Модель продаж в excel

Финансовое моделирование в EXCEL онлайн-продаж

Как уже ранее было описано на одной из страниц раздела «управление предприятием» нашего сайта, бюджет продаж формируется на основе
совместного видения коммерческого и маркетингового подразделений в части реальных возможностей предприятия продать продукцию
(товары, работы, услуги) в определенных объемах, в заданных регионах, по необходимым для успешного развития компании ценам и т.п.

В данном случае торговые интернет-компании или онлайн ритейл в целом не исключение – если так можно выразиться,
то «борьба» между коммерсантами и маркетологами в сфере планирования и прогнозирования онлайн продаж бывает такой же
«беспощадной» и «жесткой», как и в классической розничной торговле. Коммерсанты, как обычно, обвиняют маркетологов
в недостаточности траффика. Маркетологи в свою очередь обвиняют коммерсантов в «неправильном» товарном ассортименте и неверной
ценовой политике с поставщиками, что приводит к низкой конверсии. Ну и ко всему прочему – как всегда, мало денег выделяется на
рекламные кампании и маркетинговые акции, а у коммерсантов – это плохая мотивационная политика.

Мы же на этой странице предлагаем читателю, с одной стороны, скачать достаточно простую для понимания финансовую модель
операционного процесса онлайн ритейла – простую по отношению к выложенной на предыдущей странице универсальной операционной
финмодели розничной интернет торговли, которая позволяет произвести сценарный анализ плана продаж и выбрать итоговый бюджет продаж,
учитывающий как маркетинговое видение, так и видение коммерческих подразделений. С другой стороны, в процессе описания методологии
указанной финансовой модели, как мы надеемся, читателю станет понятна глубина проблематики процессов управления корпоративными знаниями
и в частности важность вопросов формирования корпоративных баз знаний.

Также еще раз отметим то, что операционная финмодель продаж в онлайн ритейле представляет интерес не только для специалистов
и менеджеров торговых интернет-компаний в виду своей универсальности, связанной со специфичностью структуры фулфилмента,
и поэтому мы ее используем для наглядного примера здесь в разделе «управление знаниями».

Итак, выкладываем для скачивания финансовую модель операционного процесса онлайн ритейла в виде EXCEL-файла,
позволяющую производить анализ сценариев продаж коммерческого департамента, сравнивать эти сценарии со сценарием
маркетингового подразделения и выбирать итоговый сценарий бюджета продаж на основе выбора значений ключевых операционных и
финансовых показателей эффективности продаж базовой системы KPI, таких как:

— средняя стоимость закупки одного товара у Поставщиков;

— среднее количество товаров в одном клиентском заказе;

— маржинальность продаж;

— процент выручки, направляемый на закупку товаров (реинвестирование);

— финансовый фулфилмент;

— период оборачиваемости доплат Поставщикам товаров.

СКАЧАТЬ


Операционная финмодель выбора сценария продаж для онлайн ритейла

Для удобства изложения и лучшего понимания выложенной итоговой финансовой модели мы ее (итоговую финмодель) разделили на четыре
базовых блока, каждый из которых в свою очередь также является обособленной операционной моделью, представленной в виде
отдельного EXCEL-файла, и которую можно использовать на практике. Если кратко, то функционально эти финмодели представляют
из себя следующее.

Первая базовая модель – это финмодель, предназначенная для расчета финансового плана продаж коммерческим подразделением,
отталкиваясь от заданного объема товарных запасов на начало бюджетного года, как начального капитала, и заданных параметров
периодов операционной и финансовой оборачиваемости. Данная финансовая модель представлена в виде EXCEL-файла с расчетом
кассовых разрывов и необходимых объемов их кредитования в виде овердрафта.

СКАЧАТЬ


Базовая финмодель планирования продаж коммерческими подразделениями интернет-компаний розничной торговли

Следующая базовая финансовая модель дополняет предыдущую тем, что бюджет продаж рассчитывается не только в деньгах,
но и в количестве заказов и товаров, путем задания средней цены закупаемых товаров у поставщиков и среднего количества товаров
в одном клиентском заказе, а также путем задания операционного фулфилмента в дополнение к уже заданному в предыдущей финмодели
финансовому фулфилменту.

СКАЧАТЬ


Базовая операционная финмодель формирования бюджета продаж коммерческими подразделениями онлайн ритейла

Третья операционная финмодель для нужд коммерческого подразделения в части формирования бюджета продаж позволяет наравне
с базовым сценарием плана продаж рассчитать еще два сценария продаж путем внесения изменений в целевые значения таких ключевых
показателей эффективности системы KPI коммерческой деятельности, как средний чек, маржа, уровень реинвестирования выручки в закупки,
финансовый фулфилмент и оборачиваемость кредиторской задолженности. В EXCEL-файле с этой финансовой моделью пользователь также сможет
произвести автоматическое сравнение сценариев по любому показателю системы KPI из выпадающего списка.

СКАЧАТЬ


Финмодель со сценарным анализом планов продаж коммерческого департамента компаний розничной онлайн торговли

Наконец последняя в этой линейке моделей, четвертая базовая финансовая модель позволяет произвести расчет прогноза валового
оборота клиентских заказов, или сформировать, так называемый, маркетинговый бюджет GMV (Gross Merchandise Value – подробнее см.
здесь), отталкиваясь от задания параметров
интернет-траффика, конверсии и возвращаемости клиентов для различных каналов онлайн маркетинга – SEO (поисковая оптимизация),
Paid Traffic (каналы платного траффика), CRM (управление взаимодействием с существующими клиентами).
Естественно здесь производится расчет бюджета маркетинговых расходов и вычисляются затраты на один Gross-заказ
(созданный на сайте компании клиентский заказ), так называемое, «маркетинговое CPO».

СКАЧАТЬ


Базовая операционная финмодель формирования бюджета GMV маркетинговыми подразделениями онлайн ритейла

Все выше представленные EXCEL-файлы для скачивания являются заполненными финансовыми моделями для удобства подробного
изложения их методологий. В точности такие же финансовые модели, но только без заполнения исходных параметров и условий,
мы выложили для скачивания в виде EXCEL-файлов в конце данной страницы.

Подробное же описание финмоделей мы начнем с последней, а именно с базовой маркетинговой операционной модели формирования плана
общего оборота интернет-магазина, поскольку маркетинговой специфики продаж мы еще не касались, а она, как ни странно, является наиболее
фундаментальной для понимания основ ритейла.

С точки зрения онлайн маркетинга или маркетинговых подразделений торговых компаний, занимающихся онлайн ритейлом,
под словом «продажа» чаще всего понимается не классическая продажа, как переход права собственности на проданный товар
от торговой компании к клиенту, а совсем иное действие, не носящее никакого строгого юридического наполнения,
в виде формирования заказа на покупку того или иного товара (тех или иных товаров) на сайте компании. Лишь только часть
от общего объема, выраженного в деньгах, таких заказов (GMV) оборачивается в реальные продажи и соответственно в денежную выручку –
эта часть выраженная в процентах к обороту GMV, как раз таки и называется финансовым фулфилментом.

Сразу зафиксируем то, что маркетологи не отвечают за величину фулфилмента, поэтому в онлайн ритейле маркетинговый
«бюджет продаж» на самом деле является прогнозом клиентского спроса (Gross Demand) в виде созданных на сайте заказов.

За формированием спроса стоят люди, которые в рамках маркетинговой концепции становятся клиентами онлайн магазина в тот момент,
когда сформировали заказ на сайте этого магазина, причем не обязательно, что они выкупят заказанные товары.
Осюда мы получаем прямую аналогию с классической розничной торговлей: маркетинговый бюджет продаж (бюджет GMV) является
произведением прогнозного траффика на прогнозную конверсию и на планируемый средний чек заказа. Где под траффиком понимаются визиты
людей на сайт онлайн магазина в пространстве Интернета, а под конверсией – доля визитов, которые завершаются оформлением заказа на покупку товаров.

Таким образом, если говорить совсем просто, то маркетолог должен предоставить прогнозный расчет траффика и конверсии под
заданную величину планового среднего чека и конечно же сколько это будет стоить для компании.

Чуть ниже, в конце описания финмодели маркетингового подхода к расчету GMV через онлайн каналы привлечения траффика,
представлен формат маркетингового бюджета в виде табличного отчета, который в EXCEL-файле находится во вкладке «Mrkt_Report».

Наша маркетинговая финансовая модель начинается с предоставления пользователю возможности задания
«руками» (строка «11» вкладки «Mrkt»
EXCEL-файла финмодели) для каждого месяца
бюджетного года планового базового уровня величины среднего чека (средней стоимости одного клиентского заказа – AOV),
относительно которого предполагается расчет базового маркетингового сценария оборотов GMV. Учет зависимости уровней
конверсии траффика в клиентские заказы от величины среднего чека будет реализован в рамках итоговой финмодели,
здесь же мы обращаем внимание читателя на то, что базовая модель по сути предполагает понимание маркетолога об
уровнях конверсии по отношению к некоторым исходным значениям среднего чека, которые, например,
возникают из статистической обработки факта прошлых периодов.

Далее в случае если у компании уже имеется некоторая предыстория, связанная с формированием базы активных клиентов,
то в ячейке «I13» можно задать начальное для бюджетного года количество действующих клиентов.
Если это, например, стартап, то в эту ячейку просто ставится нуль.

Далее в финмодели, в строке «17», необходимо задать крайне важный показатель – показатель возвращаемости клиентов,
точнее распределение процентов возвращаемости в виде отношения количества заказов для каждого последующего месяца,
которые сформируются клиентами, к общему исходному количеству клиентов. Данный показатель должен отражать возможную
клиентскую активность при условии, что компания не предпринимает специальных действий для возврата клиентов, например,
в виде CRM-коммуникации, т.е. это в некотором смысле своеобразный показатель уровня репутации онлайн ритейлера.
«Работает» данный коэффициент следующим образом:

— применяется коэффициент возвращаемости только к новым клиентам, появившимся за рассматриваемый месяц («нулевой» месяц);

— применение начинается со следующего месяца после рассматриваемого;

— умножая коэффициент (процент) возвращаемости n-ого месяца на количество новых клиентов «нулевого»
(рассматриваемого) месяца, получим количество заказов, которые будут созданы этими клиентами в n-ном месяце.

Применяя к начальному количеству клиентов (у нас в модели это 1000 человек) коэффициенты возвращаемости из строки «17»,
получаем плановое ежемесячное количество заказов в строке «21», которые сформируют указанные клиенты в течение бюджетного
года (без применения CRM-технологии) – всего за год получается 1060 заказов, см. EXCEL-файл. После чего,
умножая соответственно полученные количества Gross-заказов на плановые уровни среднего чека заказов для каждого месяца,
получаем в строке «23» ежемесячное распределение оборотов GMV, которое сгенерируют клиенты из начальной базы – всего
за год в нашем примере планируется получить GMV-оборот на исходной базе активных клиентов в размере чуть более 6-ти млн.руб.

Далее в нашей финансовой модели идут два блока расчетов, относящихся к процессам привлечения новых клиентов через
такие онлайн гиперканалы, как SEO и «Paid Traffic» — поисковая оптимизация сайта интернет-магазина и «покупка посетителей»
сайта путем всевозможной баннерной рекламы, проведения промо-акций и прочих интернет-технологий, например, у Яндекса,
Гугла и других интернет-компаний, генерирующих большой поток посетителей на свои ресурсы.

Отделы, работающие по направлению SEO-оптимизации в рамках маркетинговых подразделений крупных торговых интернет-площадок,
могут содержать немалое количество сотрудников, в том числе внештатных фрилансеров.
Работа подобных отделов связана с формированием контента сайта причем в самом широком понимании – это и написание
«правильного» программного кода сайта, и наполнение сайта текстом, и дизайнерское оформление сайта, и ссылочная масса
на сайт в пространстве Интернета в целом, и разработка различных «фишек», и т.д. Ключевые задачи, которые призваны решать
SEO-специалисты, такие:

— «устранение буфера» в виде поисковых систем (Яндекс, Гугл, …) между потенциальными клиентами и витриной
Вашего интернет-магазина или, что тоже самое, сайтом интернет-магазина, поскольку львиная доля Интернет-аудитории
именно с поисковиков «начинает свой путь» в интернет-магазины;

— создание такого внешнего облика сайта, который позволит удержать посетителя или потенциального покупателя Ваших
товаров и услуг на время большее, чем «миг», после того, как человек кликнет на ссылку Вашего сайта и зайдет на него,
ведь не секрет, что в среднем в течение первых 5-ти секунд современный пользователь Интернета принимает решение о том,
чтобы остаться или уйти со страницы очередного онлайн-ресурса, который предстает у него перед глазами на мониторе или
экране того или иного гаджета;

— наполнение сайта таким содержанием, которое «заставит» человека, однажды посетившего Ваш ресурс,
возможно даже ничего не купив у Вас с первого раза, возвращаться к Вам еще и еще.

Конечно же под «устранением буфера в виде поисковых систем» мы имеем ввиду деятельность, направленную на то,
чтобы сайт онлайн ритейлера попадал на первую страницу или оказывался среди первых 10-ти мест в поисковой выдаче
по ключевому набору слов и словосочетаний, связанным с продаваемой продукцией на сайте. Эта работа не тривиальная,
поскольку, с одной стороны, необходимо понимать специфику текущих алгоритмов ранжирования сайтов роботами Яндекса и
Гугла, а с другой – уметь выигрывать в конкурентной борьбе за первые места в поисковых выдачах, создавая качественный и
достаточно объемный уникальный контент на сайте интернет-магазина, если только Ваш сайт не продает что-нибудь крайне редкое
и Вы не являетесь монополистом в этом деле.

Очевидно, что успешное решение оставшихся двух задач из перечисленных выше приводит к фактически бесплатному
с точки зрения маркетинга получению новых заказов.

Процесс привлечения платного траффика до неприличия прост и состоит в том, что Вы заключаете договор, например,
с поисковиком или ресурсом, на котором планируете разместить рекламу, сообщаете набор слов под поисковую выдачу,
если это поисковик, или оцениваете целевое количество кликов по баннеру, Вам производят расчет бюджета, так сказать,
маркетингового бюджета, Вы платите, если согласны на выдвинутые условия, и вперед – получаете дорогих клиентов!

Мы еще коснемся подробнее процессов управления маркетинговой деятельностью, а сейчас скажем лишь то, что,
как уже следует из практики накопленного опыта в сфере онлайн продаж, чтобы быть эффективным магазином в сфере розничной
интернет торговли необходимо развивать внутрикорпоративный интеллектуальный маркетинг, а для этого как раз и
нужны глубоко структурированные корпоративные базы знаний, ну и конечно же для формирования таких баз знаний нужен
соответствующий персонал.

Да, и еще отметим, что специфика онлайн маркетинга такова, что Вы (в смысле маркетологи Вашей компании)
можете в какой-то момент напрячься или много заплатить, если не хочется напрягаться, и попасть в «десятку» выдачи
того или иного поисковика, но вот оставаться стабильно там (в «десятке») – это совсем не простая задача,
для этого необходимо выстраивать такой процесс управления операционной деятельностью внутри компании,
при котором буквально каждые две-три недели должны генерироваться новые свежие идеи, но это, как мы уже сказали,
будем обсуждать чуть позже.

Возвращаемся к нашей финансовой модели маркетингового бюджета продаж. Задаем в строке «27» во вкладке «Mrkt»
рассматриваемого EXCEL-файла с финмоделью бюджет расходов на SEO-оптимизацию сайта, определяем с исполнителями
цели по ключевым словам, соответствующий целевой траффик (строка «29») в виде количества визитов сайта потенциальными
клиентами, конверсию в уникальных клиентов (строка «31») и прогнозное количество заказов (строка «35»), приходящихся
на одного уникального клиента, в результате получаем расчет планового количества заказов (строка «37»), генерируемого
SEO-каналом, SEO-конверсию (строка «39»).

В строке «41» делим бюджет маркетинговых расходов по направлению SEO-оптимизации на количество заказов,
сформирующихся по этому каналу, и получаем один из важнейших показателей эффективности деятельности онлайн маркетинга:

CPO – Cost per Order – затраты на один заказ,

в данном случае в рамках SEO-канала привлечения клиентов.

Умножая количество SEO-заказов на средний чек из строки «11» и деля на тысячу, получаем валовой оборот GMV в
тысячах рублей SEO-канала нашей интернет-компании.

Аналогичным образом производим расчеты для каналов платного траффика (Paid Traffic) –
это строки с 45-ой по 66-ую нашей операционной модели онлайн маркетинга.

Ключевым достоинством описанных выше каналов онлайн привлечения траффика, очевидно является приток новых клиентов,
которые формируют базу данных клиентов торговой интернет-площадки.

В случае если у компании хорошая репутация: заявленный товар на сайте действительно всегда есть в наличии,
сотрудники колл-центра не хамят, логистика доставляет заказы вовремя, доставленный товар не поврежден и т.д.
Тогда у такой интернет-компании потенциально может быть достаточно высокий уровень возвращаемости клиентов,
который в нашей финмодели задается в строке «17» и применяя который мы получаем, так сказать, «бесплатную»
генерацию заказов текущей клиентской базой, что отражено в строке «79».

Помимо того, что хорошая репутация положительно влияет на уровень возвращаемости клиентов, торговые компании также
развивают системы активного взаимодействия с клиентами с целью предложить клиенту еще что-нибудь купить или воспользоваться
какой-либо дополнительной услугой. По старинке в классической розничной торговле такой процесс, например, происходит через
обзвон клиентской базы.

В онлайн ритейле взаимодействие осуществляется через рассылки писем с предложениями для клиентов на электронную почту,
рассылки коротких рекламных СМС-сообщений на мобильные телефоны клиентов и т.д., для чего IT-компании разрабатывают и
продают интернет магазинам соответствующее программное обеспечение, которое принято называть CRM – Customer Relationship Management –
Управление взаимодействием с клиентами.

Проблемой здесь является тот факт, что не всегда можно идентифицировать клиентов и быть уверенным,
что информация о клиенте достоверна, поскольку при регистрации на сайтах интернет-компаний один и тот же человек может
зарегистрироваться несколько раз под разными именами, разными аккаунтами и различной контактной информацией.
Поэтому обычно, когда речь идет о клиентских базах интернет-магазинов, то имеются ввиду базы аккаунтов.
Короче говоря, эта сфера бурно развивается и мужчине, который заказал в интернет-магазине туфли, на следующий день
может прийти на почту предложение купить ремень для брюк, а женщине, которая произвела большое количество покупок
и редко отменяла заказы, может прийти СМС-уведомление о предоставлении ей индивидуальных скидок на те или иные
категории товаров при будущих заказах. Формируются системы управления лояльностью клиентов, формируются блэк-листы «плохих»,
ненадежных клиентов, позволяющих, например, экономить на уменьшении числа отмен заказов при доставке и т.п. – все это CRM!

В нашей финансовой модели расчеты оборота заказов по CRM-каналу аналогично системе расчетов оборота по SEO-каналу
и каналу Paid Traffic представлены в строках с 83-ей по 96-ую и являются завершающими при формировании базовой операционной
финмодели маркетингового видения бюджета онлайн продаж, ну, или на самом деле, как мы отмечали, бюджета GMV.

Во вкладке «Mrkt_Report» рассматриваемого EXCEL-файла с маркетинговой финмоделью представлен автоматически
формирующийся сводный отчет маркетингового бюджета онлайн ритейла, формат которого мы предлагаем для ознакомления Вашему вниманию:

Наконец обратим внимание на то, что данная финмодель является базовой, т.е. при желании, а на самом деле при серьезном подходе внутри
компании это необходимо делать, ее можно углублять с точки зрения детализации факторов влияющих на объемы траффика и уровень конверсии.

Например, для SEO-оптимизации можно траффик представлять, как произведение количества ключевых слов, ранжированных по
степени частотности в поисковиках, на соответствующие объемы траффика, которые они будут генерировать – это позволит также,
например, точнее рассчитывать маркетинговый бюджет SEO-канала, поскольку специалист за продвижение сайта в ТОП-10 по словам
большей частотности возьмет с Вас больше денег.

Для канала Paid Traffic желательно включать в модель системы расчета тех или иных поисковых систем,
с которыми можно ознакомиться на одноименных сайтах этих поисковиков, ну и конечно же ранжировать по ним этот
маркетинговый онлайн канал, ведь он по факту является самым затратным интернет-магазина, а значит контролировать
расходы на него необходимо крайне тщательно.

Для CRM-систем желательно включать в расчеты маркетинговой финмодели зависимость конверсии CRM-канала от величины
предлагаемых в рассылках скидок по акциям, а также, если в компании разработана система управления клиентской лояльностью,
то естественно включать учет ее параметров в финансовую модель бюджета маркетинга.

При желании Вы можете все эти дополнения заказать у нас, и мы оперативно разработаем для Вас соответствующую
потребностям Вашей компании маркетинговую модель.

Бюджет продаж, формируемый коммерческими подразделениями онлайн ритейлеров, в случае, когда по бюджетному
регламенту бюджет GMV находится полностью в ответственности маркетинговых подразделений, просто равен произведению
маркетингового прогноза GMV на уровень целевого финансового фулфилмента FinFF. После чего коммерсанты отвечают за
корректное наполнение этого бюджета или, что тоже самое за его детализацию, например, по товарным категориям.

Если же руководство торговой интернет-компании стремится получить всесторонний анализ прогноза продаж,
тогда коммерческим подразделениям предлагается независимо представить свою операционную финмодель расчета бюджета продаж,
причем именно продаж, как выручки, а не, как в маркетинге, бюджета общего оборота клиентских заказов GMV.
Такой подход, как мы уже не раз упоминали, позволяет создать внутри компании в операционных подразделениях атмосферу конкуренции и,
тем самым, выйти на утверждение максимально ответственного и всесторонне детализированного с точки зрения корпоративной базы знаний
бюджета доходов. Что в итоге приводит к увеличению эффективности управления продажами и операционной деятельностью в целом.

В нашем случае финансовая модель онлайн продаж «для коммерсантов» розничной интернет-торговли представлена в виде двух EXCEL-файлов,
а именно второго и третьего EXCEL-файлов из приведенного в начале этой страницы списка моделей для скачивания.
Первый из них это EXCEL-файл с финмоделью построения бюджета продаж в финансовом выражении или, проще говоря – в деньгах,
скачать его можно также здесь.

Второй EXCEL-файл – это финмодель с операционным бюджетом продаж, где продажи выражены в количестве заказов и товаров,
отметим что в операционной модели задается принципиально важный ключевой показатель для экономики онлайн ритейла – средняя стоимость
одного заказа (AOV – Average Order Value), причем для созданного заказа средняя стоимость задается, а для одного проданного заказа
средняя стоимость рассчитывается; необходимо и крайне важно понимать, что в интернет-ритейле эти величины различны.
Указанную операционную модель в виде EXCEL-файла можно также скачать
здесь.

Начнем описание финансовой модели построения бюджета продаж в исполнении коммерческого департамента или коммерческой финмодели
бюджета доходов онлайн ритейла.

Часто в крупных компаниях, особенно в тех, где основную долю капитала составляют инвестиционные вложения,
бюджетирование выстраивается по принципу «сверху вниз», и укрупненно бюджет продаж в виде объема выручки, выраженного в деньгах,
задается собственниками/акционерами или инвесторами либо путем декларирования «цифры», либо путем утверждения процента прироста
продаж бюджетного года по отношению к факту предыдущего года. С подробным описанием финмодели такого типа, причем для ритейла вообще,
а не только для онлайн ритейла, можно ознакомиться
здесь.
Также этот принцип заложен в общую операционную финмодель с
предыдущей страницы.

Здесь мы будем двигаться по принципу бюджетирования «снизу вверх» отталкиваясь, от товарных остатков на начало бюджетного периода (года),
воспринимая их, как начальный собственный капитал. Далее, постепенно распродавая эти товарные запасы в течение бюджетного периода,
получаем вырученные денежные средства от продаж и закупаем на них снова товары для перепродажи, которые снова распродаем и т.д.
Если совсем утрированно, то схематично такой подход для классической торговли выглядит так:

— пусть на начало периода у нас в ценах закупки у поставщиков находится в собственности товаров на C₀рублей;

— пусть также мы эти товары продаем через N-ое количество дней (период оборачиваемости продаж) с маржой r процентов,
т.е. выручка за эти N дней составит

C₀ / (1 — r)

— тогда если в момент продажи мы в точности на сумму продажи закупаем опять подобные товары,
то выручка за следующие N дней уже составит

C₀ / (1 — r)²

— и так далее до конца бюджетного года, в результате чего получаем в качестве объема продаж за год следующую
сумму геометрической прогрессии:

∑ _{n=1,…,365(6)/N} C₀ / (1 — r)ⁿ.

Конечно же, на практике так не происходит и в таком виде бюджет продаж никто не рассчитывает, быть может,
за исключением малого бизнеса с однородным набором товаров и соответствующей емкостью рынка, без наличия конкурентов,
что и для малого бизнеса может оказаться реальным только на сравнительно небольшом промежутке времени, который скорее
всего будет существенно меньше года.

Принципиальное же отличие операционной модели онлайн ритейла от классического ритейла состоит в наличии показателя фулфилмента,
который по сути является вероятностью выкупа клиентом оформленного им же на сайте интернет-магазина заказа.
Причем эта вероятность распределена во времени, точнее в рамках периода той части операционного цикла,
которая начинается с момента создания заказа. При этом различают, как минимум, два показателя фулфилмента –
финансовый и операционный.

Приведем пример. Допустим создано два заказа общей стоимостью 100 рублей, где первый заказ стоит 60 руб.,
а второй – 40 руб. Пусть также от второго заказа клиент, создавший его в какой-то момент отказался, а первый заказ
был выкуплен полностью. Тогда финансовый фулфилмент составит 60%, как отношение выкупленных заказов в деньгах (60руб.)
к общей сумме заказов в деньгах (100руб.), а операционный фулфилмент будет равен 90%, как отношение количества выкупленных
заказов к общему количеству созданных заказов. В нашем случае финансовый фулфилмент оказался больше операционного,
что с точки зрения эффективности лучше, чем если бы было наоборот, хотя на практике как раз чаще бывает наоборот.

Таким образом, в нашей финансовой модели расчета (см.
соответствующий EXCEL-файл ,
вкладка «OperFinModelOnlineRetail») бюджета доходов интернет-магазина задаются два принципиальных распределения:

— помесячное распределение попадания товарных остатков в общий оборот GMV заказов, создаваемых клиентами магазина (строка «19»);

— ежедневное распределение продаж (доставки до клиента и выкупа клиентом) той части клиентских заказов, которая статистически
будет выкуплена, т.е. процентное ежедневное распределение финансового фулфилмента или процентное распределение произведения

GMV * FinFF,

которое в нашей финмодели задается в строке «67».

Далее отметим, что в рассмотренной выше схеме увеличения объемов продаж со скоростью геометрической прогрессии
изначально заложен самый главный коммерческий риск, а именно риск того, что на рынке не найдется покупателей на
закупленный предприятием для перепродажи объем товара. Для примера рассмотрим товарный остаток C₀ на начало года
в размере 10млн. руб., предположим, что продавать мы собираемся товары с маржинальностью r на уровне 15% и оборачиваемостью
продаж N, равной 10 дням. Тогда получаем, что в последнюю полную «десятку» дней этого года, в 36-ую «десятку» дней,
нам необходимо будет продать товаров чуть меньше, чем на 3,5 млрд.руб.!!! – Наверное это, мягко говоря, нелепо…

Поэтому мы вводим в нашей базовой операционной финмодели для коммерсантов показатель «регулирования коммерческих рисков»,
назовем его «плановым процентом выручки, направляемым на закупку товаров» или коэффициентом реинвестирования, см. строку «156»
EXCEL-файла с финансовой моделью.

Дело в том, что закупку товара у поставщиков можно производить и не имея денег на счету, расплачиваясь с отсрочкой,
т.е. в договоре с поставщиком может быть указано условие платежа за купленный товар, как 100%-ная оплата через n-ное
количество дней, например, поставщик может работать с Вами на условиях 30-дневной отсрочки платежа. Получается так,
что ритейлер, покупая у такого поставщика товар, может расплатиться с ним (поставщиком) деньгами поступающими от продаж купленного
товара, при условии, что в течение периода отсрочки платежа, ритейлер «успеет» распродать достаточный объем товара,
которого хватит для закрытия соответствующей кредиторской задолженности. Например, в нашем случае, когда мы купили товара
на 10млн.руб., с отсрочкой платежа в 30-ть дней и маржинальностью продаж 15%, достаточным объемом товара, который необходимо
«успеть» распродать за 30-ть дней, очевидно является 85% от изначально закупленного, т.е. 8,5млн.руб.

Но если компания розничной торговли не успевает продать необходимый объем товара, то возникает просроченная кредиторская
задолженность и начинаются понятные проблемы, которые могут решаться, например, дополнительными вливаниями оборотного капитала
от акционеров, инвесторов или просто через банковские кредиты на пополнение оборотных средств. В свою очередь и поставщики
перестраховываются, вводя либо запреты на поставку товара с отсрочкой платежа для ненадежных ритейлеров, переводя последних
на стопроцентную предоплату, либо устанавливая ограничения по объему товара, который может быть куплен той или иной торговой компанией.

В рассматриваемой нами операционной модели онлайн продаж в строке «155» вводится условие на объем закупок по отношению
к текущей выручке, такое что при превышении этого показателя (коэффициента реинвестирования) 100%-тов, в этой строке появляется
«сообщение» красного шрифта «Рискованно!».

В строках «160» и «162» (вкладка «OperFinModelOnlineRetail») финмодель предлагает ввести соответственно целевое
количество дней периода оборачиваемости и плановый процент предоплат поставщикам товаров. Аналогично в строках «164» и «166»
вводятся данные о доплатах поставщикам (строка «166» автоматически рассчитывается, как 100% минус строку «162»).
После чего производится расчет сроков и объемов предоплат, закупки и доплат относительно объема текущей выручки (строка «125»),
умноженного на коэффициент реинвестирования (строка «156»). Причем в случае если в строке «162» встречается нулевое значение,
то это как раз таки означает планирование работы в соответствующем месяце с поставщиками на условиях стопроцентной отсрочки
платежа со сроком отсрочки равным значению из строки «164».

Таким образом, вопрос методологии формирования бюджета закупок нашей финансовой моделью закрыт.

Теперь перейдем непосредственно к вопросу методологии моделирования бюджета продаж онлайн ритейла. Для этого напомним структуру
операционного бизнес-процесса,
приводящего к продажам интернет-магазина.

На «нулевом» шаге необходимо получить плановый объем GMV, который как уже было описано выше можно рассчитать путем маркетинговых
выкладок через траффик и конверсию. С точки зрения коммерческого подхода к формированию бюджета GMV наша финмодель предлагает ввести
данные о ежемесячном распределении процентов первого попадания товара из товарных запасов в клиентские заказы, см. строку «19».
Эти проценты обычно получают либо из статистики факта предыдущих периодов, либо задаются, как целевые значения на бюджетный период,
которые ставятся в качестве целей для коммерческих и маркетинговых подразделений в рамках их систем KPI.

Поскольку бизнес онлайн ритейла высоко чувствителен к ежедневной динамике оформления клиентами заказов с точки
зрения «перекосов» в объемах обрабатываемых заказов операционными подразделениями в разрезе дней недели, мы вводим
в расчеты финансовой модели онлайн продаж строку ежедневного распределения GMV – строка «11». Если Вы готовы пренебречь
этим нюансом, то в строке «11» можно поставить везде «единички», тогда будет предполагаться равномерное ежедневное
распределение формирования клиентских заказов.

На каждом последующем шаге операционного бизнес-процесса торговой интернет-площадки могут происходить отмены
как целиком заказов, так и их частей. Формализация этих действий в рамках финмодели предусмотрена нами путем внесения
пользователем данных о ежедневном распределении процентов отмен GMV в строках «68», «70», «72», «74» и «75» соответственно для

— 1-ого уровня отмен, отмен при подтверждении заказов колл-центром;

— 2-ого уровня отмен, отмен при заборе товаров у VMI-поставщиков (в рассматриваемом нами случае такая схема работы
не предусмотрена и 2-ой уровень отмен нулевой, финмодель с такой схемой представлена на
предыдущей странице);

— 3-его уровня отмен, отмен при собирании товаров в заказы на складе;

— 4-ого уровня отмен, отмен при доставке заказа до клиента;

— 5-ого уровня отмен, отмен при возврате товаров из выкупленного клиентом заказа в течение,
например, срока определенного законом для возможности возврата товара потребителем.

Умножая для каждого дня объем GMV на целевые проценты отмен, мы получим объемы товаров,
которые попадают «обратно в свободный сток» интернет-магазина для последующего очередного
размещения этих товаров на сайте магазина для продажи, см. строку «112».
Добавляем эти товары ко вновь закупленным в рамках бюджета закупок (строка «197») и направляем
в общий оборот GMV, см, строку «205».

В заключение описания второй операционной финмодели из приведенного в начале этой страницы списка отметим,
что, во-первых, модель позволяет рассчитывать бюджет онлайн продаж с учетом скидок или маркетинговой активности,
выраженной в виде последовательной ежемесячной системы скидок, объемы которых можно задать в строке «21».
И, во-вторых, в рамках блока с 224-той по 249-тую строк производится расчет необходимого объема привлечения кредитных
средств в виде овердрафта с годовой процентной ставкой, задающейся в строке «228»,
для покрытия кассовых разрывов финансовой модели.

Формат основных финансовых отчетов, со списком ключевых KPI, представленных во вкладке «KPI_Reports»
описанной выше базовой операционной финмодели интернет продаж коммерческого департамента,
выглядит следующим образом:

Вторая базовая операционная модель онлайн продаж для коммерческих подразделений (напоминаем, что это третья модель из
представленных финмоделей в начале страницы, ее можно скачать также
здесь) включает в себя предыдущую
и дополняется вкладкой «OFMOR_OperFF», где пользователь может задать:

— среднюю стоимость закупки одного товара у поставщиков, см. строку «90»;

— среднее количество товаров в одном клиентском заказе, см. строку «92»;

— корректировку финансового фулфилмента для получения значений операционного фулфилмента,
см. строки с 46-ой по 50-тую.

При этом итоговые операционно-финансовые отчеты финмодели во вкладке «KPI_Reports» дополняются расчетами средних чеков
созданных и проданных/доставленных заказов (Gross AOV и Net AOV), расчетом валовой прибыли на один проданный заказ
(PPO – Profit per Order), а также бюджетом закупок, выраженном в количестве штук товаров. Формат отчетов имеет такой вид;

Сценарный анализ бюджета продаж коммерческого департамента можно провести с использованием операционной модели,
представленной в четвертом по счету
EXCEL-файле из выложенных для скачивания
в начале страницы, во вкладке «scenario_Comm».

Здесь (во вкладке «scenario_Comm») в блоке с 11-той по 24-тую строку пользователю финмодели предоставляется возможность
задания целевых значений шести выделенных в качестве базовых KPI, список которых следующий:

— средняя стоимость закупки одного товара у Поставщиков;

— среднее количество товаров в одном оформленном клиентском заказе;

— маржинальность продаж;

— процент выручки, направляемый на закупку товаров (коэффициент реинвестирования);

— финансовый фулфилмент;

— период оборачиваемости доплат Поставщикам товаров.

Для внесенных вручную пользователем целевых значений указанных в приведенном списке KPI рассчитываются основные
KPI базового сценария операционной финмодели онлайн продаж коммерческого департамента.

После чего в блоках строк с 28-ой по 41-ую и с 57-ой по 70-ую пользователю сценарной модели предлагается задать
приросты для каждого из шести базовых KPI относительно базового сценария бюджета продаж и, тем самым, получить соответственно
еще два сценария (например, пессимистический и оптимистический) плана онлайн продаж, сравнение которых с базовым сценарием можно
произвести в блоке строк с 1-ой по 8-ую, т.е. вверху вкладки «scenario_Comm», по любому из основных KPI бюджета продаж финмодели,
выбирая из выпадающего списка в первой строке, в ячейке «I1», где список основных KPI состоит из нижеследующих одиннадцати
показателей эффективности продаж онлайн ритейла (и не только):

— GMV, валовой объем заказов, в ценах продажи;

— Gross Orders, валовой объем заказов, в количестве заказов;

— Sales, стоимость доставленных и проданных заказов, онлайн продажи;

— Net Orders, количество доставленных и проданных заказов;

— Revenue, валовая выручка;

— Gross Profit, валовая прибыль;

— PPO, валовая прибыль на один проданный заказ;

— CF, финансовый поток по основной деятельности;

— CreditIn, объем поступлений кредитных средств;

— Gross AOV, средний чек созданного заказа;

— Net AOV, средний чек проданного заказа.

Наконец переходим к изложению заключительного параграфа настоящей статьи про онлайн продажи – к описанию операционной
финансовой модели выбора итогового сценария бюджета онлайн продажторговой интернет-площадки, EXCEL-файл которой идет первым
в списке выложенных для скачивания на этой странице (также этот EXCEL-файл с финмоделью можно скачать
здесь).

Данная финмодель является «склейкой» модели маркетингового бюджета GMV и бюджета маркетинговых расходов с операционно-финансовой
моделью выбора сценария плана продаж коммерческих подразделений, о которых речь шла выше. Важным дополнением к этой склейке является
добавление в каждый сценарий коммерческого департамента расчетов соответствующего бюджета маркетинговых расходов,
для чего в качестве начальных данных в блоке исходных маркетинговых показателей финмодели (вкладка «Mrkt»), которые
пользователь может задавать вручную, внесена возможность определить коэффициенты зависимости:

— изменения SEO-конверсии от величины изменения среднего чека (средней стоимости одного заказа), см. строку «43»;

— изменения коверсии каналов платного траффика от изменения среднего чека, см. строку «67»;

— изменения CRM-конверсии от изменения финансового фулфилмента, см. строку «95».

Для чего необходимо вводить в рассмотрение и учет такие маркетинговые зависимости? Дело в том, что для одной и той
же аудитории потребителей товаров в Интернет или, другими словами, для одного и того же типа траффика конверсия снижается
при увеличении среднего чека, поскольку помимо того, что потребитель не хочет, так сказать, «переплачивать»,
еще добавляется такая психологическая составляющая, как комфортный уровень суммы, которую потенциальный клиент готов платить через Интернет.

С другой стороны, например, снижение уровня фулфилмента чаще всего связано со внутренними проблемами интернет-магазина, влияющими
на качество обслуживания клиентов, в результате чего по SEO-каналу возможно и привлекается немалый траффик,
а вот ухудшение репутации работает негативно и, как следствие, конверсия идет вниз. И, наоборот, увеличение фулфилмента,
связанное с повышением качества обслуживания клиентов, может существенно увеличить конверсию.

Работая финансовым директором в одном из крупнейших современных онлайн ритейлеров автору была поставлена задача
выведения интернет-компании в точку безубыточности. Проделав огромную работу по оптимизации операционной деятельности
последовательно на каждом этапе бизнес-процесса компании, расчеты показывали, что завершающим шагом должен стать переход
на несколько более высокий уровень среднего чека, примерно на 10%-15% необходимо было его повысить, путем изменения структуры стока.
Произвели такое повышение в течение двух месяцев – сентября и октября – пытались успеть к выходу в точку безубыточности
в четвертом квартале, чтобы отчитаться перед инвесторами. В точку безубыточности вышли, отчитались прекрасно,
а потом в первом квартале следующего года (хотя на самом деле уже со второй половины декабря начались ростки негативных процессов)
столкнулись с проблемой резкого падения уровня конверсии и стагнацией траффика – поспешили со средним чеком!

Проанализировав произошедшее, стало понятно, что со своими потенциальными клиентами необходимо быть крайне осторожными,
т.е. не делать «резких движений», в результате чего в первом квартале пришлось частично вернуться к предыдущему
уровню среднего чека и потом постепенно в течение чуть более полугодия выводить компанию на более высокий средний чек онлайн заказа,
постоянно работая над удержанием в первую очередь положительной динамики прироста траффика и удержания конверсии путем дальнейшего
улучшения обслуживания клиентов, вводя, например, персональных консультантов, увеличивая скорость доставки, предлагая дополнительные
услуги при формировании и доставке заказов и т.п.

Вернемся к нашей финмодели. С учетом задания представленных зависимостей конверсии от величины среднего чека и уровня фулфилмента
в каждой вкладке типа «OFMOR_OFF_i», где i=0,1,2, сценарных расчетов коммерческих подразделений в блоке строк со 106-той по 150-тую
производится расчет бюджета маркетинговых расчетов, соответствующего своему коммерческому сценарию. А в каждой вкладке типа
«KPI_Reports_i» в блоке строк с 72-ой по 82-ую добавлен сводный отчет маркетингового бюджета для «коммерческих сценариев»
с расчетом показателя ROMI (Return on Marketing Invest – рентабельность маркетинговых вложений), имеющий следующий формат:

Во вкладках «Comm» и «Mrkt» пользователем задаются основные параметры финмодели, во вкладке «scenario_Comm»,
как и ранее, задаются целевые значения базовых KPI для базового сценария коммерсантов и приросты базовых KPI для сценариев 1 и 2.

Вкладка «scenario_choice» служит для выбора итогового сценария бюджета онлайн продаж. Здесь пользователь может выбрать из
выпадающих списков с основными KPI модели продаж (ячейки «C13», «C28» и «C43») те показатели, по которым желает произвести
сравнение маркетингового сценария с тремя сценариями коммерсантов, задавая уровень максимально допустимых абсолютных отклонений
(столбец «I») по выбранным показателем показателям системы KPI из выпадающих списков. Ниже приводим для визуализации «картинку»
с вкладки выбора итогового сценария плана продаж:

После подбора удовлетворительных целевых значений базовых и основных KPI финансовой модели, после проведения сценарного анализа
отклонений показателей эффективности продаж и маркетинговых расходов выбираем в ячейке «K4» вкладки «scenario_choice» из выпадающего
списка сценариев итоговый сценарий бюджета онлайн продаж (см., правый верхний угол последней «картинки»).
В результате во вкладке «Reports» сформируется соответствующий выбранному сценарию «комплект» бюджетной отчетности верхнего уровня,
включающий в себя бюджеты продаж и закупок, бюджет маркетинговых расходов, а также включающий расчеты финансового потока,
кассовых разрывов и необходимого кредитного финансирования кассовых разрывов и некоторый набор ключевых показателей эффективности
как финансового, так и операционного характера.

Незаполненные финансовые модели

СКАЧАТЬ


Незаполненная операционная финмодель выбора сценария продаж для онлайн ритейла

СКАЧАТЬ


Незаполненная базовая финмодель планирования продаж коммерческими подразделениями интернет-компаний розничной торговли

СКАЧАТЬ


Незаполненная базовая операционная финмодель формирования бюджета продаж коммерческими подразделениями онлайн ритейла

СКАЧАТЬ


Незаполненная финмодель со сценарным анализом планов продаж коммерческого департамента компаний розничной онлайн торговли

СКАЧАТЬ


Незаполненная базовая операционная финмодель формирования бюджета GMV маркетинговыми подразделениями онлайн ритейла

Продолжение следует

ОПРЕДЕЛЯЕМ ЧЕТКИЕ СТРАТЕГИЧЕСКИЕ ПОКАЗАТЕЛИ

Для любой компании важно выработать эффективную стратегию развития бизнеса и обеспечить ее внедрение. На примере мебельной фабрики проконтролируем следование выработанной стратегии продаж.

Основные положения стратегии продаж (пример условный):

• развитие продаж за счет расширения франчайзинговой сети, привлечение новых франчайзи — не менее трех бренд-секций в месяц, рост количества заказов через франчайзинговую сеть не менее чем на 50 в месяц;

• обеспечение рентабельной работы собственных магазинов (5 % и выше) — по факту убыточная сеть с низкими продажами. Средний чек — не менее 30 тыс. руб. в первом квартале, не менее 50 тыс. руб. по году;

• концентрация на среднем ценовом сегменте — продажи должны составить не менее 80 % от общего итога продаж;

• не распыляться в условиях кризиса, сосредоточиться на продажах диванов (мягкая мебель), за первый квартал — до 80 % от общего объема. Объем продаж новинок должен достигнуть за первый квартал 30 %. Эти два показателя должны быть соблюдены до конца года;

• приоритетный регион — Центральный, не менее 60 % от общего объема продаж в данном регионе;

• рост продаж не менее чем на 700 тыс. руб. ежемесячно (в ценах производителя);

• объем продаж с 1 м² торговой площади за первый квартал должен составить не менее 2000 руб., в дальнейшем по году — не менее 10 000 руб.

Преимущества четко сформулированной стратегии:

• понятные сотрудникам цели работы;

• прозрачные и достижимые инструменты мотивации и система поощрения;

• налаженный процесс привлечения клиентов;

• регулярный системный анализ выполнения стратегических показателей помогает своевременно перенаправить усилия, сделать работу над ошибками, расставить приоритеты.

Чтобы стратегия была успешной, обеспечивают следующие условия:

• согласие со стратегией совета директоров фабрики и генерального директора. Участие и инициатива руководства позволяют преодолеть возможные барьеры;

• общность сотрудников фабрики в реализации стратегии;

• обучение сотрудников фабрики;

• стабильность и последовательность проводимых мероприятий.

Важно использовать экспертные опросы сотрудников и контрольные показатели в качестве обратной связи, чтобы эффективно контролировать выполнение оперативных задач.

ФОРМИРУЕМ ОТЧЕТНОСТЬ В EXCEL-МОДЕЛИ

Чтобы проверить, достигнуты ли на практике стратегические показатели, и оценить динамику их изменений, нужна регулярная отчетность.

Мебельная фабрика выступает производителем продукции, собственные магазины и франчайзинговая сеть рассматриваются как каналы продвижения. Поэтому приняли решение внедрить для всех торговых точек единую отчетность, которая позволит консолидировать показатели. Чтобы минимизировать расходы на программное обеспечение, использовали Excel-модель.

Создаем аналитики и справочники

Учитывая специфику продаж в мебельном бизнесе и положения стратегии мебельной фабрики, сформировали аналитики (рис. 1) и справочники Excel-модели (табл. 1, 2).

Как обозначено в стратегии, для мебельной фабрики важно оценить помесячно динамику изменений в ценовых сегментах, группах продукции, целевом регионе. Задействованы типы продаж — собственный магазин и франчайзинговая сеть.

В собственных магазинах для повышения рентабельности решили продавать сопутствующий ассортимент. Все аналитики сгруппированы в отформатированные таблицы с именем, соответствующим «шапке»: вкладка Главная → Стили → Форматировать как таблицу. Это позволит быстро расширить набор аналитик при необходимости. Аналитики используют для построения справочников (табл. 1, 2).

В таблице 1 определены каналы продаж — собственные магазины и франчайзи, указаны торговые площади и регионы. Торговая наценка во франчайзинговой сети регулируется компанией-производителем и зависит от региона.

Чтобы упростить сдачу отчета менеджерами и применить двухуровневые списки, присвоили имена диапазонам: вкладка Формулы → Определенные имена → Присвоить имя. В окне «Создание имени» указывают имя «Собственный магазин» и соответствующий диапазон: =Сеть!$B$2:$B$3. В примере (см. табл. 1) это магазин «Лидер» и «Магазин № 1».

Аналогично присваивают имена диапазонам «Франчайзинговая сеть», а также в группах справочника по ассортименту продукции — табл. 2 («Мягкая мебель», «Обеденная группа» и т. д.).

В таблице 2 определены характеристики моделей и цены. Например, диван «Парус» относится к мягкой мебели, целевому среднему ценовому сегменту, является новинкой. Цена продажи для компании-производителя составит 7500 руб.

Важный момент: справочники торговой сети и ассортимента должны иметь структуру, как в табл. 1 и 2. Это позволит в дальнейшем использовать простую формулу ВПР для автоматического заполнения отчета.

Чтобы обеспечить идентичность обоих справочников и будущего отчета, для граф «Тип продаж», «Регион» табл. 1 и столбцов «Группа», «Ценовой сегмент», «Новинки», «Производитель» табл. 2 подключили заполнение выпадающим списком: вкладка Данные → Работа с данными → Проверка данных.

В окне «Проверка вводимых значений» задают Тип данных — Список, в поле «Источник» указывают: =ДВССЫЛ($A$1), где А1 — название столбца, которое соответствует имени отформатированных таблиц с аналитиками (см. рис. 1).

При необходимости перечень справочников расширяют. Ввиду ограниченного формата статьи приведенных справочников достаточно, чтобы организовать отчет.

Хитрости »

23 Март 2017              157123 просмотров

---

Скачать файл, используемый в видеоуроке:

  Прогноз_продаж.xls (59,5 KiB, 34 787 скачиваний)

---

Прогнозирование продаж является неотъемлемой частью при планировании работы коммерческих и финансовых служб, поэтому задача довольно актуальная. Вариантов построения прогнозов достаточное множество, но я хочу показать как сделать простой, но в то же время достаточно жизнеспособный прогноз «на скорую руку», без лишних телодвижений и поправок «на ветер»(читайте как: без кучи доп.расчетов, которые применяются для создания более точных прогнозов). Почему я это уточняю? Потому что на мой взгляд, каким бы точным ни был прогноз продаж – это всего лишь предположение и быть уверенным в том, что именно так и будет развиваться ход событий, никак нельзя.
И тем не менее при помощи встроенных в Excel функций мы можем построить довольно неплохой прогноз даже с учетом сезонности. Плюс я хочу показать как сделать не просто прогноз, а прогноз с отклонениями – пессимистичный и оптимистичный. С помощью подобной модели можно будет выстроить тактику продаж таким образом, чтобы постараться максимально «вписаться» в границы между пессимистичным и оптимистичным прогнозом.
А в довершение мы построим красивый график с прогнозом.

---

Исходные данные

Для расчета прогноза потребуются данные о продажах за ранние периоды. Чем больше данных, тем точнее будет прогноз. Желательно, чтобы были помесячные данные хотя бы за два года. На мой взгляд это тот минимум, на основании которого можно построить весьма точный прогноз с учетом прошлого опыта. Именно из таких данных и будем исходить. Предположим, что у нас есть данные с января 2013 года по август 2015, в табличном виде:

Нам необходимо рассчитать прогноз продаж на будущий год: с сентября 2015 по август 2016 и отразить это на графике. Я специально беру рваный период посреди года, чтобы показать, что начало прогноза может быть с любой даты.

Чтобы дальше в статье не запутать вас столбцами и где они должны быть добавлены, сразу приведу конечную структуру:

Т.е. у нас должно быть именно в указанном порядке 7 столбцов: Период; Продажи компании, руб.; Прогноз; Оптимистичный; Пессимистичный; Коэффициент сезонности; Отклонение. И чтобы все получилось они должны идти точно в таком же порядке, как на картинке выше.

Советую сразу создать все эти столбцы или скачать готовую модель для примера, чтобы дальше использовать именно её для пошагового выполнения описанных ниже действий:
Скачать файл:

  Прогноз_продаж.xls (59,5 KiB, 34 787 скачиваний)

В файле два листа:

• Исходные данные — только фактические данные по продажам, без доп.столбцов, чтобы можно было самостоятельно с нуля построить модель
• Прогноз — лист с готовыми функциями и графиком прогноза

В самый низ таблицы, после последней фактической даты, я добавил даты, на которые необходимо построить прогноз(от сен.2015 до авг.2016).

---

Расчет прогноза

Для расчета непосредственно прогноза в Excel есть специальная функция, которая основываясь на данных предыдущих периодов предсказывает вероятные значения для указанной даты. Она так и называется – ПРЕДСКАЗ(FORECAST). Функция основана на линейной регрессии и специально предназначена именно для прогнозирования продаж, потребления товара и пр. В столбец Прогноз (столбец C – сразу после столбца с суммами продаж) в ячейку

C34

записываем функцию (и распространяем на все прогнозируемые даты –

C34:C45

):

=ПРЕДСКАЗ(A34;$B$2:$B$33;$A$2:$A$33)
=FORECAST(A34,$B$2:$B$33,$A$2:$A$33)

Сама функция требует указания следующих входных данных:

• х — Дата, значение для которой необходимо спрогонозировать (A34)
• Известные значения y — ссылка на ячейки таблицы с суммами продаж за известные периоды ($B$2:$B$33)
• Известные значения x — ссылка на ячейки таблицы с дата продаж за известные периоды ($A$2:$A$33)

С одной стороны, мы уже имеем готовый прогноз, а с другой…Данная функция пока не учитывает фактор сезонности. А это в продажах в большинстве случаев немаловажный фактор. Поэтому желательно потратить еще чуточку времени и сделать так, чтобы прогноз получился еще больше приближен к реальности. Для учета фактора сезонности сначала необходимо вычислить коэффициент сезонности для каждого месяца. Для этого добавим в столбец Коэффициент сезонности следующую формулу:
=(($B$2:$B$13+$B$14:$B$25)/СУММ($B$2:$B$25))*12
=(($B$2:$B$13+$B$14:$B$25)/SUM($B$2:$B$25))*12
Формула вводится в ячейку как формула массива и сразу в 12 ячеек(чтобы получить коэффициенты для каждого месяца года). Для этого сначала выделяем ячейки F2:F13 -переходим в строку формул и вводим формулу выше. После указания верных ссылок на нужные ячейки завершаем ввод формулы одновременным нажатием трех клавиш: Ctrl+Shift+Enter. Если этого не сделать, то функция вернет значение ошибки #ЗНАЧ!(#VALUE!)

Подробнее про принцип работы формулы: она берет отдельно сумму каждого месяца за 2013 и 2014 год, складывает их. Делит полученное значение на общую сумму продаж за весь период целых месяцев(т.е. 24 месяца) и умножает на 12, чтобы получить коэффициент именно за один месяц. И так для каждого месяца. Т.е. для ячейки F2 расчет будет выглядеть следующим образом:
=((56 769+68 521)/ 1 542 293)*12
=((сумма за янв.2013 + сумма за янв.2014)/ общая сумма за два года(янв.2013 – дек.2014))*12

В результате для января получим коэффициент 0,974834224106574, для февраля — 0,989928632237843 и т.д. Я для наглядности назначил ячейкам процентный формат(правая кнопка мыши —Формат ячеек -вкладка Число —Процентный(Format cells —Number —Percent), два знака после запятой):

Теперь добавим учет этих коэффициентов для расчета прогноза в имеющуюся функцию ПРЕДСКАЗ(ячейки C34:C45):
=ПРЕДСКАЗ(A34;$B$2:$B$33;$A$2:$A$33)*ИНДЕКС($F$2:$F$13;МЕСЯЦ(A34))
=FORECAST(A34,$B$2:$B$33,$A$2:$A$33)*INDEX($F$2:$F$13,MONTH(A34))
Здесь применяется функция ИНДЕКС(INDEX), в которой первым аргументом указываем ссылку на 12 ячеек с коэффициентами сезонности($F$2:$F$13), а вторым – номер месяца, чтобы вернуть коэффициент именно для нужного месяца(для этого используем функцию МЕСЯЦ(MONTH), которая возвращает только номер месяца из указанной даты). Для сентября 2015 это будет выглядеть так:
=ПРЕДСКАЗ(A34; $B$2:$B$33; $A$2:$A$33)*ИНДЕКС({97,48%:98,99%:90,38%:94,66%:100,86%:99,02%:100,66%:110,39%:100,47%:104,82%:105,13%:97,14%}; 9)

Основную задачу выполнили – у нас есть прогноз на будущие периоды. Теперь осталось в дополнение к самому прогнозу, создать допустимые верхние и нижние границы, которые часто еще называют оптимистичный прогноз и пессимистичный(но по сути это просто возможное отклонение от прогнозных данных). Такой прогноз даст нам возможность более гибко планировать тактику на будущие периоды.
Для того, чтобы построить такие прогнозы необходимо рассчитать допустимое отклонение от прогнозируемых значений. Здесь так же будем использовать имеющиеся в Excel функции. В ячейку G2 запишем формулу:
=ДОВЕРИТ(0,05; СТАНДОТКЛОН(C34:C45); СЧЁТ(C34:C45))
=CONFIDENCE(0.05,STDEV(C34:C45),COUNT(C34:C45))
ДОВЕРИТ(CONFIDENCE) – возвращает доверительный интервал, используя нормальное распределение.

• алфа – уровень значимости для вычисления доверительного уровня. Используемое в формуле 0,05 означает доверительный уровень в 95%. В большинстве случаев это оптимальное значение
• станд_откл – стандартное отклонение генеральной совокупности. Должно быть известно. Но т.к. мы этими данными не располагаем – то это значение вычисляем при помощи функции СТАНДОТКЛОН(STDEV), передавая ей для расчетов спрогнозированные данные
• размер – указывается целое число, обозначающее количество данных для выборки. Как правило равно количеству спрогнозированных данных. У нас количество определяется функцией СЧЁТ, которая подсчитывает количество чисел в указанных ячейках.

Теперь в ячейки столбцов Оптимистичный и Пессимистичный(D и E), начиная со строки 34, запишем такие формулы:
Оптимистичный: =$C34+$G$2
Пессимистичный: =$C34-$G$2

Т.е. мы для оптимистичного прогноза берем сумму прогноза и прибавляем к ней сумму рассчитанного отклонения. А для пессимистичного, мы сумму отклонения вычитаем. Вот мы и получили все необходимые данные.

---

График

Но было бы кощунством с нашей стороны проделать такую работу и не использовать возможности Excel для построения красивого графика. Придется добавить немного шаманства(на деле, мы уже начали шаманить, когда стали записывать прогноз в отдельный столбец, а не продолжать его в том же столбце, что и фактические продажи). В ячейки C33, D33 и E33 скопируем значение из ячейки B33, чтобы они все имели одинаковые значения:

Теперь выделяем все данные (A1:E45), переходим на вкладку Вставка(Insert) – группа Диаграммы(Charts) —График(Line). И получим такую картину:

Наглядно и сразу понятно что к чему и чего можно ожидать.

• Синим – фактические продажи
• Оранжевый – прогноз
• Серый – Оптимистичный прогноз
• Желтый – Пессимистичный

Согласитесь, такой график смотрится достаточно эффектно и может украсить собой отчет для руководства. Особенно, если проявить немного фантазии и отформатировать график в соответствии с корпоративными цветами компании.

---

Быстрый прогноз в Excel 2016 и выше
Начиная с версии 2016 в Excel появилась замечательная возможность создать прогноз двумя кликами мыши. При этом сразу с оптимистичным и пессимистичным развитием событий и графиком. За основу возьмем все те же исходные данные из двух столбцов:

Выделяем необходимые данные из двух столбцов -переходим на вкладку Данные(Data) -группа Прогноз(Forecast) —Лист прогноза(Forecast Sheet):

В появившемся окне раскрываем пункт Параметры(Options) и настраиваем:

• Завершение прогноза(Forecase End) – указывается дата, которой должен заканчиваться прогноз. Я советую всегда проверять эту дату, т.к. по умолчанию Excel почти всегда выставляет некую среднюю дату, которая отличается от необходимой.
• Начало прогноза(Forecase Start) – указывается дата, с которой необходимо начать строить прогноз. Как правило это последняя дата фактических данных. Если указать дату, которая будет раньше последней даты фактических данных, то для построения прогноза будут использоваться данные только ДО этой даты (так же это называется «ретроспективным прогнозированием»).
• Доверительный интервал(Confidence interval) – этот пункт поможет понять, насколько точно построен прогноз. Чем больше будет доверительный интервал, тем меньше точность прогноза и чем меньше доверительный интервал – тем выше точность прогноза. Что вполне логично. По умолчанию определяется для 95% точек, хотя его можно изменить в соответствующем поле. Если интервал создавать не нужно – снять галочку.
• Сезонность(Seasonality) – как понятно из названия, отвечает за определение фактора сезонности. Лучше оставлять автоматическим, при котором сезонность определяется на основании всех точек месяцев(т.е. 12). Но если этот фактор необходимо рассчитывать из иного количества точек, то необходимо выбрать Установка вручную и указать нужное количество точек. Но следует учитывать, что если точек будет недостаточно – то прогноз может быть очень неточным и график в итоге будет иметь вид, далекий от ожидаемого.
• Диапазон временной шкалы(Timeline Range) – указывается диапазон значений с датами фактических продаж, на основании которых необходимо построить прогноз. По размерам должен совпадать с параметром Диапазон значений.
• Диапазон значений(Values Range) – указывается диапазон значений с суммами фактических продаж, на основании которых необходимо построить прогноз. По размерам должен совпадать с параметром Диапазон временной шкалы.
• Заполнить отсутствующие точки с помощью(Fill Missing Poins Using) – если каких-то данных не хватает(например, имеются пропуски в ячейках с суммами), то можно выбрать чем эти данные заполнить. По умолчанию используется интерполяция. Это означает, что отсутствующие данные вычисляется как взвешенное среднее соседних ячеек, если отсутствует менее 30 % точек. Если необходимо заполнять отсутствующие точки нулями, то необходимо выбрать из выпадающего списка пункт Нули.
• Объединить дубликаты с помощью(Aggregate Duplicates Using) – если в фактических данных есть повторяющиеся даты, то Excel объединит их в одну точку с этой датой, а в качестве суммы подставит среднее арифметическое для этой даты. Это оптимальный вариант, но так же допускается выбрать из списка и другую функцию: Количество, СЧЁТЗ, Максимум, Медиана, Минимум, Сумма.
• Включить статистические данные прогноза(Include Forecast Statistics) – при включении данного пункта на листе с таблицей графика правее основных данных будет создана таблица с дополнительной статистической информации о прогнозе. В таблице при помощи функции ПРЕДСКАЗ.ЕTS.СТАТ будут рассчитаны коэффициенты сглаживания (Альфа, Бета, Гамма), и метрики ошибок (MASE, SMAPE, MAE, RMSE).

После нажатия кнопки Создать(Create) будет создан новый лист, в котором будет создана таблица со всеми необходимыми данными и формулами и готовым графиком:

если при создании был отмечен пункт Включить статистические данные прогноза(Include Forecast Statistics), то правее таблицы основных данных будет так же создана таблица статистических данных:

Скачать файл:

  Прогноз_продаж.xls (59,5 KiB, 34 787 скачиваний)

Так же см.:
Как быстро подобрать оптимальный вариант решения
Автообновляемая сводная таблица

---

Статья помогла? Поделись ссылкой с друзьями!

    Видеоуроки

---

Поиск по меткам



Access
apple watch
Multex
Power Query и Power BI
VBA управление кодами
Бесплатные надстройки
Дата и время
Записки
ИП
Надстройки
Печать
Политика Конфиденциальности
Почта
Программы
Работа с приложениями
Разработка приложений
Росстат
Тренинги и вебинары
Финансовые
Форматирование
Функции Excel
акции MulTEx
ссылки
статистика

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:

В прошлой статье мы уже разобрали, что такое временной ряд и функцию тренда. Теперь подробнее разберемся с терминологией и остановимся на одной из моделей временного ряда.

Из чего состоит временной ряд

Уровни временного ряда (Yt) представляют из себя сумму двух компонент:

1. Регулярную составляющую
2. Случайную составляющую

В свою очередь регулярная составляющая состоит из:

1. Тренда
2. Сезонности
3. Циклической составляющей

Однако, в модели необязательно наличие всех этих компонент сразу.

Случайная компонента отражает влияние случайных возмущений на модель, которые по отдельности имеют незначительное воздействие, но суммарно их влияние ощущается.

То есть, в общем случае временной ряд представляет из себя наличие четырех составляющих:

1. Тренд (Tt)
2. Сезонность (St)
3. Цикличность (Ct)
4. Случайные возмущения (Et)

Циклическая компонента, по сравнению с сезонностью, имеет более длительный эффект и меняется от цикла к циклу. Поэтому, ее обычно объединяют с трендом.

Виды моделей временного ряда

Обычно, выделяют две модели временного ряда и третью — смешанную.

1. Аддитивная модель 

2. Мультипликативная модель  

3. Смешанная модель  

При выборе необходимой модели временного ряда смотрят на амплитуду колебаний сезонной составляющей. Если ее колебания относительно постоянны, то выбирают аддитивную модель.  То есть, амплитуда колебаний примерно одинакова:

Если  амплитуда  сезонных  колебаний  возрастает  или  уменьшается,  строят мультипликативную  модель  временного  ряда,  которая  ставит  уровни  ряда в зависимость от значений сезонной компоненты.

Построение этих моделей сводится к расчету тренда (Tt), сезонности (St) и случайных возмущений (Et) для каждого уровня ряда (Yt).

Алгоритм построения модели

1. Выравниваем ряд с помощью скользящей средней, то есть сглаживаем ряд и отфильтровываем высокочастотные колебания.
2. Рассчитываем значение сезонной компоненты St.
3. Рассчитываем значения Tt с использованием полученного уравнения тренда.
4. Используя полученные значения St и Tt, находим прогнозные значения уровней временного ряда.
5. Оцениваем качество модели.

Реализация на практике

Итак, мы имеем на руках данные о продажах за 2016 и 2017 год и хотим спрогнозировать продажи на 2018 год.

Шаг 1

Следуя нашему алгоритму, мы должны сгладить временной ряд. Воспользуемся методом скользящей средней. Видим, что  в каждом году есть большие пики (май-июнь 2016 и апрель 2017), поэтому возьмем период сглаживания пошире, например, месячную динамику, т.е. 12 месяцев.

Удобнее брать период сглаживания в виде нечетного числа, тогда формула для расчета уровней сглаженного ряда:

yi — фактическое значение i-го уровня ряда,

yt — значение скользящей средней в момент времени t,

2p+1 — длина интервала сглаживания.

Но так как мы решили использовать месячную динамику в виде четного числа 12, то данная формула нам не подойдет и мы воспользуемся этой:

Иными словами, мы учитываем половины от крайних уровней ряда в диапазоне, в остальном формула не претерпела больше никаких изменений. Вот ее точный вид для нашей задачи:

Сглаживаем наши уровни ряда и растягиваем формулу вниз:

Сразу можем построить график из известных значений уровня продаж и их сглаженной. Выведем ее уравнение и значение коэффициента детерминации R^2:

В качестве сглаженной я выбрала полином третьей степени, так как он лучше всего описывал уровни временного ряда и имел наибольший R^2.

Шаг 2

Так как мы рассматриваем аддитивную модель вида: 

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и значениями скользящей средней St+Et = Yt-Tt, так как Yt и Tt мы уже знаем.

Используем оценки сезонной компоненты (St+Et) для расчета значений сезонной компоненты St. Для этого найдем средние за каждый интервал (по всем годам) оценки сезонной компоненты St.

Средняя оценка сезонной компоненты находится как сумма по столбцу, деленная на количество заполненных строк в этом столбце. В нашем случае оценки сезонной составляющей расположились в строках без пересечений, поэтому сумма по столбцам состоит из одиночных значений, следовательно и среднее будет таким же. Если бы мы располагали периодом побольше, например с 2015, у нас бы добавилась еще одна строка и мы смогли бы полноценно найти среднее, поделив сумму на 2.

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем интервалам должна быть равна нулю. Поэтому найдя значение случайной составляющей, поделив сумму средних оценок сезонной составляющей на 12, мы вычитаем ее значение из каждой средней оценки и получаем скорректированную сезонную компоненту, St.

Далее, заполняем нашу таблицу значениями сезонной составляющей дублируя ряд каждые 12 месяцев, то есть три раза:

Шаг 3

Теперь рассчитываем значения уровня тренда T(t) по тому уравнению, которое мы получили при построении сглаженного тренда на первом шаге.

T(t) = -23294+34114*t-1593*t^2+26,3*t^3

Вместо t используем значения из столбца Период из соответствующей строки.

Шаг 4

Имея рассчитанные значения S(t) и T(t) мы можем рассчитать прогнозные значения уровней ряда Y(t). Для этого накладываем уровни сезонности на тренд.

Теперь построим график известных значений Y(t) и спрогнозированных за 2018 год.

Вот мы и нашли спрогнозированные значения уровней продаж на 2018 год. Значения отражают возрастающую тенденцию и сезонные пики. Конечно, эти данные не дают 100% точности, ведь существует множество внешних воздействий, которые могут изменить направление тренда, поэтому к прогнозным значениям обычно строят доверительный интервал, это такой коридор, внутри которого могут колебаться прогнозные значения с заданной вероятностью (чаще всего выбирают 95%). Но об этом я расскажу в следующей статье.

Шаг 5

Осталось оценить точность модели. Для этого будем использовать среднюю ошибку аппроксимации, которая поможет рассчитать ошибку в относительном выражении. Иными словами, это среднее отклонение расчетных значений от фактических, которое вычисляется по формуле:

yi — спрогнозированные уровни ряда,

yi* — фактические уровни ряда,

n — количество складываемых элементов.

Модель может считаться адекватной, если:

Итак, рассчитываем ошибку аппроксимации для нашего случая. Так как в основе нашего тренда лежит полином третьей степени, прогнозные значения начинают хорошо повторять фактические значения к концу 2016 года, думаю, я думаю, поэтому корректнее было бы рассчитать ошибку аппроксимации для значений 2017 года.

Сложив весь столбец с ошибками аппроксимации и поделив на 12, получаем среднюю ошибку аппроксимации 4,13%. Это значение меньше 15% и можем сделать вывод об адекватности модели.

Не забывайте, что прогнозы не бывают точными на 100%. Любые неожиданные внешние воздействия могут развернуть значения уровней ряда в неизвестном направлении 🙂

Полезные ссылки:

• Ссылка на пример Google Sheets
• Построение функции тренда в Excel. Быстрый прогноз без учета сезонности
• Бывшев В.А. Эконометрика