставятся планы для отдела продаж, для разных филиалов, для отдельных менеджеров. Благодаря прогнозам планы будут формироваться на основе реальной ситуации, а не личных пожеланий предпринимателя;
• предпринимать своевременные меры для роста и развития фирмы. Если предприниматель видит, что прогнозы продаж меняются от месяца к месяцу, он может найти факторы, которые повлияли на сбыт. Затем он может поддержать эти факторы или нивелировать их.

Этапы прогноза продаж

Прогнозирование осуществляется в пять этапов:

1. Формулировка цели. Благодаря прогнозу сбыта получается решить сразу несколько задач. Поэтому предпринимателю необходимо заранее решить, чего он хочет добиться. Ведь дальнейшие действия после прогноза будут отличаться. Кроме того, в зависимости от цели отличаются метрики, которые будут участвовать в оценке продаж.
2. Выбор метода прогнозирования продаж. 
3. Проведение расчетов, определение вероятных изменений в экономике.
4. Постановка целей по продажам, производству, закупкам и формированию запаса на основе полученных прогнозов.
5. Сверка плановых показателей и фактических по окончанию периода. 

Методы прогнозирования продаж 

Существует несколько методов, с помощью которых можно предположить будущий объем сбыта. Чаще всего используется экстраполяция – анализ прошлых периодов, выявление закономерностей и их перенос на будущие периоды. Чтобы компания не развивалась, предприниматель закладывает процент прироста на следующий период. 

Однако этот метод не считается точным, ведь он не предусматривает нестандартные изменения на рынке. Поэтому в дополнение к экстраполяции необходимо использовать и другие. 

Метод временных рядов 

Если предприятие уже давно существует на рынке, то оно уже набрало достаточно информации для проведения анализа по методу временных рядов. Необходимо вывести графики, которые показывают динамику сбыта за последние несколько лет. По графикам можно увидеть текущие тренды и на их базе предположить, как будут развиваться продажи в будущем. 

Если бизнес небольшой, допускается проводить упрощенную версию анализа. Сумму выручки за несколько прошлых периодов (от 2 до 5 лет) необходимо загрузить в таблицы. Затем потребуется проанализировать каждый год помесячно, чтобы выявить сезонность и сравнить один год с остальными, чтобы подтвердить ее. 

При использовании метода временных рядов необходимо учитывать тренды, то есть изменения, которые определяют общий ход развития. Иногда у предпринимателя возникают сложности именно с поиском тренда. Чтобы облегчить этот этап прогнозирования, можно использовать укрупнение интервала динамического ряда. Суть этого метода заключается в том, что первоначальный ряд в таблице укрупняется и заменяется большим, с точки зрения времени, рядом. Например, в таблице есть данные за месяц. Если в течение того календарного года не происходило никаких внезапных изменений на рынке, то тенденции за месяц можно перенести на весь год. 

Также при прогнозировании с помощью этого метода играет роль сезонность. Важно помнить, что при подобных анализах под сезонностью понимается не просто единоразовый всплеск или падение продаж, связанных с внешними факторами. Чтобы перепад продаж можно было считать сезонным, он должен повторяться на протяжении нескольких лет в одно и то же время. Необходимо рассчитывать индекс сезонности. Он представляет собой отношение среднего уровня продаж за сезонный период к общему среднему значению за год.

Метод экспертных оценок

Если предприниматель не уверен в собственных навыках прогнозирования, то он может привлечь нескольких экспертов в своей отрасли. Например, сторонних финансистов, аналитиков, консультантов или специалистов из сферы консалтинга. Они изучат финансовые отчеты, отчеты по продажам и сделают заключение. 

Метод подходит тем фирмам, которые работают недавно. Они еще не успели собрать достаточно много статистических данных и не имеют знаний трендов. Однако у привлечения сторонних консультантов есть ряд минусов. Во-первых, предприятие становится зависимым от квалификации постороннего эксперта. Необходимо найти таких специалистов, квалификация и интуиция которых не вызывает сомнения, а это непросто. Во-вторых, специалисты могут при анализе чужой фирмы преследовать свои цели. Ведь им важно дать оценку, которая понравится заказчику, то есть предпринимателю. Из-за этого их оценка будет необъективной. Например, специалист по производству товара может порекомендовать компании повысить мощности, а коммерсанту выгоднее занизить план, чтобы он точно был выполнен.

Прогноз от экспертов может быть получен в одной из таких форм:

• точечный прогноз – предположение в виде конкретной цифры. Это самая простая разновидность экспертной оценки, однако она содержит меньше всего информации. Следовательно, когда предприниматель заказывает у экспертов точечный прогноз, он не может предположить, насколько правильной окажется названная цифра;
• интервальный прогноз – вид экспертной оценки, когда специалист устанавливает границы для названных результатов. Например, он предполагает, что «в будущем году продажи составят от 1 до 1,2 млн рублей»;
• прогноз распределения вероятностей предполагает формирование нескольких возможных результатов с установлением границ, как в прошлой разновидности. Затем для каждого возможного варианта определяется вероятность исполнения. Например, с вероятностью 25 % компания будет в следующем году продавать на 1–1,2 млн, с вероятностью 40 % ее продажи будут составлять 1,3–1,7 млн и с вероятностью 35 % продажи будут находиться в диапазоне от 1,8 до 2 млн.

Если предприниматель пригласил для прогноза нескольких экспертов, то необходимо сначала получить прогнозы от каждого, а потом произвести итоговые расчеты. Нужно использовать одну из систем взвешивания индивидуальных значений. Вот какими они могут быть:

• если эксперты имеют примерно одинаковую квалификацию и опыт, то мнение каждого из них равновесно;
• если квалификация специалистов отличается, можно ранжировать их прогнозы по важности. Например, оценка продаж от более опытного эксперта будет более важной, чем оценка от менее опытного. Кроме опыта работы, можно использовать другие критерии, например, известность в отрасли, место получения образования и другие;
• важность мнений экспертов будет пропорциональна их самооценкам. Доказано, что чем выше профессиональная самооценка, тем точнее прогнозы;
• если одни и те же эксперты приглашаются для оценки продаж компании уже несколько лет подряд, то можно ориентироваться на точность прошлых прогнозов.

Метод прямого счета

Этот метод подходит для розничных ритейлеров. Предприниматели могут при расчетах опираться на остатки на складах. Необходимо учитывать количество товаров в закупках и потребительский спрос. Для каждого вида продукции нужно посчитать выручку в отпускных ценах, а затем сложить полученные результаты. Несмотря на кажущуюся простоту, у метода есть недостаток. Могут возникнуть сложности в том, чтобы обработать весь ассортимент и разделить его на номенклатуры, чтобы обработать группы товаров по выбранным параметрам.

Причинно-следственные методы

Самыми точными считаются причинно-следственные методы, потому что они учитывают дополнительные параметры. Причем параметры может выбрать предприниматель самостоятельно, исходя из своих целей. Вот какие параметры и факторы могут повлиять на объем продаж, а значит, могут быть учтены при прогнозировании:

• численность населения, доходы целевой аудитории;
• действия конкурентов;
• стоимость рекламы, количество клиентов, которые обычно приходят с рекламного объявления;
• ситуация в отраслях клиентов (если продажи ведутся В2В).

Не обязательно при расчетах учитывать все факторы, которые влияют на продажи. Достаточно взять только те, которые оказывают самое сильное влияние. На их основе аналитик составляет математическую модель для расчета плана сбыта. 

Ошибки при прогнозировании продаж

Существует несколько типичных ошибок, которые допускают предприниматели при проведении исследований. 

1. Часто анализируется только один вариант развития событий на рынке. Например, учитывается только имеющиеся каналы сбыта, ассортимент, регионы присутствия. Когда бизнесмен считает возможные продажи, он берет в расчет только один набор параметров: цены, объемы сбыта. А в процессе расчетов эти показатели еще и занижаются, чтобы перестраховаться. 
2. Вторая ошибка заключается в использовании только метода экстраполяции. Тенденции рынка, возможные политические и экономические изменения не учитываются, из-за чего прогноз становится неточным.
3. Последняя ошибка – игнорирование или преуменьшение значимости некоторых факторов, которые прямо или косвенно влияют на продажи. Обычно это изменения в жизни потребителей. Например, при прогнозе продаж недвижимости важно учитывать демографические изменения.

Необходимость прогнозирования продаж

Прогнозирование является неотъемлемой частью управления продажами, предсказывая сумму сделок конкретного сотрудника, отдела или компании целиком за определенный период времени. В качестве последнего может выступать не только год, но и более мелкие отрезки времени – квартал, месяц и даже неделя.

Руководителю отдела продаж очень важна информация о деятельности сотрудников, так как она позволяет спрогнозировать общий объем сбыта отдела или даже целого направления деятельности компании. Директора также используют собранные данные по отделам и направлениям, чтобы принимать управленческие решения на своем уровне.

Прогнозы продаж включают в состав отчетов, которые ложатся на стол акционерам и руководству компании. На основании этих данных осуществляется оценка перспектив роста бизнеса и анализируется, какие действия стоит предпринять. В некотором роде это напоминает хрустальный шар, в котором можно увидеть будущее бизнеса.

Используя методы прогнозирования продаж, можно вовремя обнаружить проблемы и направить усилия для их нейтрализации. К примеру, вы выяснили, что план продаж не выполняется на 35 %, значит, нужно как можно быстрее вскрыть причины данного явления. Может быть дело в конкурентах, которые как раз стали активно снижать цены, или менеджеры по продажам работают недостаточно эффективно.

Оперативное осознание причин негативных явлений означает, что есть время для исправления положения. Гораздо хуже обнаружить тревожные симптомы в конце отчетного периода, будь то месяц или квартал. Времени для детального разбора ситуации и выработки мер по спасению уже может и не быть.

Методы прогнозирования объемов продаж очень важны не только по вышеназванной причине, но и по своему влиянию на другие направления – от планов по найму персонала, распределения финансов до бюджетирования и выработки целей.

Например, согласно прогнозу план будет перевыполнен на 25 %. Это значит, что ожидается дополнительная нагрузка на компанию, а следовательно, разумно нанять дополнительный персонал. В случае если ожидается падение продаж, компания, наоборот, отказывается от расширения штата. Соответственно, изменяются рекламный бюджет, расходы на маркетинг, вкладываются средства в обучение сотрудников.

Также прогноз продаж является мотивирующим фактором для соответствующего персонала.

Современные технологии позволяют еженедельно или даже ежедневно доводить до работников отдела продаж прогнозные показатели, а также выполнение плана в процентах. А это само по себе является мотивирующим фактором, так как менеджеры будут лучше стараться достигать поставленных целей.

Замечательная новость заключается в том, что прогнозирование продаж вовсе не должно быть идеально точным, чтобы иметь определенную ценность. В реальной жизни теория зачастую отличается от практики. В случае большой разницы между прогнозом и фактическими данными можно сделать вывод о неточной оценке или некорректном применении метода прогнозирования продаж (затронем эту тему более подробно позже). Для более точного прогноза нужно использовать правильную информацию и определенную методику. В таком случае прогноз будет весьма близким к реальности, чтобы план был достигнут, что благотворно сказывается на росте бизнеса.

5 элементов прогнозирования продаж

Чтобы прогнозирование продаж было как можно более точным, нужно использовать следующие элементы:

Факторы, которые влияют на прогнозирование продаж

Занимаясь прогнозированием продаж, следует уделять внимание факторам, оказывающим воздействие на точность итоговых данных:

1. Внутренние факторы

• Наем и увольнение сотрудников: сокращение персонала вне зависимости то того, по чьей инициативе это произошло, влияет на объем продаж. Исключением будет лишь ситуация, когда уволенные сотрудники оперативно заменены новыми кадрами. Последние сначала показывают отличные результаты, давая значительный объем продаж сразу после своего обучения и стажировки.
  
• Изменение условий работы: прогнозирование сбыта также зависит от оплаты труда сотрудников, в том числе от размера бонусов. Привязка последних к минимальному жизненному циклу клиента обычно снижает продажи. Ведь в таких условиях менеджеры стремятся реализовать продукцию только тем, кто гарантированно будет потребителем в это время. Если же процент отказавшихся клиентов окажется низок, продажи ожидаемо вырастут.

Второй пример иллюстрирует ситуацию, когда скидку менеджеры могут предоставлять только в определенный период месяца, допустим в первой его половине. Значит, стоит ожидать основную долю продаж как раз до 15 числа каждого месяца, а вот в оставшееся время продаж будет заметно меньше.

• Изменение территорий: при частом перераспределении территорий между сотрудниками стоит быть готовым к снижению продаж, так как на новом участке менеджеру нужно время для наработки базы.

2. Внешние факторы

• Изменения со стороны конкурентов: вполне логично, что активность конкурентов будет влиять на продажи вашей компании. Снижение цен у них означает, что и вашим менеджерам нужно давать скидки для поддержания реализации на том же уровне. Если же у конкурентов неприятности, кто-то из них закрыл бизнес – тогда стоит ожидать роста продаж.
• Экономическая ситуация: в благоприятных экономических условиях активнее развивается бизнес у клиентов, поэтому вырастает спрос на ваши услуги и товары. В кризисные времена падает не только средний чек сделки, но и увеличивается время, затрачиваемое на одну продажу.
• Рыночные изменения: чрезвычайно полезно отслеживать ситуацию на рынке, в том числе у клиентов компании. Любые изменения у них будут отражаться на спросе вашего продукта.
• Законодательные изменения: принятие новых законодательных актов способно оказывать большое влияние на судьбу бизнеса. Причем как в положительную, так и в негативную сторону.
• Изменения в продуктах или услугах: готовите презентацию нового товара или услуги, которые необходимы рынку? Или расширяете портфель благодаря сопутствующим товарам, бонусам? Эти решения способны повлиять на выручку от продаж и на цикл сделок.
• Сезонность: во многих сферах спрос активизируется и спадает в зависимости от времени года и прочих факторов. Сезонный характер бизнеса клиентов обязательно нужно учитывать при составлении прогноза продаж.

Субъективные методы прогнозирования продаж

Суть данных методов в том, что они базируются не на цифрах, полученных опытным путем и в результате анализа продаж, а берут за основу собственные мнения различных специалистов.

Объективные методы прогнозирования продаж

Прогнозировать продажи объективно можно с использованием аналитических и количественных (эмпирических) методов.

1. Рыночное тестирование

Подразумевает, что товар продается в небольшом количестве географических локаций, признанных репрезентативными. В результате собирается реакция покупателей, и данные масштабируются на весь рынок целиком. Часто применяют этот метод при продвижении нового товара или при внесении новшеств в уже имеющийся.

Бизнес нередко относится к рыночному тестированию как к неопровержимому доказательству популярности товара и хорошей оценке рыночного потенциала. Согласно исследованиям, данные тестирования подтверждаются последующим успехом продаж товара в трех из четырех случаев. Проваливаются четыре из пяти ранее тестированных товаров. Однако рыночное тестирование имеет также и недостатки.

Для проведения такого исследования нужны большие затраты финансов. Поэтому чаще всего оно применяется для потребительской сферы, а не для товаров промышленного направления.

К тому же рыночное тестирование требует достаточно большого временного промежутка.

Во время тестирования товара внимание к нему повышенное, такого он никогда не получит в естественных условиях. Поэтому у менеджеров может сложиться неверное мнение о его рыночной востребованности.

Конкуренты непременно отслеживают появление рыночных тестов товаров и используют это время для насыщения рынка собственными аналогами еще до момента, пока тестируемый товар полноценно выведут в продажу.

Однако вышеописанные недостатки не мешают множеству компаний рассматривать тестирование как весьма эффективный метод прогнозирования продаж. Но перед применением этого способа стоит хорошо взвесить все его плюсы и минусы.

2. Анализ временных рядов

Для использования метода анализа временных рядов в прогнозировании продаж необходимо собрать отчетную информацию за прошедшие периоды. Далее предполагаем, что в будущем году продажи будут примерно на таком же уровне, как в уходящем. Отрасли, где спрос уже устоялся, продвигающие традиционные товары и услуги, вполне соответствуют этому допущению. То есть из года в год объемы сбыта там примерно одинаковы, существенного роста рынка не происходит. Если же мы имеем дело с новыми видами продуктов, тут целесообразно использовать более сложные инструменты анализа. Это такие методики, как:

• скользящего среднего;
• экспоненциального сглаживания;
• декомпозиции.

Сергей Азимов убойные фишки в продажах!

3. Метод скользящего среднего

Этот инструмент достаточно прост. Допустим, согласно прогнозу в будущем году продажи несущественно отклонятся от уровня текущего года. Если же в разные годы объем сбыта заметно отличается, то вышеописанное прогнозирование может привести к проблемам в бизнесе. Поэтому необходимо учесть различные нюансы, влияющие на объемы продаж. Для этого показатели сбыта за нужные временные отрезки усредняются. Причем интервалы времени могут быть произвольными – год или несколько лет. Главный критерий их выбора – удобство расчетов.

Применение такого метода дает прогноз реализации в следующем периоде, являющийся простым средним значением сбытовых объемов. Количество необходимых для вычислений показателей устанавливают опытным путем. То число временных отрезков, которое дает самый точный прогноз проверяемых данных, применяется для создания прогнозной модели. Необходимость использования понятия «скользящее среднее» обусловлена тем, что полученное среднее является прогнозом для нового этапа наблюдений.

4. Метод экспоненциального сглаживания

При прогнозировании продаж в следующем периоде методом скользящего среднего каждое из последних значений n имеет равный вес (n — это количество рассматриваемых лет). Например, если n = 4 (четырехгодичное скользящее среднее), прогнозирование продаж в новом году подразумевает, что объемам сбыта за каждый год из последних четырех придается одинаковый вес.

Метод экспоненциального сглаживания является вариацией скользящего среднего. Отличается лишь тем, что самый большой вес придается не всем значениям, а лишь данным за последний период, так как они несут больше информации о возможных изменениях ближайшего будущего.

Метод экспоненциального сглаживания показывает эффективность при удачном выборе константы сглаживания, обозначаемой «а» и принимающей значения от 0 до 1. При высоких значениях «а» больше веса отдается наблюдениям последних периодов и меньше — более старым. В случае несущественных изменений объемов сбыта за рассматриваемое время рекомендуется применять константу с малым значением.

Если же, напротив, в зависимости от промежутка времени существенно изменяются объемы продаж, нужно применять «а», близкую к единице. Тогда такие изменения будут отражены в ряду данных. Чаще всего значение константы подбирают опытным путем, то есть делают вычисления для разных «а» и останавливаются на таком, погрешность измерений при котором минимальна при выбранном количестве наблюдений за прошлые периоды.

5. Статистический анализ спроса

Прогноз продаж на будущие период формируется на основе использования взаимосвязи объемов сбыта и периодов времени. Статистический анализ спроса пытается установить, как связан сбыт с различными влияющими на это факторами, затем на основе этой связи прогнозируются продажи в будущем.

Оценка этих взаимосвязей происходит при помощи регрессионного анализа. Акцентируются только самые влияющие на объемы продаж факторы. К примеру, производящая пластиковые окна компания, вероятнее всего, принимает во внимание темпы возведения новостроек, изменение процентов по профильным кредитам и влияние сезонов на активность рынка недвижимости.

Какой бы метод ни использовался при прогнозировании объемов продаж, каждый из них обладает своими недостатками и преимуществами. То есть никогда не очевидно, какой способ лучше применить в той или иной ситуации. Во многом это решение зависит от услуги или товара, применительно к которому производится анализ. В случае новинок на рынке, аналогов которым еще нет (хороший пример — электронные питомцы тамагочи), вышеперечисленные методы не годятся, ведь продажи могут быть как совсем незначительными, так и возможен, наоборот, ажиотажный спрос.

Когда перед компанией встают задачи прогнозирования спроса для управления товарными запасами, обычно появляется вопрос, связанный с выбором метода прогнозирования. Но как определить, какой метод лучше?

Однозначного ответа на этот вопрос нет. Однако, исходя из нашей практики, самым распространенным методам оценки точности прогноза является средняя абсолютная процентная ошибка (MAPE) . Также используются средняя абсолютная ошибка (MAE) и средняя квадратичная ошибка прогнозирования (RMSE).

Ошибка прогноза в данном случае – это разница между фактическим значением спроса и его прогнозным значением. Т. е, чем больше будет ошибка прогнозирования, тем менее точен прогноз. Например, при ошибке прогнозирования 5%, точность прогноза будет составлять 95%. Изначально MAPE использовалась для прогнозирования временных рядов, которые имеют регулярное нормальное распределение, такие как, например, потребление электроэнергии. И только после ее стали применять для оценки прогноза спроса. На практике ошибку могут рассчитывать по каждой позиции товара, а также среднюю оценку по всем товарным группам.

Несмотря на то, что большинство компаний до сих пор используют вышеописанные методы для оценки, мы считаем, что они не достаточно корректны и не подходят для применения в реальном бизнесе. Для простоты изложения, выделим три ключевых момента, которые приводят к некорректным выводам при использовании вышеописанных методов оценки. Назовем их ошибка № 1, № 2 и № 3. Сначала мы подробно опишем эти ошибки, а потом расскажем, как наши методы сравнения помогаю их ликвидировать.

О некорректности использования MAPE, RMSE и других распространенных ошибок

Ошибка № 1 заключается в том, что используемые методы больше относятся к математике, нежели к бизнесу, по той причине, что это обезличенные цифры (или проценты) , которые ничего не говорят про деньги. Бизнесу же нужно принимать решения на основе выгоды, которую он получит в деньгах. Например, ошибка в 80% на первый взгляд звучит устрашающие. Но в реальности за ней могут скрываться совершенно разные вещи. Ошибка по гвоздям со стоимостью одного гвоздя в 0,5 рублей – это одни потери. Но они совершенно несопоставимы с потерями от продажи промышленного оборудования стоимостью 700 000 рублей с той же величиной ошибки прогнозирования. Ко всему прочему также больше значение имеет объем продукции, что тоже никак не учитывается данными ошибками прогнозирования.

Второй важный момент (ошибка №2), который не учитывают данные оценки прогнозирования – это заморозка денежных средств в запасах и недополученная прибыль от дефицита продукции на складе. Например, если мы прогнозируем продажу 20 колесных дисков, а по факту продали 15. То это одна цена ошибки – 5 колесных дисков, которые потребуют затраты на хранение на определенное время, и как следствие стоимость замороженных оборотных средств под определенный процент. Если рассмотреть обратную ситуацию – прогнозируем продажу 20 дисков, спрос составляет 25 штук. Это уже упущенная прибыль, которая составляет разницу сумм закупки и реализации продукции. По сути мы имеет одну и ту же ошибку прогнозирования, но результат от нее может быть совершенно разным.

Третий ключевой момент (ошибка №3) – описанные ошибки распространяются только на точечный прогноз спроса и не описывают страховой запас. А он в некоторых случаях может составлять от 20% до 70% от общих товарных запасов на складе. Поэтому, какой бы точный не был прогноз с точки зрения описанных выше методов, мы все равно не оцениваем точность страхового запаса, а значит реальные данные могут быть значительно искажены.

Критерии, привязанные к прибыльности бизнеса

Учитывая описанные выше недостатки ошибок прогнозирования, такой подход не является корректным и надежным для сравнения алгоритмов. Ко всему прочему он зачастую оторван от реального бизнеса. Используемый же нами подход позволяет оценить точность алгоритмов в деньгах, рассчитать стоимость ошибки прогнозирования на понятном для бизнеса языке финансов. Таким образом это позволяет нам ликвидировать ошибку №1.

В случае с ошибкой № 2, мы рассчитываем два различных значения. Если прогноз окажется меньше реального спроса, то он приведет к дефициту, экономический урон от которого рассчитывается, как количество недопроданных товаров, умноженное на разность цен закупки и реализации. Например, вы закупаете колесные диски по 3000 рублей за штуку и продаете по 4000. Прогноз на месяц составил 1000 дисков, реальный спрос оказался 1200 штук. Экономический урон будет равен:

В случае превышения прогноза над реальным спросом компания понесет убытки по хранению продукции. Экономический урон будет равен сумме затрат на нереализованную продукцию, помноженную на ставку альтернативных вложений за этот период. Предположим, что реальный спрос в предыдущем примере оказался 800 дисков и вам пришлось хранить диски еще один месяц. Пусть ставка альтернативных вложений составляет 20% в год. Тогда экономический урон будет равен

Соответственно, в каждом конкретном случае, мы будет учитывать одно из этих значений.

Для того, чтобы ликвидировать ошибку № 3, мы сравниваем алгоритмы с использованием понятия уровень сервиса. Уровень сервиса (здесь и далее — уровень сервиса II рода, fill rate) – это доля спроса, которую мы гарантировано покроем с использованием имеющихся на складе запасов в течении периода их пополнения. Например, уровень сервиса 90% означает, что мы удовлетворим 90% спроса. На первый взгляд может показаться логичным, что уровень сервиса всегда должен составлять 100%. Тогда и прибыль будет максимальна. Но в реальных ситуациях зачастую дело обстоит иначе: удовлетворение 100% уровня сервиса приводит к сильному перезатариванию склада, а для товаров с ограниченными сроками годности еще и к списанию. И убытки от затрат на хранение, списания просроченной продукции и недополученной прибыли от вложения свободных денег в итоге снизят прибыть от реализации, в случае если бы мы поддерживали уровень сервиса 95%. Нужно заметить, что для каждой отдельной позиции товаров будет свой оптимальный уровень сервиса.

Так как страховой запас может составлять значительную долю, его нельзя игнорировать при сравнении алгоритмов (как это делается при расчете ошибок MAPE, RMSE и т. д.) . Поэтому мы делаем сравнение не прогноза, а оптимального запаса с заданным уровнем сервиса. Оптимальный запас для заданного уровня сервиса – это такое количество товаров, которое нужно хранить на складе, чтобы получить максимум прибыли от реализации товаров и одновременно сократить издержки на хранение до минимума.

В качестве основного критерия (критерий №1) качества прогнозирования мы используем суммарное значение потерь для заданного уровня сервиса, о котором писали выше (исправление ошибки №2). Таким образом мы оцениваем потери в денежном выражении при использовании данного конкретного алгоритма. Чем меньше потери — тем точнее работает алгоритм.

Здесь нужно заметить, что для разных уровней сервиса оптимальный запас тоже может различаться. И в одном случае прогноз будет точно в него попадать, а в другом возможны перекосы в большую, либо меньшую сторону. Так как многие компании не рассчитывают оптимальный уровень сервиса, а используют заданный заранее, значение основного критерия мы вычисляем для всех самых распространенных уровней сервиса: 70%, 75%, 80%, 85%, 90%, 95%, 98%, 99% и суммируем потери. Таким образом мы можем проверить, насколько хорошо в целом работает модель.

Для компаний, которые, считают оптимальный уровень сервиса мы используем дополнительный критерий (критерий №2) для оценки. В общем виде он выглядит как соотношение потерь на оптимальном уровне сервиса по ожидаемому (модельному) распределению продаж и по реальному распределению продаж (по факту) . Прогнозируемое значение оптимального уровня сервиса не всегда соответствует оптимальному значению уже на реальном распределении продаж. Поэтому мы должны сравнивать ошибку между прогнозом объема продаж на оптимальном (по модели) уровне сервиса и реальным объемом продаж, обеспечивающим оптимальное значение уровня сервиса по реальным данным.

Что проиллюстрировать применение данного критерия, вернемся к нашему примеру с дисками. Предположим, что прогнозное значение оптимального уровня сервиса для него составляет 90%, а оптимальный объем запаса для этого случая примем равным 3000 колесных дисков. Пусть в первом случае реальный уровень сервиса оказался выше прогнозного и составил 92%. Соответственно объем заказов также вырос и составил 3300 дисков. Ошибка прогнозирования будет рассчитываться как разность между реальным и фактическим объемом продаж, умноженная на разность цен реализации. Итого, мы имеем:

Теперь представим обратную ситуацию: реальный уровень сервиса оказался меньше прогнозного и составил 87%. Реальный объем продаж при этом составил 2850 дисков. Ошибка прогнозирования будет рассчитана, как сумма затрат на нереализованную продукцию, умноженную на ставку альтернативных вложений за этот период (в качестве примера берем период сроком месяц и ставку равную 20% годовых) . Итоговое значение критерия будет равно:

Конечно, в идеальном случае, мы должны рассчитывать ошибку только при оптимальном уровне сервиса, между прогнозным и реальным значениями. Но так как не все компании еще перешли на оптимальный уровень сервиса, мы вынуждены использовать два критерия.

Используемые нами критерии в отличие от классических математических ошибок, показывают суммарные потери в деньгах при применении той или иной модели. Соответственно, наилучшей будет модель, которая обеспечивает минимальные потери. Такой подход позволят бизнес-пользователям оценить работу различных алгоритмов на понятном им языке.

Пример сравнения точности прогнозирования системы Forecast NOW c методом ARIMA (на базе номенклатуры бытовой химии) :

Пример сравнения точности прогнозирования системы Forecast NOW c методом Кростона (на базе номенклатуры бытовой химии) :

Насколько корректно на ваш взгляд считать ошибки, а не деньги? Предлагаем порассуждать на эту тему в комментариях!

Как подготовить историю продаж, чтобы получить корректный прогноз спроса

Для того, чтобы определить, сколько товара необходимо хранить, обычно строят прогноз будущих продаж на основе прошлой статистики, а потом добавляют страховой запас. В итоге должен получиться запас, который удовлетворит спрос с заданным уровнем сервиса.

Но прошлая история продаж часто имеет мало общего с реальным спросом. Возможно, у нас купили бы больше или меньше, если бы не внешние факторы, которые подействовали на продажи. Чтобы заказать нужное количество товара, правильнее прогнозировать не продажи на основе прошлых продаж, а спрос на основе прошлого спроса. Но где взять историю спроса, если мы фиксировали только продажи? 

В этом руководстве мы поделимся опытом по восстановлению спроса из истории продаж. Расскажем о факторах, которые искажают историю продаж, и дадим подробную инструкцию, как устранить это воздействие. Вы узнаете, как получить очищенную статистику, на основе которой можно строить более точный прогноз.

Дефициты

Первый важный фактор — это дефицит в прошлом. На статистике отражается и явный дефицит, когда товара просто не было на складе, и скрытый, когда товара было недостаточно, чтобы удовлетворить весь спрос.

Как дефицитные периоды влияют на статистику

Представим, что в прошлом месяце у нас были дни, когда товара не было на полках и продажи были нулевые. В другие месяцы мы продали 600, 500 и 600 единиц. В месяц, когда случился дефицит, продажи упали до 200. Строим прогноз по самой простой модели — среднему: 

(600+500+600+200)/4 = 475

Что будет, если мы закажем 475 единиц? Мы искусственно ограничим спрос. Неважно, сколько захотят купить, — мы продадим не более 475. Обратите внимание, что в недефицитные месяцы спрос был гораздо выше. Следующий заказ, который мы сделаем с учетом этой закупки, станет еще меньше — 468 единиц. Мы попадем в замкнутый круг дефицита.

475 единиц не хватит ни на один из предыдущих недефицитных месяцев

Как обнаружить дефицитные периоды

Первый шаг — пометим как дефицитные те дни из статистики, когда остаток на складе был нулевой и мы не могли ничего продать. На диаграмме ниже это 12.01, 19.01 и 20.01. Средний объем продаж до чистки — 8,49 единиц. После того, как мы уберем дефицитные дни из расчетов, среднее станет уже 9,85 единиц.

Отмечаем дни с нулевым остатком, как дефицитные.
 

Второй шаг — найдем дефициты, которые связаны с псевдокомплектами. Что это означает? Есть товары, которые всегда покупают в определенном количестве или в наборе с другими. Если у вас на складе находится 3 свечи, а обычно покупают 4, то это потенциальный дефицит, хотя на первых двух шагах вы его не распознали.

Определим такие комплекты (они могут состоять и из разных товаров) и пометим дефицитными дни, когда запас этих товаров был ниже необходимого минимума. В примере со свечами необходимый минимум — 4 штуки. 

Подумайте, какие комплекты есть среди ваших товаров, и отслеживайте их наличие.

Третий шаг — найдем периоды, когда спрос мог быть искусственно ограничен. Для этого пометим как дефицитные такие дни, когда на складе оставалось меньше, чем мы продаем этого товара за день в среднем.

Чтобы узнать среднедневные продажи, используйте статистику, полученную после первых двух шагов. Кроме того, перед расчетом среднего исключите из статистики аномально большие продажи или воспользуйтесь медианой — она более устойчива к аномальным всплескам. 

Почему на этом этапе нужно исключать аномальные продажи? Допустим, в месяц в среднем продается 1 тысяча болтов, а в январе кто-то купил 12 тысяч. Если не убрать эту продажу из истории, среднее по одному году получится 2 тысячи штук. Все продажи окажутся ниже среднего, и мы пометим все дни как дефицитные.

В нашем примере средний объем продаж по всем дням, кроме 12.01, 19.01 и 20.01, равен 9,85 единиц, а медиана — 11 единиц.
Воспользуемся медианой и пометим как дефицитные все периоды, когда остаток на складе был ниже 11 единиц. 

Отмечаем дни с остатком ниже уровня медианы как дефицитные.

Средний объем продаж вначале был 8,49 единиц, а стал 9,95 единиц. Разница — почти 1,5 единицы. Это 17% от всего объема спроса!

История продаж может искажаться и по другим причинам: например, товар не выложили на полку, хотя он был на складе, или случилась пересортица. Если у вас такие ситуации не редкость, обязательно продумывайте механизмы, как очистить историю продаж от таких недостоверных данных.

Как восстановить историю спроса в периоды дефицита

Мы пометили дефицитные периоды в истории продаж. Что с ними делать? Строить прогноз на основе такой истории нельзя — попадем в порочный круг постоянного дефицита.

Если делать заказ на основе истории с дефицитами, мы получаем постоянный дефицит товаров.
 

Первый вариант — просто не учитывать такие периоды, удалить их из истории продаж. Так делать можно, но не всегда.

Допустим, мы продаем товар, который был в наличии только 5% времени. За это время он каждый день продавался большими объемами. Если бы товар был в наличии постоянно, мы продали бы в 20 раз больше? Вряд ли. Особенно если речь идет об уникальном товаре. Скорее всего, спрос не успевает насытиться — когда товар есть, его покупают с очень большой скоростью. В этом случае, если мы исключим дефицитные периоды, а потом построим прогноз, то закажем значительно больше товара, чем нужно. 

Исключайте дефицитные периоды только в том случае, если история продаж достаточно длинная и дефицитные периоды занимают не больше 20-30%.

Второй вариант — не просто удалять дефицитные периоды, а заменять их на статистически более достоверные продажи. Среднедневные продажи не слишком подходят — среднее неустойчиво к выбросам. Лучше посчитать, как часто встречается тот или иной объем продаж в истории, и выбрать тот, который встречается чаще всего. Или использовать медиану.

Третий вариант — использовать алгоритм прогнозирования и построить прогноз на дефицитные периоды. Это возможно, если у нас хороший и точный алгоритм, который не просто дает оценку по среднему, а учитывает все нюансы. Не все алгоритмы с этим справятся. Если дефициты случались часто, придется повторить прогнозирование несколько раз. Но с хорошим алгоритмом мы не только восстановим спрос, но и сможем оценить потери из-за дефицита, когда сравним реальные продажи и прогноз. 

Что делать, если дефицит случился после небольшой истории продаж, а алгоритм требует на вход большее число периодов? Просто прогнозируйте задом наперед. Если данных в будущем достаточно, дефицитами будущая история не продырявлена, то подавайте на вход данные в обратном порядке и прогнозируйте в прошлое. Например, возьмите историю продаж с 1 августа по 15 июля и стройте прогноз на 14 июля, потом на 13 июля и т.д.

Маркетинговые акции

Маркетинговые акции или промо тоже искажают статистику. В момент проведения акций продажи обычно повышаются, а после окончания снижаются по сравнению со средним. Если акция прошла хорошо, то спрос после ее окончания падает, но среднее значение спроса за период становится выше.

Как маркетинговые акции влияют на статистику 

График ниже показывает колебания спроса в период маркетинговой акции и во время пост-эффекта. Среднее по всем продажам равно 11,2 единиц. Если исключить данные за время акции и пост-эффекта, среднее становится равным 10,56 единиц. Акция прошла хорошо и завысила среднее. 

Продажи во время маркетинговой акции и пост-эффект.

Если мы будем считать прогноз запасов по среднему, то получим ошибочно высокий результат. А если мы введем такие данные в более сложную модель прогнозирования, она может подумать, что это особенность поведения спроса (например, сезонность), и научиться этой ненужной закономерности.

Как рассчитать срок пост-эффекта и восстановить историю спроса

Как и в случае с дефицитами, мы должны восстановить историю спроса. Чтобы получить реальный спрос в прошлом периоде, мы можем использовать ретроспективное прогнозирование на время проведения акции — так же, как мы восстанавливали данные в дефицитные периоды. Сколько длилась рекламная акция, мы узнаем из учетной системы. Но как понять, сколько действовал пост-эффект?

Пост-эффект зависит от того, насколько был перенасыщен спрос в результате проведения акции. Если объемы продаж во время акции увеличились в два раза, мы можем предположить, что потребность в товаре была удовлетворена на два периода вперед. Значит, пост-эффект длился столько же, сколько сама акция. Строим прогноз на период с начала акции до конца пост-эффекта. 

Прогноз реального спроса в прошлом периоде.

Другой способ определить, когда закончилось действие пост-эффекта, — сравнить ошибку прогнозирования после акции с ошибкой прогнозирования в обычном периоде. Для этого мы строим прогноз с момента, когда закончилась акция, и до конца истории продаж. Во время действия пост-эффекта ошибка прогнозирования будет сильно отличаться в большую сторону от ошибки прогнозирования на данных до начала акции. В тот момент, когда ошибка приблизится к известной нам, пост-эффект сходит на нет.

Аномальные продажи (выбросы)

Аномальные продажи тоже мешают правильно прогнозировать запасы. Обратите внимание, что аномальная продажа отличается от типичного высокого спроса, — например, спроса на цветы и конфеты перед восьмым марта. Аномально большие продажи, или выбросы, происходят случайно, и нам не нужно учитывать их при расчетах и хранить под них запас. 

Как аномальные продажи влияют на статистику

Представим, что однажды клиент купил у нас в 10 раз больше товара, чем продается в среднем. Если не исключить эту необычную покупку из статистики, мы получим завышенную оценку запаса, когда будем строить прогноз. 

Пример разовой аномальной продажи. Клиент купил 60 ед. товара — это средний объем продаж за 12 дней.

Если мы учтем этот выброс, то либо модель уловит неверную закономерность, либо мы получим большую ошибку прогнозирования в этой точке. В первом случае мы можем неожиданно много заказать. На графике ниже модель приняла выброс за закономерность и повторила его в будущем.

Во втором случае мы сильно увеличим страховой запас, который рассчитывается через ошибку прогнозирования или вариацию продаж.

Рассмотрим этот случай более подробно. Допустим, мы делаем прогноз по среднему. Среднее без аномальной продажи равно 4,8 единицы, а с учетом аномальной продажи — 8,3 единицы. 8,3 единицы — это больше, чем максимальная дневная продажа. Если мы будем использовать эти данные для прогноза, то точно закажем лишний товар даже под плановый спрос. 

Посмотрим, что произойдет со страховым запасом. Страховой запас рассчитывают через вариацию продаж (отклонение продаж от среднего) или ошибку прогнозирования (отклонение от прогноза). Мы делаем прогноз по среднему, поэтому результат расчета будет одинаковый.

	Страховой запас с учетом выброса	Страховой запас без учета выброса
Уровень сервиса 95% Планируем на 5 дней	53,8	4,8
Уровень сервиса 98% Планируем на 5 дней	67,2	5,9
Уровень сервиса 95% Планируем на 30 дней	131,9	11,7
Уровень сервиса 98% Планируем на 30 дней	164,7	14,6

Из таблицы понятно, что если мы не исключим выброс, страховой запас окажется в 11,2 раза больше. Причем при уровне сервиса 95% и горизонте планирования 5 дней этот запас все равно не обеспечит спрос нашего покупателя.

Посмотрим, как выброс повлияет на общий запас, который мы будем поддерживать.

	Страховой запас с учетом выброса	Страховой запас без учета выброса	Разница запасов
Уровень сервиса 95% Планируем на 5 дней	53,8+41,5=95,3	4,8+24=28,8	3,27 раз
Уровень сервиса 98% Планируем на 5 дней	67,2+41,5=108,7	5,9+24=29,9	3,63 раз
Уровень сервиса 95% Планируем на 30 дней	131,9+249=380,9	11,7+144=155,7	2,45 раз
Уровень сервиса 98% Планируем на 30 дней	164,7+249=413,7	14,6+144=158,6	2,6 раз

Если мы планируем на короткий срок, ошибка от выброса получается гораздо больше, чем при долгосрочном планировании. Но даже во втором случае общий запас получится в разы больше, чем необходимо. Поэтому мы должны находить и обрабатывать аномальные продажи.

Как распознать аномальные продажи

Для начала убедимся, что аномальная продажа — это редкое событие. На графике ниже сразу заметны две потенциально аномальные продажи.

Аномальные продажи на графике

Чтобы узнать, насколько часто такой объем продаж появляется в истории, посчитаем, сколько раз за историю встречаются продажи разных объемов, и разделим это число на число дней в истории. Чтобы получить процентную величину, умножим результат на 100.
 

Объем продаж	Частота объема продаж
7	5,74%
8	12,44%
9	7,66%
10	13,88%
11	7,66%
12	8,61%
13	11,48%
14	8,13%
15	6,70%
16	8,61%
17	8,13%
35	0,48%
72	0,48%
Общий итог	100,00%

В таблице и на диаграмме видно, что аномально большой объем продаж встречается значительно реже других

Но чтобы определить выброс, мы не можем ориентироваться только на низкую частоту того или иного объема продаж. Продажи среднего объема тоже могут редко встречаться, но исключать их нам не нужно.

График продаж с вариативным спросом и аномальный выброс

Обратите внимание на диаграмму с частотой продаж. Если мы отфильтруем с конца частоты с порогом в 2%, то исключим все продажи от 100 до 91 шт. Это некорректно. При таком подходе мы можем исключить всю историю продаж, если она сильно вариативна. 

Частота продаж товара с сильно вариативным спросом

Вместо этого мы можем отфильтровать не конкретные частоты разных объемов продаж, а накопительный итог, подобно тому, который рассчитывается при определении групп ABC-анализа.

Объем продажи	Частота продажи	Накопительная частота продажи
1	0,96%	0,96%
2	0,96%	1,91%
3	1,44%	3,35%
4	0,96%	4,31%
5	1,44%	5,74%
6	1,91%	7,66%
7	0,96%	8,61%
8	0,96%	9,57%
9	0,48%	10,05%
10	1,44%	11,48%
…	…	…
87	0,48%	89,95%
88	0,48%	90,43%
90	2,39%	92,82%
91	0,48%	93,30%
92	1,44%	94,74%
93	1,44%	96,17%
94	1,44%	97,61%
96	0,48%	98,09%
99	0,48%	98,56%
100	0,96%	99,52%
400	0,48%	100,00%
Общий итог	100,00%

Пусть порог составляет 1.0%. Тогда накопительная частота не должна превышать (100 — 1.0%) = 99.0%. Все, что имеет накопительную частоту больше 99.0%, помечаем как потенциальные выбросы. При таком подходе мы потеряем максимум 1% от всей истории. Например, в истории длиной 300 дней мы пометим только 3 продажи, даже если все продажи разные по объему. 

Что делать с аномальными продажами

Аномальные продажи, которые мы нашли, — это точки в истории продаж, а не периоды, как в случае с дефицитом или акциями. Поэтому мы просто заменим их. 

Пессимистичный вариант замены — предположим, что кроме аномальной продажи другого повышения продаж не было. Заменяем выплеск на медиану (в нашем примере это 56 единиц) или среднее (49 единиц). Здесь мы не учитываем, что в этот день продажи могли и без того быть высокими. Если так и было, то мы исключим не только клиента, который купил необычно много, но и большой объем продаж. 

Конечно, мы можем проанализировать конкретные документы-транзакции и исключать выплески среди них. Но есть вероятность, что аномально высокие продажи связаны не с конкретным клиентом, а с другими обстоятельствами — по ряду причин много покупателей в целом дали аномально большой объем продаж. Если мы будем рассматривать отдельные документы-транзакции, мы этого не заметим.

Оптимистичный вариант — заменяем выплеск на самые высокие продажи, которые остаются после исключения аномальных продаж. В нашем примере это продажи в объеме 99 единиц. В результате продажи будут выглядеть вот так:

Частота продаж после замены аномальных выбросов

Подготовка истории продаж: итоги

• Прогнозируйте спрос на основе истории спроса, а не продаж. 
• Обработайте статистику — очистите историю продаж от влияния дефицитов, маркетинговых акций и случайных выбросов.
• Используйте ретроспективное прогнозирование, чтобы восстановить спрос в периоды дефицита и проведения маркетинговых акций.
• Точечные искажения в истории продаж заменяйте на среднее, медиану или на самый высокий объем продаж после исключения всех аномалий.
• Когда будете строить прогноз, учитывайте воздействия, которые предполагаются в будущем: маркетинговые акции, праздничные дни или промо.

Советуем прочитать статью “Почему нужно прогнозировать товарные запасы, а не спрос?”.
 

Прогнозирование объемов продаж — это определение возможного количества покупок, которое целевая аудитория совершит за какой-либо период времени. Специалисты стараются выявить актуальные тенденции и отталкиваются от них, используя научные методы.

Зачем прогнозировать продажи

1. Чтобы поставить цели, которые впоследствии должна будет достигать компания. На основании прогноза ставятся задачи отделу продаж.
2. Для грамотного управления ресурсами и мощностями. Конкретный прогноз позволяет понять, сколько получится заработать и что для этого понадобится. Соответственно, планируются закупки, потребности в персонале, производственных мощностях и складских помещениях.
3. Для формирования оптимальных запасов. Если у вас есть прогноз и основанный на нем план, вы будете четко знать, какие запасы необходимо создать, не опасаясь дефицита или переизбытка.
4. Для оптимизации расходов. Бюджет, спланированный на основе прогноза, позволяет заранее понять, сколько будет потрачено на производство или поставку продукции.
5. Для прогнозирования спадов. Продажи могут проседать из-за кризисов на рынке или в связи с сезонным снижением спроса. Все это можно спрогнозировать и предусмотреть в плане.

Планирование и прогнозирование продаж: в чем разница

Прогноз — это предположение, которое базируется на определенных предпосылках. Исходя из результатов анализа, мы можем с высокой долей вероятности предположить, что реализуем какой-то объем товара, если на рынке сложится определенная ситуация.

План — это задача. Это комплекс мер, нацеленных на то, как именно мы будем достигать намеченного. План включает в себя работу с поставщиками, объем закупок, распределение ресурсов, подготовку мероприятий по сбыту, рекламу и маркетинговые акции.

Методы прогнозирования продаж

Краткосрочные прогнозы составляются на один, три или шесть месяцев. Прогноз на двенадцать месяцев — это уже долгосрочная стратегия.
Рекомендуется использовать несколько методов прогнозирования продаж, чтобы делать более точные предположения и понимать, какие способы лучше работают в той или иной ситуации.

По стадии воронки продаж

Воронка продаж — маркетинговая модель, основанная на множественном входе клиентов в процесс продажи. Для построения прогноза нужно определить основные этапы, например:

• выяснение потребности клиента, привлечение его внимания через контекстную рекламу или таргет в социальных сетях;
• демонстрация имеющихся товаров — покупатель знакомится с их характеристиками, читает обзоры;
• выбор товара, добавление его в корзину;
• оформление заказа и совершение продажи.

На основании продаж, совершенных ранее, можно определить, сколько клиентов прошло все этапы. Допустим, на сайт интернет-магазина зашли 100 человек, а покупку совершили 20. Коэффициент заключения сделки — 20%, и этот показатель можно использовать для прогнозирования, умножая его на потенциальную стоимость продажи.
Как правило, чем дальше продвинулся клиент по этапам воронки, тем выше вероятность того, что продажа будет совершена.

Достоинства метода:

• легко использовать.

Недостатки:

• не очень высокая точность из-за инертности покупательского поведения — немало людей отказывается от покупки даже на предпоследнем этапе воронки.

По продолжительности цикла продаж

Этот способ составления прогноза продаж во многом похож на тот, что описывался выше. Но в данном случае за основу берется информация о том, сколько времени понадобится на превращение лида в платящего клиента. Например, длительность воронки продаж — месяц, а переговоры с потенциальным покупателем идут уже три недели. Следовательно, вероятность заключения сделки можно оценить в 75%. Прогноз по продажам рассчитывается как стоимость, умноженная на 75%.
Для большей точности имеет смысл делить лиды на корзины. Например, те, кто пришел по рекомендации, завершают сделку за неделю, а холодным клиентам на это требуется не меньше месяца, а то и больше.
Достоинства:

• простой метод;
• можно повысить точность прогноза, отслеживая источники появления клиентов.

Недостатки:

• инертность поведения покупателей влияет на точность результатов.

По источнику лидов

Необходимо проанализировать данные о ранее совершенных продажах для каждого источника потенциальных клиентов. Используются:

• среднее количество лидов в месяц за определенный промежуток времени;
• средняя стоимость продажи;
• коэффициент конверсии клиентов в привязке к источнику.

Достоинства:

• довольно высокая точность прогнозирования.

Недостатки:

• зависимость от изменения важных факторов — например, изменения в стратегии генерации лидов отразятся на коэффициенте конверсии, поэтому структуры, отвечающие за продажи и маркетинг, должны постоянно обмениваться информацией.

Многофакторное прогнозирование

Базируется на учете множества факторов, которые влияют на продажи. Это:

• длительность цикла продаж;
• объем каждой сделки;
• стадия, на которой находится сделка;
• процент успешного завершения в зависимости от объема сделки и ее стадии;
• процент успешного завершения для каждого менеджера.

Достоинства:

• высокая точность прогнозирования;
• точные расчеты с помощью аналитических инструментов CRM-системы.

Недостатки:

• необходимо использовать CRM-систему или иное аналогичное программное обеспечение;
• надо точно отслеживать все параметры — ошибка на входе неминуемо даст ошибку на выходе.

SWOT-анализ: что это такое и как помогает при прогнозировании

Этот метод анализа построен на оценке данных по четырем характеристикам:

• сильные стороны — Strengths;
• слабые стороны — Weaknesses;
• возможности — Opportunities;
• угрозы — Threats.

SWOT-анализ позволяет получить примерную оценку ситуации, в которой находится компания, понять проблемы и найти потенциальные источники роста. Он используется не для прогнозирования, а для определения факторов, способных повлиять на выполнимость плана.

Итоги

Продажи могут быть более или менее успешными. Существуют методы, позволяющие прогнозировать их успешность. Применение современных методов прогнозирования позволяет повысить конкурентоспособность интернет-магазина.