Salg prognoser i virkelige verdensmarkeder

Stort set alle produktion eller servicevirksomhed skal generere prognoser af deres kort og mellemlang sigt salg. At være i stand til at forudsige efterspørgslen mere præcist har store kommercielle fordele, om prognosen bruges:

at planlægge indkøb, produktion og lager,

som grundlag for marketing eller salg planlægning,

eller til finansiel planlægning og rapportering eller budgettering.

Endnu inden for virkelige verdensmarkeder konspirerer mange faktorer for at gøre nøjagtige prognoser vanskeligt at opnå.

Først og fremmest anvendes salgsprognoser ofte til alle formål foreslog ovenfor. Dette fører til konflikter mellem optimisme og pessimisme og introducerer potentielt ‘politisk’ påvirkninger i processen. Eksempler er den anden rolle af profit prognose (sandsynligvis konservativ) og salg planlægge (sandsynligvis optimistisk), eller hvor markedsføring udgifter er tæt forbundet med omsætningen af mærker (og dermed fører til defensive prognoser for at beskytte planlagte marketing tilbringer). Der er også konflikter i form som enheder bør være budgetteret – ordrer-baserede for produktion prognoser og faktura-baserede for finansielle prognoser.

Tilsvarende kan prognoser fra uge af sku (lager holder del) for de næste 12 uger være krævet af produktionsplanlægning. Men denne tidshorisont er alt for kort og denne detaljeringsgrad er potentielt meget for stor for marketing og salg planlægningsformål.

Det vigtigste er at have en klar vision for hvem de primære kunder eller kunder af prognoserne er. Vælg det relevante niveau af detaljer og tid horisont i overensstemmelse hermed og acceptere, at sekundære kunder vil sandsynligvis nødt til at acceptere sub-optimale prognoser. I mange situationer er det nyttigt for både markedsføring og salg til at generere salg prognoser. Salget er ofte mere sandsynligt at besidde den detaljerede korte sigt viden, mens Marketing behov for at “egne” prognoser som følge af deres rolle som mærke profit “vogtere”, og muligvis har en klarere viden af lang sigt indflydelse. Det er vigtigt her at hvert område er klar over den rolle, og formålet med de prognoser, de producerer, og at udstedelse tidsplaner optimere valuta af data bruges som input, og givet som output, af hver forecaster.

Den anden store vanskelighed af prognoser i virkelige verdensmarkeder er selve karakteren af disse markeder. De udviser ofte nogle eller alle af følgende karakteristika:

Hyppige salgsfremmende aktivitet

Højt niveau og række konkurrent aktivitet

Kampagner er sjældent på samme tid hvert år

Størrelsen af distribution ‘pipeline’ tendens til at variere

Voksende koncentration i salg til største kunder

Svingende positionering på salgsstedet – mellem ‘værdi’ (dvs. lave priser) og “merværdi” (dvs. kvalitet)

I det væsentlige, er det dominerende kendetegn af virkelige verdensmarkeder sandsynligvis “Aldrig den samme ting to gange”.

Dette gør det svært for traditionelle forudsigelse metoder såsom statistiske metoder til at levere acceptable resultater over en kort til mellemlang tidshorisont.

AT VÆLGE DEN RIGTIGE FORECASTING METODE

Alle statistiske metoder enten selv ud toppe og dale i salgshistorik trend-baserede prognoser, eller andet, de ser for gentagne mønstre i historiske toppe og dale at gøre fremtidige prognoser.

Men hvis toppe og dale i salget af virkelige verden produkter er forårsaget af hvad er ofte ’tilfældig’ arrangementer, såsom kampagner eller konkurrent aktivitet, hvordan kan statistiske metoder hjælpe dig prognose? På den ene side har en glattes prognose ringe værdi, hvis det primære formål for prognoser er at forudsige kortsigtet salg toppe og dale. På den anden side, hvordan gyldig er den anden tilgang den tilfældige karakter af historiske toppe og dale?

Hvis du ikke kan bruge statistik, hvad kan du bruge? I fleste situationer, meddelte dom (eller ‘finger til vinden’ som kynikere kan beskrive det) er faktisk mere tilbøjelige til at producere bedre resultater inden for virkelige verden markeder.

Essensen af fordømmende planlagte prognoser er anvendelsen af virksomhedslederens viden og fortolkning af tidligere begivenheder og aktiviteter og deres virkninger på salg, at fremtidige begivenheder og aktiviteter. Resultatet er en “fordømmende” prognose for de fremtidige salg perioder.

De vigtigste faktorer til at overveje, er temmelig velkendt:

Handel tilbud

Starte / genoptage aktivitet

Kampagner / specielle pakninger

Historiske ud af bestande

Distribution ændringer

Seasonality (hvis relevant)

Konkurrent aktivitet

Reklame effekt

Markedstendenser

Selv om der er aldrig det samme to gange, udvikle og anvende en forståelse af, hvordan salg reagere på forskellige typer og kombinationer af begivenheder er den mest effektive måde at generere en prognose. Det har spin-off fordele også, fordi det tvinger markedsførings- og folk til at tænke længe og hårdt, og forhåbentlig objektivt, om hvilke faktorer virkelig drive deres salg.

Den metode, der er størst sandsynlighed for at lykkes prognoser fra bunden op og gennemgå fra ‘top down’. Dermed genererer prognoser på den laveste (relevante) niveau af detaljer ved hjælp af den ovenfor beskrevne proces: “bottom up”-metoden. Man sammenligner derefter, hvordan den resulterende forventede år efter år vækstrater og flytte årlige totaler sammenlignet med forventning, historiske eller aktuelle vækstrater og flytte årlige totaler. Hvis ‘bottom-up’ er ude af trit med ‘top down’, derefter skal ‘bottom-up’ prognoser revideres for at identificere kilderne til forskellen.

Denne proces skal fortsætte indtil ‘top down’ og ‘bottom-up’ prognoser er konsekvent.

AT VÆLGE DET RIGTIGE SYSTEM

Den forecasting metode, der anbefales i denne artikel lægger stor vægt på viden og dom af forecaster. Dette er uundgåelig på grund af markedet, men det følger heraf, at udvikle en god prognose er en arbejdskrævende proces.

Edb-systemer kan hjælpe her, ved at give prognosemagere med en produktiv og fleksibelt miljø til at analysere og manipulere numre. Mange virksomheder bruger regneark baseret systemer. Nogle bruge systemer, der er blevet udviklet til at køre via terminalemulering på deres corporate mellemtone eller mainframe maskiner. Endelig, nogle bruger den en mulighed fra deres ERP (Enterprise Resource Planning) system.

Ingen af disse tilgange er ideel.

Regneark baseret systemer er generelt vanskelige at vedligeholde, i form af tilføjelse af nye produkter eller kunder, opdatere faktiske oplysninger eller rullende frem år. De har også tendens til at vise data i fast visninger på grund af faste rækker og kolonner struktur af regnearksprogrammer. Nogle analytiske kapacitet kan indføres ved at bygge Smart regneark makroer eller af brugere omformatering data på forskellige måder i deres regneark, men denne tilgang har tendens til at være klodset og arbejdskraft intensiv. Derudover aggregering af data på tværs af produkter og kunder har tendens til at kræve betydelige manuel behandling.

Derudover regneark er hovedsagelig enkeltbruger-produktivitet aids, prognoser er normalt en multi-user aktivitet. Forsinkelser og unøjagtigheder få indført gennem behovet for konsolidering af regneark. En ændring kan kræve det hele, besværlige proces skal gentages.

Terminal / browser-baserede baseret mellemtone eller mainframe systemer og ERP indstillinger overvinde vedligeholdelsesproblemer, men har tendens til at være ufleksibel og give ikke forskellige instant grafiske visninger, en PC baseret system gør muligt. Derudover sådanne systemer kan nogle gange have ydeevne problemer – hvor transaktionsbehandling systemer og beslutning støtter systemer operere på den samme vært, transaction processing systemer få nødvendigvis præference i modtager processortid. Derudover er det svært at give disse systemer graden af brugervenlighed, som salgs- og marketingteam brugere foretrækker generelt.

Derfor, mens disse traditionelle tilgange tilbyde elementer af den ideelle fremgangsmåde, man virkelig behøver et system, der kombinerer lethed af vedligeholdelse og robustheden af mainframe / ERP nærme sig med hastighed, fleksibilitet, grafik og brugervenlighed af den PC.

PC-baserede systemer, som opfylder dette behov er i dag tilgængelig. Her er en tjekliste med funktioner til at se ud:

Kan du tilpasse systemet til din marked og behov – med hensyn til fakta, perioder, produkt- og kundeservice niveauer osv.?

Systemet giver dig mulighed for at indtaste prognoser på forskellige niveauer af produkt eller kunde detaljer og har ændringerne genberegnet ‘up’ og ‘ned’ produkt- og kundeservice hierarkier?

Tillader systemet at du fange kvalitative oplysninger for?

Hvad der forårsagede den historiske toppe og dale? Hvad var den forecaster rationale for denne prognose?

Tillader systemet at du gemme og analysere forskellige sæt af prognoser gennem året?

Giver systemet du forudsige nøjagtighed analyse?

Hvor fleksibel er rapporterings- og analysefunktioner motor tilbydes af systemet? Kan du gemme og genafspille begunstigede visninger af dataene?

Hvordan fleksibel og hjælpsom er de diagrammer, inkluderet?

Kan systemet køre i et sandt netværksmiljø, eller støtter remote prognosemagere?

Hvordan er brugervenligt system? Hvor meget på line hjælp er tilgængelig?

Har systemet nogen muligheder, som analyserer prognoser og advare prognosemagere risici identificeret versus tidligere salgshistorik?

Kontrollere dataudveksling med din virksomheds systemer – hvor let er det at holde systemet opdateret med nyeste salg faktiske oplysninger og sende prognoserne tilbage til corporate-systemer?

Kan systemet tage dig ud over volumen baseret forecasting samlede kunde konto planlægning, rentabilitet, budgettering? Måske du kan kombinere og integrere processer til planlægning, budgettering og mellemlang sigt planlægning inden for en enkelt proces / business ansøgning?

Hvis du ikke allerede har et analyseværktøj nemlig brugernes hen til ‘ skive og terninger ’ gennem salg til at opfange tendenser osv, forventer nogle af denne funktionalitet fra din prognosticering og planlægning system!

-Ønsker du din forecasting systemet arbejder over nettet? Er ‘ prognoser over web ’ en option med jeres software? Hvad med udsætter trygt segmenter af dine prognoser til dine leverandører over internettet? Hvis ikke nu, måske du får brug for det i fremtiden.

Konklusion

Prognoser i den virkelige verden er en vanskelig proces, som ikke egner sig til automatiseret statistiske metoder. Den såkaldte ‘finger i vinden’ / ‘ fordømmende prognoser ’ metoden, hvis det gennemføres omhyggeligt og med passende systemer support, kan give kvalitetsforbedringer i forudsige resultater.

Du har brug for et godt system, prognosemagere, der virkelig forstår deres markeder, og frem for alt stærk afholdte bestemmelse at omsætte det til praksis.