Как составить прогноз продаж на следующий год

Прогнозирование продаж предприятия — не предсказание о том, что произойдет в будущем. Это мощный бизнес-инструмент, основанный на анализе данных, который помогает контролировать бюджет, определяет продвижение бренда на рынок и помогает рассчитать будущую прибыль.

Продавать без ориентира на результат — значит пустить продажи на самотёк. А ведь назвать размер прибыли за измеримый период можно с точностью до 90%. Для этого необязательно быть экстрасенсом, достаточно овладеть методиками прогнозирования, но для начала разберёмся, зачем нужен прогноз.

Бизнес в современных условиях развивается стремительно. На динамику продаж, доходов, расходов оказывает влияние множество различных факторов, как внутренних (инвестиции, стимулирование отдельных каналов продаж, исследование рынка и т.п.), так и внешних – различные непредвиденные обстоятельства, вроде, пандемий, стихийных бедствий, исторические событий. 

Такие общемировые события вносят свои коррективы в развитие бизнеса и оказывают влияние как в краткосрочном, так и в долгосрочном периоде. Для аналитиков подобные внешние факторы оказываются часто более значимыми, чем внутренние, поскольку наступление данных событий всегда означает крушение привычных тенденций. А это осложняет прогнозирование, заставляет отказываться от привычных моделей и искать новые подходы. 

С 2015 по 2021 годы я работала в дирекции по продажам конвергентных продуктов билайна аналитиком, можно сказать, «на все руки» – аналитиком продаж, продуктовым, финансовым. В мою зону ответственности входили операционная и ежемесячная отчетность, расчет планов продаж на квартал, бюджетирование расходов на продажи, расчеты кейсов по инициативам – для всего этого требовалось моделирование основных KPI развития бизнеса. 

Меня зовут Нина Фещенко, с 2022 года в департаменте аналитики розничного бизнеса (B2C) я в большей степени занимаюсь работой с данными и BI-аналитикой, но без моделирования тоже не обходится. В этом посте я опишу свой опыт построения модели прогнозирования продаж конвергентных продуктов (2019-2021), а также прогнозирования оттока мобильных абонентов в 2022 году. Расскажу, как работала модель в относительно стабильный период до 2020-го года, и какие корректировки пришлось внести впоследствии. 

Основные показатели развития бизнеса в сфере телекоммуникаций — продажи, активная абонентская база, отток и выручка. Именно эти показатели всегда были в фокусе внимания при построении прогнозов. 

Давайте подробнее о том, что следует понимать под продажами FTTB и конвергенции. 

Термин FTTB представляет собой тип фиксированного подключения ШПД (широкополосного доступа) к сети интернет, при котором оптоволоконный кабель протягивается до границы здания и распределительный узел находится максимально близко к помещению абонента. Под продажей FTTB подразумевается факт подключения абонента. Понятие «конвергентный продукт» включает в себя подключение FTTB интернета совместно с подключением мобильной связи (FMC). 

Обозначения – и + в сегментах FMC означают, соответственно, отсутствие или наличие у абонента до подключения доступа к интернету (F) или мобильной связи (M) билайна. С точки зрения развития конвергентного бизнеса интерес представляют только продажи так называемых «минусов», под которыми понимаем отсутствие у абонента доступа к сети интернет билайна. Это собственно подключение FTTB-интернета, а также подключение интернета и продажа sim-карты (F-M-) или подключение интернета и объединение существующей у абонента sim-карты в общий конвергентный продукт (F-M+). 

На рисунке выше эти фокусные сегменты выделены синим цветом. Соответственно, сегменты F+M- и F+M+, то есть ситуация, когда у абонента уже есть доступ к интернету билайна и речь идет только о продажи sim-карты или просто объединении существующего интернета и существующей sim-карты в общий продукт, в нашем случае интереса не представляют (сегменты без заливки).

Прогнозирование продаж можно считать ключевым в общей схеме KPI конвергенции, поскольку, во-первых, продажи необходимо прогнозировать ежедневно, а следовательно, необходима надежная работающая модель, которую не придется корректировать слишком часто. И во-вторых, продажи входят как компонента во все остальные метрики – и в прогнозирование активной базы и выручки. 

Выбираем прогнозную модель

Выбор прогнозной модели, гранулярность временного периода и все сопутствующие факторы выбираются каждым аналитиком самостоятельно. Здесь играет роль как опыт и знания, так и просто личные предпочтения, а иногда и просто интуиция. При этом прогнозирование продаж в данной схеме, 

Простейшей моделью для прогнозирования продаж является линейный тренд вида:

где t – период времени.

Линейная модель исходит из предположения, что прирост продаж в каждый период происходит равномерно. В реальности это не всегда соответствует действительности, ведь в продажах (даже если речь не идет о чисто сезонных товарах типа летней обуви или горнолыжного снаряжения) почти всегда есть сезонная составляющая. 

На графике ниже динамика продаж с 2018 по 2021 год позволяет оценить наличие сезонности – видим спад продаж в январе по сравнению с декабрем предыдущего года, выравнивание в марте, новый спад в летние месяцы, рост в сентябре, небольшое снижение в октябре-ноябре и небольшой прирост в декабре. 

Рост продаж, как нетрудно заметить, часто приходится на конец квартала. Это происходит как правило за счёт управляемых каналов (D2D, дилеры), стремящихся выполнить квартальные планы. Спад происходит в летние месяцы – период отпусков. Взлёт продаж в сентябре можно считать следствием этого летнего снижения активности.

При этом данная динамика в той или иной степени прослеживается все 4 года, в том числе и в 2020-м, когда из-за локдауна начиная с конца марта падение продаж было более значительным. Очевидно, что сезонная составляющая остается неизменной даже при существенных структурных изменениях.

Когда наличие сезонности выявлено, следующая задача заключается в том, чтобы добавить ее в прогнозную модель. В данном случае используем аддитивную модель, поскольку она проста в расчетах и позволяет относительно легко добавлять необходимые параметры – сезонность, долгосрочные колебания и подобное. 

Я пробовала описать сезонность двумя основными способами – с помощью индекса сезонности и с помощью гармонического анализа. Лучшие результаты давал первый подход, поэтому именно его я в итоге стала использовать в модели, которая теперь имеет следующий вид:

где: 

F – прогнозное значение, 

T – линейный тренд вида yt+1=a0+a1t0, где t – период времени,

S – сезонные колебания, рассчитанные с использованием индекса сезонности.

Вот еще один график, тут представлены расчеты по модели «тренд + сезонность», где синяя линия – это фактические данные, пунктирная зеленая линия – это сглаженное значение по модели. Визуально можем оценить, что полученная модель достаточно хорошо описывает имеющиеся данные и в принципе выглядит вполне пригодной для прогнозирования. Вопросы вызывали некоторые участки, например, 5-10, где по модели был более сильный скачок роста продаж, чем в реальности или 30-35, где модель, наоборот, выглядела излишне сглаженной.

Я попробовала улучшить качество модели, добавив случайную компоненту в виде ряда случайных остатков. Ряд случайных остатков – это разница между фактическим и расчетным, то есть как раз то что остается не учтенным в модели:

где: 

Et – случайный остаток в периоде t, 

Yt – фактическое значение в периоде t, 

Tt  – линейный тренд вида yt+1=a0+a1t0, где t – период времени,

St –  сезонные колебания в периоде t.

Чтобы учесть случайную компоненту в модели, необходимо использовать авторегрессионный процесс. Для этого помимо основного ряда случайных остатков берем несколько рядов случайных остатков с лагом – то есть таких же рядов, но сдвинутых на один, два и более периодов времени – и проверяем наличие между этими рядами корреляции. 

Я использовала помимо основного ряда Et еще четыре ряда Et+1, Et+2, Et+3 и Et+4. Большее количество использовать уже не имеет смысла – это усложняет модель, к тому же если автокорреляция отсутствует на четырех рядах с лагом, то велика вероятность, что она вовсе отсутствует. 

В результате получаем ряд с наибольшим по модулю коэффициентом автокорреляции и именно этот ряд включаем в уравнение авторегрессии для случайной компоненты:

где: 

Et – случайный остаток в периоде t, 

Et-k – случайный остаток в периоде t для ряда, сдвинутого на k периодов,

rk – коэффициент автокорреляции между рядом Et и сдвинутым рядом Ek.

С учетом полученного выражения для случайной компоненты окончательно трехкомпонентная аддитивная модель принимает вид:

где: 

Ft – прогнозное значение в периоде t, 

Tt – линейный тренд вида y_t+1=a₀+a₁t₀, где t – период времени,

St – сезонные колебания, в периоде t, 

Et – случайные колебания в периоде t.

А на этом рисунке представлен расчет по трехкомпонентной модели в сравнении с двухкомпонентной (без учета случайных остатков) – здесь синяя линия сплошная зеленая линия представляет собой расчетные значения по трехкомпонентной модели. Визуально можно оценить, что включение случайно компоненты повысило качество модели – сплошная зеленая линия проходит ближе к фактическим значениям, чем пунктирная. 

Соответственно, полученная трехкомпонентная модель в дальнейшем использовалась как базовая для прогнозирования продаж.

Последнее, что было еще добавлено в модель – это доверительный интервал, то есть границы, в которых с заданной вероятностью будет попадать прогнозное значение:

где: 

τ – коэффициент доверия Стъюдента,

U’– стандартная ошибка выборки.

Здесь доверительный интервал с доверительной вероятностью 85% добавлен в виде светло-зеленой сплошной линии:

Строим прогноз

Прогноз я строила отдельно для каждого канала продаж, поскольку необходимо было учитывать их особенности. Так для активных каналов продаж (агенты, телесейл) характерны всплески продаж в конце месяца. Это объясняется управляемостью данных каналов – например, возможностью быстро скорректировать отставание от плана введением мотивационных программ и просто желанием самих агентов закрыть месяц максимально возможным количеством продаж. 

Поэтому для активных каналов в конце месяца к прогнозному значению применялся повышающий коэффициент, величина которого выбиралась как среднее или линейная комбинация из отклонений факта от прогноза за аналогичные периоды. Другие каналы также могли корректироваться в зависимости от влияющих на них факторов. Например, канал WEB-дилеров в 2019-м году только начал активно развиваться и показывал стабильный рост с середины 2019-го года, поэтому приходилось, наоборот, уменьшающими коэффициентами корректировать улетающий в космос тренд по отношению к 2018-му году. 

Кроме того, для решения задач долгосрочного прогнозирования, в частности бюджетирования продаж на следующий год, прогнозная модель делилась на сегменты – отдельно строился прогноз для продаж FTTB и отдельно для суммы «конвергентных минусов» — F-M-/F-M+. Это, возможно, выглядит излишним усложнением модели, однако с постепенным смещением фокуса продаж с FTTB на FMC (для продаж конвергенции вводились мотивационные программы, существовал отдельный KPI – доля FMC в продажах) тренды данных сегментов устремились в противоположные стороны.

Ниже пример расчета по трехкомпонентной модели, где сплошная темно-синяя линия – это фактические значения, синяя пунктирная линия – прогноз, тонкие сплошная и пунктирная линии – дополнительные расчетные значения и светло-синяя толстая линия – доверительный интервал. 

Здесь мы видим, что прогноз идет по нижней границе доверительного интервала, что является дополнительным и достаточно мощным инструментом регулирования в модели, особенно в случаях, когда прогноз строится не для оперативных целей, а для долгосрочных, например, при бюджетировании. 

Оперативный прогноз должен быть максимально близким к реальности – в этом его основное назначение, долгосрочный прогноз в свою очередь должен учитывать не только текущую ситуацию, но все факторы, которые будут оказывать влияние на ее изменение в рассматриваемом будущем периоде. Например, на момент прогнозирования мы обладаем информацией, что в определенном филиале бизнес будет развиваться более стремительно, чем в нынешних условиях – планируются инвестиции, новая стройка, дополнительные мотивационные программы – значит, итоговый прогноз должен быть выше расчетных значений (основная задача здесь оценить, насколько выше – то есть какой вклад будет у описанных выше инициатив). 

Обратная ситуация возникает в случае, если опять же на момент прогнозирования мы знаем, что в отдельно взятом канале или филиале роста продаж не ожидается. Это может быть связано с закрытием офисов, тяжелой конкурентной ситуацией на рынке, структурными изменениями. В такой ситуации важно, наоборот, не «перезаложить» прогноз, сделать его ниже расчетных значений.

В таких ситуациях как раз идеальным способом регулирования является доверительный интервал. Я использовала в качестве прогнозного значения, соответственно, верхнюю или нижнюю границу доверительного интервала и выставляла требуемое значение доверительной вероятности.

Расчеты по такой модели показывали вполне удовлетворительные результаты вплоть до марта 2020-го года, по этой модели я строила все прогнозы в рамках бюджетного процесса 2020 – таким же образом были рассчитаны все виды продаж и отток. Казалось, что я нашла свою идеальную модель, которая будет служить мне не один год, но пандемийный 2020-й год принес с собой нарушение всех возможных трендов и крушение всех давно выстроенных закономерностей. Пришлось искать новые.

Чем сложнее времена, тем проще должны быть модели

Потому что в условиях неопределенности главным качеством хорошей модели становится не столько аптечная точность, сколько устойчивость к изменениям и интерпретируемость. Преимущество линейной модели как раз в её простоте и лёгкости интерпретации – полученные результаты, только если зависимость между факторами не близка к линейной, будут далеки от идеальных, но их будет легко объяснить. Поэтому, когда возникла необходимость в поиске новой модели в условиях кризиса, то я не стала искать что-то принципиально новое, а просто преобразовала модель, оставив её линейную структуру и аддитивность. Я убрала из модели случайную компоненту и оставила только тренд + сезонность. Как уже было показано ранее, сезонность продаж сохраняется даже в условиях кризисов и существенных структурных сдвигов, поэтому упрощать модель максимально (только до линейного тренда) не имело смысла. В 2021-м году начался постепенный выход на тренды, что позволило мне вернуться к трехкомпонентной прогнозной модели.

В 2022-м году в фокусе моего внимания были уже не столько продажи, столько активная (платящая) абонентская база, а также отток, под которым будем понимать отсутствие активности и/или прекращение оплаты. Моделирование оттока напрямую связано с моделированием абонентской базы, точнее, является одним из этапов ее моделирования. Величина оттока (RTC) в процентах рассчитывается как количество неактивных абонентов за период к значению активной базы в предыдущем периоде (или к среднему значению активной базы в текущем и предыдущем периодах, но в данном случае рассмотрим более простой вариант):

где: 

c_t – отток в периоде t,

AB_t и AB_t-1 – активная база, соответственно, периода t и предыдущего периода,

Sl_t – продажи в периоде t.

Соответственно, преобразовав данную формулу, получаем выражение для активной базы отчетного периода:

Таким образом, для прогнозирования активной базы текущего периода необходимы прогнозные значения продаж и оттока. Кроме того, отток представляет ценность и сам по себе и всегда находится в фокусе внимания при подготовке отчетности.

Как и писала выше, до 2022 года все основные KPI я моделировала по трехкомпонентной аддитивной модели, в том числе и отток, который с некоторыми оговорками, но в нее укладывался. Отток как правило не имеет ярко выраженного тренда, что логично, величина оттока колеблется вокруг своего среднего значения. При этом сезонность оттока прослеживается. Есть месяцы с более высоким оттоком, например, периоды отпусков – лето, декабрь-январь, есть периоды со стабильным или низким оттоком. 

Вот пример трехкомпонентной модели оттока. 

Можно заметить, что тренд практически отсутствует. Это подтверждает и величина аппроксимации R² – значение 0.003 показывает, что простой линейный тренд совсем не подходит для описания данного ряда. Однако отсутствие тренда в данном случае не существенно, и это еще одно преимущество трехкомпонентной модели. Даже при отсутствии тренда она все равно решает свои задачи – сглаживает ряд, позволяет учесть сезонность и случайные колебания, оставляет возможности для регулирования – возможности завысить или занизить прогнозное значение в зависимости от поставленных задач. При анализе оттока это не менее актуально, чем для продаж. Например, для решения задач вида: на сколько процентов необходимо снизить отток, чтобы активная база вышла на бюджетные значения. 

От линейной модели для оттока, при всех ее преимуществах, пришлось отказаться в 2022 году, поскольку все закономерности оказались нарушены, даже сезонные. Количество неактивных абонентов резко выросло в феврале и затем в сентябре, и важно было понять, какая часть этих абонентов уже не вернется в активную базу, а какая ушла временно и еще может вернуться, и далее какая часть из них может вернуться уже в следующем месяце. Для этих целей мы использовали разные инструменты – проверяли трафик абонентов на пограничных базовых станциях, сравнивали с аналогичными периодами предыдущих лет, проверяли голосовой трафик в роуминге. 

Целью было рассчитать количество активных абонентов на текущий момент (например, на 15-е число месяца) и возможность сравнить его с аналогичным периодом прошлого месяца и прошлого года. В сущности, это был переход к адаптивной модели, в которой каждое последующее значение пересчитывается в зависимости от предыдущих, входящих в модель с заданными весами. 

Самым распространенным видом адаптивной модели является модель экспоненциального сглаживания вида:

где 

F_t – прогнозное значение для периода t,

Y_t-1 – последнее имеющееся фактическое значение,

F_t-1 – сглаженное значение для периода t-1,

a – веса модели.

Преимущество этой модели в ее гибкости – можно использовать не один, а несколько любых ретроспективных периодов, можно использовать варианты с различными весами и тогда итоговое сглаженное значение будет складываться как линейная комбинация из этих вариантов, сглаживать можно не только ряд фактических значений, но и ряды первых или случайных остатков.

Такую модель я использовала для прогнозирования оттока на один шаг вперед, то есть на фактических значениях до октября 2022 года я прогнозировала ноябрь и затем аналогично декабрь. В качестве первого сглаженного значения я использовала простое среднее первых 6 уровней. Вопрос заключался в том, какие значения использовать в качестве весов . Веса в модели выбираются исходя из условий задачи – насколько выраженное сглаживание ряда мы хотим получить (чем меньше значения a, тем выше эффект сглаживания). Важно было использовать какую-то значимую величину, а не просто некоторую случайную оценку. В итоге весами стали отклонения количества неактивных абонентов, регистрировавшихся на приграничных базовых станциях, в отчетном месяце по отношению к аналогичному периоду прошлого года. Для расчетов прогноза ноября эта величина составила 0.326, это отклонение сентября 2022 от сентября 2021 (на момент расчетов всех данных за октябрь еще не было).

На следующем рисунке представлен пример прогнозирования оттока по модели экспоненциального сглаживания, где темно-синяя сплошная линия – это фактические значения до октября 2022, светло-синяя линия – это сглаженные значения ряда и прогноз ноября. Пунктирной линией я выделила фактическое значение ноября.

Здесь заметно, что модель в ноябре дала очень хороший результат – разница между фактическим и прогнозным значением составила всего 0.004%. Результат по модели в декабре был уже не столь впечатляющим (см следующий рисунок) – отклонение составило 0.085%, сглаживание в данном случае оказалось чересчур сильным.

Веса в расчете декабря составили 0.426, напомню, что это отклонение количества неактивных абонентов с трафиком на приграничных базовых станциях в октябре 2022 по сравнению с октябрем 2021. Значение относительно небольшое, а отставание сглаженного ряда от фактического проявляется в большей степени при малых значениях a.

Более высокие веса могут дать результат ближе к реальности, однако на примере прогноза декабря этого не происходит. 

Вот как выглядит пример расчета с величиной a равной 0.700 (лиловая линия):

На текущий момент я не пыталась больше усовершенствовать модель экспоненциального сглаживания для оттока, возможно, сделаю это в будущем. Интересно было бы использовать несколько вариантов с разными весами, а также использовать сглаживание не исходного ряда, а, например, ряда первых остатков. Для ряда с отсутствующим или слабо выраженным трендом подобный подход может давать более качественные результаты. Кроме того, моя задача была получить одно прогнозное значение, а экспоненциальное сглаживание помимо простого, которое мы рассмотрели, бывает также двойным и тройным – что позволяет строить прогноз, соответственно, на 2 и 3 периода вперед.

Экспоненциальная модель уже не подойдет для бюджетирования и прогнозирования на длительные периоды. Для сравнения по трехкомпонентной модели я строила прогнозы на срок до 5 лет, например, при построении стратегии развития FMC-бизнеса или при расчете данных для кейсов по отдельным проектам, вроде, амбиция по приросту активной абонентской базы на 30% через 5 лет. При этом преимущество экспоненциальной модели в ее адаптивности – прогноз уточняется каждый раз с получением новых фактических значений, а также в рекурсивности – каждое значение сглаженного ряда уже содержит информацию обо всех предыдущих значениях. То есть данная модель тоже неявным образом учитывает сезонность.

Итого

Резюмируя вышесказанное — мы рассмотрели построение трехкомпонентной аддитивной модели для прогнозирования продаж с ее модификацией для ситуации неопределенности, а также пример подхода к моделированию оттока с помощью простого экспоненциального сглаживания и можем сделать следующие выводы. 

Главный из них заключается в том, что не существует единой идеальной модели, которая подойдет абсолютно всем и для любых условий. Важно подобрать модель, которая будет наилучшим образом описывать имеющиеся данные и больше всего подходить под поставленную задачу. Моделирование вообще и прогнозирование в частности – это задача, зависящая от множества различных факторов, как от особенностей продукта и условий, в которых происходит моделирование, так и от самого аналитика, его опыта, предпочтений и просто временных ресурсов. К примеру, над созданием своей трехкомпонентной модели я работала не один месяц, проверяя, исследуя, пробуя различные методы, пока не пришла к итоговому описанному выше результату. 

Напротив, на создание адаптивной модели прогноза оттока у меня было крайне ограниченное количество времени и задача заключалась не в получении модели для дальнейшего длительного использования, а для получения некоторой краткосрочной оценки здесь и сейчас. Помимо временных затрат как таковых важен также вопрос их целесообразности. В первом случае затраты были полностью оправданы, поскольку мне прогнозная модель требовалась мне едва ли не в каждой решаемой задаче. Сейчас речь идет в основном об ad-hoc моделировании, поэтому долгое и кропотливое создание идеальной модели вряд ли можно считать оправданным.

В идеале, конечно, построение качественной прогнозной модели требует времени, а также глубокого понимания особенностей своего продукта, что достигается кропотливой исследовательской работой. Тогда с наступлением так называемой ситуации неопределённости модифицировать модель будет относительно несложно. С другой стороны, может оказаться и так, что как бы ни была качественна и устойчива модель, в новых условиях она просто не будет работать, поэтому не стоит бояться менять устоявшиеся подходы и переделывать даже хорошо зарекомендовавшие себя ранее модели. 

Важно не забывать, что в кризисные периоды главным критерием модели становится ее простота и интерпретируемость. Тем более, что любая ситуация неопределенности рано или поздно стабилизируется, и тогда можно будет вернуться к старым моделям.

Прогнозирование продаж в Excel не сложно составить при наличии всех необходимых финансовых показателей.

В данном примере будем использовать линейный тренд для составления прогноза по продажам на бушующие периоды с учетом сезонности.

Линейный тренд хорошо подходит для формирования плана по продажам для развивающегося предприятия.

Excel – это лучший в мире универсальный аналитический инструмент, который позволяет не только обрабатывать статистические данные, но и составлять прогнозы с высокой точностью. Для того чтобы оценить некоторые возможности Excel в области прогнозирования продаж, разберем практический пример.

Пример прогнозирования продаж в Excel

Рассчитаем прогноз по продажам с учетом роста и сезонности. Проанализируем продажи за 12 месяцев предыдущего года и построим прогноз на 3 месяца следующего года с помощью линейного тренда. Каждый месяц это для нашего прогноза 1 период (y).

Уравнение линейного тренда:

y = bx + a

• y — объемы продаж;
• x — номер периода;
• a — точка пересечения с осью y на графике (минимальный порог);
• b — увеличение последующих значений временного ряда.

Допустим у нас имеются следующие статистические данные по продажам за прошлый год.

1. Рассчитаем значение линейного тренда. Определим коэффициенты уравнения y = bx + a. В ячейке D15 Используем функцию ЛИНЕЙН:



2. Выделяем ячейку с формулой D15 и соседнюю, правую, ячейку E15 так чтобы активной оставалась D15. Нажимаем кнопку F2. Затем Ctrl + Shift + Enter (чтобы ввести массив функций для обеих ячеек). Таким образом получаем сразу 2 значения коефициентов для (a) и (b).



3. Рассчитаем для каждого периода у-значение линейного тренда. Для этого в известное уравнение подставим рассчитанные коэффициенты (х – номер периода).



4. Чтобы определить коэффициенты сезонности, сначала найдем отклонение фактических данных от значений тренда («продажи за год» / «линейный тренд»).



5. Рассчитаем средние продажи за год. С помощью формулы СРЗНАЧ.



6. Определим индекс сезонности для каждого месяца (отношение продаж месяца к средней величине). Фактически нужно каждый объем продаж за месяц разделить на средний объем продаж за год.



7. В ячейке H2 найдем общий индекс сезонности через функцию: =СРЗНАЧ(G2:G13).
8. Спрогнозируем продажи, учитывая рост объема и сезонность. На 3 месяца вперед. Продлеваем номера периодов временного ряда на 3 значения в столбце I:



9. Рассчитаем значения тренда для будущих периодов: изменим в уравнении линейной функции значение х. Для этого можно просто скопировать формулу из D2 в J2, J3, J4.
10. На основе полученных данных составляем прогноз по продажам на следующие 3 месяца (следующего года) с учетом сезонности:

Общая картина составленного прогноза выглядит следующим образом:

График прогноза продаж:

График сезонности:

Алгоритм анализа временного ряда и прогнозирования

Алгоритм анализа временного ряда для прогнозирования продаж в Excel можно построить в три шага:

1. Выделяем трендовую составляющую, используя функцию регрессии.
2. Определяем сезонную составляющую в виде коэффициентов.
3. Вычисляем прогнозные значения на определенный период.

Нужно понимать, что точный прогноз возможен только при индивидуализации модели прогнозирования. Ведь разные временные ряды имеют разные характеристики.

• бланк прогноза деятельности предприятия

Чтобы посмотреть общую картину с графиками выше описанного прогноза рекомендуем скачать данный пример:

Когда мы запускали Oko и планировали первые результаты, в шутку спросили маркетолога: готов ли он назвать конкретные цифры продаж? Никита назвал цифру и дату. Точность его предсказания составила 91%. «Внук Ванги или внебрачный сын Кашпировского?», – подумали мы. Но оказалось, что коллега заранее просчитал прогноз плана продаж. Вот что он нам рассказал.

Зачем планировать продажи

Чтобы поставить цели. Если по уму, то прогнозирование продаж — это часть грамотно составленного бизнес-плана. Мы как бы планируем в прогнозе цифру, к которой должны прийти через определенный промежуток времени. Например, через год. А от нее уже отталкиваемся при постановке задачи отделу продаж, планировании премий и бонусов, распределении квартальных и месячных показателей.

Чтобы планировать ресурсы и мощности. Компания увидит, сколько сможет закрыть продаж и сколько получится заработать. Эти данные помогут спланировать закупки, потребности в персонале, производственных и складских мощностях.

Чтобы управлять скидками и запасами. Планирование продаж помогает рационально управлять остатками и расходовать ресурсы предприятия на определенном этапе. С помощью планирования мы можем избежать дефицита или переизбытка продукции на складе. Компания будет располагать запасами, достаточными для выполнения плана. Ни больше, ни меньше.

Чтобы спрогнозировать спад. Продажи могут проседать. Например, из-за сезонного падения спроса или ожидаемого кризиса на рынке. В плане продаж это можно предусмотреть. Бизнес станет мобильнее, предпримет необходимые меры для смягчения удара и сможет остаться на плаву в момент спада. Предупрежден, значит, вооружен.

Чтобы оптимизировать расходы. План покажет, сколько потратим на производство или поставку продукции. Мы сможем спланировать бюджет и заранее увидим, где тратим больше, чем хотелось бы. Если план не будет выполнен, эти расходы первыми попадут под нож.

Чем план продаж отличается от прогноза

Прогноз продаж — это предположение. У нас есть гипотеза, что в перспективе определенных рыночных условий мы реализуем какой-то объем товара. Мы проанализировали нишу, рынок, спрос, конкурентов, другие факторы и сделали предположение. Прогноз — еще незадача для отдела продаж. Он строится на результатах анализа и ложится в основу плана продаж.

План продаж — это задача. Мы учитываем результаты анализа, смотрим на показатели прошлых периодов и ставим цель. В основе плана продаж лежат: планирование сбытовых мероприятий, маркетинговых акций, рекламы. Мы сможем составить маркетинговый бюджет, распределить ресурсы, проконтролировать конкуренцию, потребности, определиться с поставщиками, объемами закупок товара, прогнозировать финансовые потоки.

3 метода прогнозирования продаж

Метод экспертных оценок

Субъективный метод: собираются эксперты, анализируют рынок, прилагают собственный опыт и дают оценки ситуации, выдвигают гипотезы. Эксперты могут быть внутренними и внешними. Внутренние — это сотрудники и партнеры компании. Внешние — бизнес-консультанты, аналитики, эксперты рынка.

Когда использовать. При отсутствии адекватной статистики. Например, если выводим новый продукт на рынок или в запускаем новое предприятие.

Особенности. Качество прогноза сильно привязано к компетентности экспертов. Иногда прогнозирование превращается в гадание — когда в основу прогноза ложится единственное верное мнение собственника или инвестора. Чтобы не гадать, прогноз строят на коллективных оценках внутренних и внешних экспертов.

Пример. Предприятие проводит «мозговой штурм». Приглашаем руководителей отдела продаж и логистики, маркетолога и бизнес-эксперта со стороны. Каждый озвучивает свои показатели и оценки, показывает графики и делает предположения. На основе общих идей формируется единая картина и делается прогноз на заданный период.

Метод прогнозирования временных рядов

Объективный метод: берем данные за несколько прошлых лет, делаем помесячную разбивку и строим для каждого года графики. Проще всего получить данные для построения графика, если вы внедрили OkoCRM. Система выгрузит сведения о продажах в виде таблицы за любой период. Собираем графики вместе и наблюдаем общий тренд, видим пики и спады. Учитывая текущую рыночную ситуацию, можем спроецировать кривую на будущий период.

Когда использовать. Лучший метод для предприятия, у которого есть подробная статистика по продажам за прошлые несколько лет. Работает при условии стабильности в нише и отсутствии сильных колебаний.

Особенности. Прогноз требует корректировки с учетом позиции экспертов и сильно зависит от текущей ситуации. Если рынок в яме, предложение сильно превысило спрос или просел рубль, а у нас импортная продукция, кривая прошлых периодов перестанет быть релевантной. Тогда мы будем опираться на мнение экспертов и кризис-менеджмент. А еще будет использовать в дополнение каузальный метод прогнозирования.

Пример. Предприятие собрало статистику продаж за 2018-2020 годы, построило график и увидело общие тренды. 3 года подряд с января по март мы наблюдаем рост спроса, в апреле — сильный сезонный спад, а в июне — возвращение к нормальным показателям продаж. Если в 2021 году на рынке не будет кризиса, мы увидим похожую ситуацию. Учитывая плановый рост показателей, мы можем прогнозировать продажи в 2021 году.

Каузальный метод

Дополнительный метод: проецируем на прогнозируемую кривую продаж независимые от нас факторы. Например, доходы потребителей, демпинг со стороны конкурентов, провалы рекламной кампании и прочие факторы, которые определяют поведение нашей аудитории. Учитывая существующие факторы и прогнозы конъюнктуры, мы выдвинем гипотезу на будущий период.

Когда использовать. В дополнение к методу прогнозирования временных рядов, когда на уровень продаж могут влиять иные объективные факторы, кроме спроса и предложения.

Особенности. Повышает объективность прогноза с учетом прямых и косвенных рыночных факторов. Требует аудита всех учитываемых показателей и их связи с реакцией на спрос. Часто требует привлечения внешних экспертов и проведения глубокой аналитики.

Пример. Предприятие реализует строительные материалы. В прошлые периоды наблюдался рост продаж. Но из-за падения рубля эксперты рынка прогнозируют падение объемов строительства на будущий год в пределах 20%. Это первый фактов. Второй — рекламная кампания. Предприятие знает, что увеличение рекламного бюджета на 10% дает 5% прироста в продажах. Третий фактор — открытие поблизости крупного гипермаркета строительных материалов — ожидается 15% оттока клиентов. Предприятие определит уровень значимости каждого фактора и составит многоуровневое уравнение плана продаж.

Для получения объективных цифр бизнес сочетает методы прогноза. Они лучше всего работают в краткосрочной перспективе. Это вызвано сильной привязкой динамики экономических факторов к политической ситуации. Предсказать ее может только гадалка.

Как составить план продаж

План продаж — это не табличка с цифрами, а полноценный документ бизнес-планирования, в котором зафиксирована стратегия, цели и инструменты их достижения. У него нет универсальной структуры. Зато есть понимание того, что он точно должен содержать.

1. Анализ результатов за предыдущие периоды

Берем помесячную разбивку с данными продаж за прошлые периоды. Идеально, если она есть за 2–3 предыдущих года. Анализируем, строим графики и смотрим на тенденции. Мы должны ответить на вопросы:

• Сколько новых клиентов приходят к нам ежегодно?
• Сколько людей мы ежегодно теряем?
• Сколько продаж приходится на одного клиента?
• В какие месяцы мы делаем больше всего продаж, а в какие меньше всего?
• Сколько единиц продукта вы продаете в год/в месяц по каждому рыночному сегменту?

Тут же нам нужно определить эластичность спроса, чтобы понять зависимость продаж от колебаний цены. Нам важно понять: какие клиенты купили больше, какие меньше и с чем это связано.

Тут же мы можем определить наиболее перспективные товары для реализации. Для этого считаем 2 показателя: валовую прибыль и коэффициент валовой маржи. Для их расчета есть специальный калькулятор. Или используйте формулы:

Так мы узнаем, какую выручку получим с одного доллара. Например, если коэффициент 20%, то с 1 у.е. наш доход составит 20%, а остальное расходуется на производство. Зная эти показатели для каждого продукта, мы сможем определить, что нам выгоднее всего продавать. Анализировать это удобнее всего в табличке.

Чем выше коэффициент валовой маржи, тем выгоднее предприятию реализации товара

2. Анализ трендов рынка

На этом этапе изучаем текущие тренды рынка и их влияние на продажи. В этом помогут отраслевые интернет- и печатные издания, данные рейтинговых агентств, аналитические обзоры, прочая отраслевая литература. Для анализа трендов хорошо бы иметь в штате собственного аналитика или привлечь его со стороны.

Что учитывать:

• экономическое положение на рынке и в нише
• политические риски
• колебания на финансовых рынках
• выход на рынок крупного игрока
• демпинг со стороны конкурентов
• финансовое положение целевой аудитории
• темпы роста рынка и пр.

Лайфхак. Чтобы увидеть текущие тенденции в интернет-продажах, мы используем Яндекс.Вордстат. Задаем в поисковой строке название продукта который продаем, выбираем опцию «история запросов» и получаем график. В нем отражается общий тренд — насколько активно люди спрашивают у Яндекса про наш товар. Если мы видим спад активности — продажи будут падать.

График вордстата показывает — спрос на наш продукт падает. Значит, чтобы планировать повышение продаж нам необходимо предпринимать меры — в обычных условиях клиенты будут уходить. Чтобы удержать поток клиентов, мы будем планировать маркетинговые акции, снижать стоимость продукции и отбивать аудиторию у конкурентов

3. Учет сезонности

Почти в каждой товарной нише есть сезонные провалы. Например, в нише строительных материалов, это зимние и летние спады, в цветочном бизнесе — январь и летние месяцы, а в кондитерке — с июня по сентябрь. Сезонные спады наглядно покажет нам график прошлых периодов. А если его нет, можем учитывать те же графики Яндекса.

График Вордстата по запросу «купить строительные материалы». Видим, что рост спроса наблюдается с начала года и до мая, а потом спад. К сентябрю спрос восстанавливается, и держится до мая. И опять на спад

По уму нам нужно высчитать коэффициент сезонности — чтобы учитывать при планировании. Допустим, что мы продаем газонокосилки. В апреле 2020 года мы продали 100 единиц, а в июне — уже 189. В апреле 2021 года наш показатель достиг 125 единиц газонокосилок. Имея эти данные, можем подсчитать коэффициент сезонности и спрогнозировать продажи на июнь 2021 года:

189 ÷ 100 = 1,89 — коэффициент сезонности

1,89 х 125 = 236 газонокосилок — прогноз продаж на июнь

4. Ценовая политика

В этом разделе фиксируют цены на продукции и акции, которые будут проводить в течение планового периода. Что мы собираемся делать, чтобы привлечь новых клиентов и какая будет связь с реализацией продукции? Зафиксируйте это в таблице — сможете более точно спрогнозировать продажи с поправкой на маркетинг.

Повышение цены ожидаемо приведет к сокращению спроса, а маркетинговые акции — к увеличению продаж. Зная реакцию потребителей на изменения в ценовой политике можем более точно прогнозировать продажи на будущие периоды

5. Минимальные требования к продажам

Это объем выручки, при котором валовая прибыль сможет покрыть постоянные расходы, а предприятие достигнет показателя целевой прибыли. Показатель считается по простой формуле ниже. Еще мы нашли в интернете специальный калькулятор.

Допустим, мы ежемесячно тратим на производство одного продукта 50 000 долларов. Целевая прибыль — 60 000 долларов. Коэффициент валовой маржи по продукту — 40%. Чтобы получить такой доход, нам необходимо делать продажи на сумму не меньше:

(50 000 + 60 000) ÷ 40% = 200 000 долларов

6. План продаж

Учитывая изложенную. выше информацию, делаем прогноз продаж на будущий целевой период. Лучше, если этот период будет краткосрочным — в пределах года. Идеально, если вам удастся сделать помесячную и поквартальную разбивку целевых показателей или даже разбивку по дням. В разрезе номенклатуры товаров, с учетом спроса на товары конкретных размеров, комплектации, цвета и прочих параметров, правильнее всего строить план продаж с учетом нормативов распределения. Например, вот так.

Планируем продажи товаров из категории «женская спортивная одежда». В наших планах продать 10 000 позиций из этой категории. При составлении плана продаж мы учитываем распределение спроса по трем параметрам: размеру, цвету и составу полотна. Задаем нормативы распределения в процентах и раскладываем общую сумму продаж по категории

7. Бюджет отдела продаж

Напоследок зафиксируйте расходы, которые компания понесет для выполнения прогноза плана продаж. Обычно в этом разделе фиксируют:

• зарплату, бонусы, процент менеджера с продаж
• обучение персонала
• софт и другие рабочие инструменты
• призы за победу в соревнованиях продажников
• тимбилдинг

5 типичных ошибок прогнозирования продаж

Не учитывать план продаж. Самая большая ошибка: составить план и спрятать его в дальний ящик стола. Регулярно сверяйтесь с вашим планом и вносите в него изменения по мере того, как будет меняться ситуация. Если показатели меняются, а план не выполняется — это нормально, есть над чем подумать и где искать ошибки.

Не составлять план продаж. Бывает, собрались на совещание и руководитель говорит: все, на следующий год нужно +20% продаж. Руки в руки, записали в блокнотики и бегом выполнять. Так планирование не работает. Цифры, взятые из головы, объективно невозможно выполнить. Каким бы авторитетом не обладал руководитель.

Использовать только один метод прогнозирования. Был случай: пригласили бизнес-аналитика с именем, он убедительно все рассказал и подытожил — в этом году будет рост на 30%. Мы взяли показатели прошлого года, приплюсовали 30% и все — план готов. Как-то позабыли, что до этого прироста больше 7% в год не было.

Менеджеры потели и кряхтели, но ни в одном месяце 30% прироста не получили. А потом мы поняли: 30% рост — это показатель рынка. Нам, при текущей динамике можно было рассчитывать только на 9,1% (30% от 7-процентного ежегодного роста). Ошибка была в том, что мы не учли своих же показателей в прогнозе. Вывод: дураки учатся на своих ошибках.

Забыть про набор факторов. Прелесть каузального метода прогнозирования в том, что повышает объективность оценок. Но при его использовании важно учитывать все факторы, которые влияют на продажи. Если занизить влияние факторов или отнестись к ним упрощенно, получим необъективные показатели — прогнозы будут сильно неточными.

Строить план на догадках. План продаж — это точные цифры и графики. Конечно, когда привлекаешь экспертов, ждешь объективных оценок и четких инструкций. Они могут быть только при наличии четкой статистики. Получить исчерпывающие данные поможет статистика в OkoCRM. Вы сможете в два клика сформировать график продаж за прошлые периоды с разбивкой по товарам, размерам и даже менеджерам. Без такой статистики план продаж будет строится на догадках.

Коротко: как прогнозировать продажи

1. Учитывать показатели прошлых лет: выгрузить статистику из OkoCRM, построить графики продаж и спроецировать их на будущие периоды
2. Проанализировать тренды рынка: оценить текущую экономическую ситуацию, поведение конкурентов, динамику и эластичность спроса с учетом сезонности. Если необходимо — пригласить экспертов и аналитиков
3. Составить ценовую политику: запланировать рост или падение цены, маркетинговые акции и определить их связь с реакцией потребителей и продажами
4. Рассчитать минимальные требования к продажам: определить сумму выручки, которая минимально необходимо для покрытия издержек и получение целевого дохода
5. Построить план продаж: учитывая все факторы и советы, прогнозировать целевые показатели по продажам на будущие периоды. Сделать разбивку по периодам, группам товаров, отдельным наименованиям в номенклатур и даже по размерной сетке
6. Постоянно сверятся и корректировать план продаж с учетом текущей ситуации. Никогда не откладывать план в дальний ящик. Поощрять менеджеров за выполнение и перевыполнение плана