مقدمه

تعیین اهداف فروش یکی از چالش‌های اصلی مدیران کسب و کار است. بسیاری از مدیران یا دانش کافی برای تعیین اهداف فروش ندارند و یا به صورت سلیقه‌ای عمل می‌کنند که این امر می‌تواند منجر به اتلاف منابع سازمان، از دست رفتن فرصت های پیش رو، دلسردی و بی‌انگیزگی تیم فروش شود. اهداف فروش به مدیران کمک می‌کنند تا برنامه‌ریزی بهتری برای تولید، بازاریابی، مالی و مدیریت موجودی داشته باشند. در این مقاله، روشی ترکیبی برای تعیین اهداف فروش براساس مدل‌های پیش بینی سری‌های زمانی و توزیع نرمال ارائه می‌دهیم. این روش به مدیران امکان می‌دهد تا با دقت بیشتری فروش آینده را پیش‌بینی کرده و در نتیجه اهداف فروش واقع‌بینانه‌تری تعیین کنند.

بخش اول: پیش‌بینی با مدل‌های سری‌های زمانی

برای تعیین اهداف فروش، ابتدا باید با استفاده از مدل‌های مربوطه نظیر سری های زمانی یا شبکه های عصبی، پیش‌بینی‌های دقیقی انجام دهیم. این مدل‌ها ابزارهای قدرتمندی برای تحلیل داده‌های تاریخی و پیش‌بینی روندهای آینده هستند. برخی از مدل‌های معروف سری‌های زمانی عبارتند از:

• مدل ARIMA(AutoRegressive Integrated Moving Average): این مدل برای تحلیل داده‌های غیر فصلی و پیش‌بینی روندهای آینده استفاده می‌شود و می‌تواند الگوهای پیچیده‌ای را در داده‌ها شناسایی کند. این مدل شامل سه جزء اصلی است:

  • خودبازگشتی (AR): این جزء به رابطه بین مقادیر فعلی و مقادیر گذشته اشاره دارد.

  • یکپارچه‌سازی (I): این جزء برای تبدیل داده‌های غیر ایستا به داده‌های ایستا استفاده می‌شود.

  • میانگین متحرک (MA): این جزء به رابطه بین مقادیر فعلی و خطاهای گذشته اشاره دارد.

• مدل SARIMA(Seasonal ARIMA): این مدل برای تحلیل داده‌های فصلی و پیش‌بینی نوسانات فصلی کاربرد دارد ومی‌تواند تغییرات فصلی را در داده‌ها شناسایی کند. این مدل شامل اجزای ARIMA به همراه اجزای فصلی است که به تحلیل دقیق‌تر داده‌های فصلی کمک می‌کند.

• مدل‌های شبکه عصبی: این مدل‌ها با استفاده از الگوریتم‌های یادگیری ماشین، می‌توانند الگوهای پیچیده را شناسایی کنند. شبکه‌های عصبی مصنوعی می‌توانند به طور خودکار ویژگی‌های مهم داده‌ها را استخراج کرده و پیش‌بینی‌های دقیقی انجام دهند. این مدل‌ها به ویژه برای داده‌های غیر خطی و پیچیده مناسب هستند.

بخش دوم: تعیین اهداف با استفاده از منحنی توزیع نرمال

پس از انجام پیش‌بینی‌های دقیق با استفاده از مدل‌های سری زمانی، با بهره‌گیری از منحنی توزیع نرمال، می‌توانیم اهداف فروش را به‌طور دقیق و منطقی تعیین کنیم. البته لازم به ذکر است که داده های فروش به لحاظ نرمال بودن می باید بررسی شوند و پس از دارا بودن این شرط می توان از این مدل استفاده نمود. توزیع نرمال یکی از مهم‌ترین توزیع‌های آماری است که در بسیاری از تحلیل‌های پیش‌بینی فروش کاربرد دارد. این توزیع به شما کمک می‌کند تا احتمال فروش در محدوده‌های مختلف را تخمین بزنید و برای سناریوهای مختلف آماده باشید. توزیع نرمال دارای ویژگی‌های زیر است:

• میانگین: مرکز توزیع که نشان‌دهنده مقدار متوسط داده‌ها است.

• انحراف معیار: میزان پراکندگی داده‌ها از میانگین را نشان می‌دهد. انحراف معیار بزرگ‌تر به معنای پراکندگی بیشتر داده‌ها است.

• تقارن: توزیع نرمال دارای تقارن است، به این معنا که داده‌ها به طور یکنواخت در اطراف میانگین توزیع شده‌اند.

• قانون 68-95-99.7: این قانون بیان می‌کند که تقریباً 68% داده‌ها در یک انحراف معیار از میانگین، 95% داده‌ها در دو انحراف معیار از میانگین، و 99.7% داده‌ها در سه انحراف معیار از میانگین قرار دارند.

بخش سوم: ترکیب مدل‌های سری‌های زمانی و توزیع نرمال

در این بخش، روش پیشنهادی خود را توضیح می‌دهیم:

1. جمع‌آوری داده‌های تاریخی: ابتدا داده‌های فروش گذشته را جمع‌آوری کنید. این داده‌ها می‌توانند شامل فروش ماهانه، فصلی یا سالانه باشند. داده‌های تاریخی به شما کمک می‌کنند تا الگوهای گذشته را شناسایی کرده و پیش‌بینی‌های دقیقی انجام دهید.

2. تحلیل سری‌های زمانی: با استفاده از مدل‌های سری‌های زمانی، پیش‌بینی اولیه فروش را انجام دهید. این مدل‌ها می‌توانند روندها و نوسانات فصلی را شناسایی کرده و پیش‌بینی‌های دقیقی ارائه دهند. برای مثال، می‌توانید از مدل ARIMA برای تحلیل داده‌های غیر فصلی و از مدل SARIMA برای تحلیل داده‌های فصلی استفاده کنید.

3. رسم توزیع نرمال: براساس داده‌های فروش گذشته، توزیع نرمال را رسم کنید. این کار به شما کمک می‌کند تا احتمال فروش در محدوده‌های مختلف را تخمین بزنید. برای رسم توزیع نرمال، می‌توانید از نرم‌افزارهای آماری مانند Excel، R یا Python استفاده کنید.

4. تعیین موقعیت پیش‌بینی در توزیع نرمال: پیش‌بینی فروش بدست آمده از مدل های سری زمانی را در توزیع نرمال قرار دهید و ببینید در کدام محدوده قرار می‌گیرد. این کار به شما کمک می‌کند تا پیش‌بینی‌های خود را درمحدوده هایی از عدم قطعیت قرار دهید. برای مثال، اگر پیش‌بینی فروش شما در محدوده میانگین + 0.5 انحراف معیار قرار گیرد، می‌توانید احتمال فروش را براساس این محدوده تخمین بزنید.

5. تعیین اهداف فروش آتی: برای تعیین اهداف فروش آتی، یک انحراف معیار به پیش‌بینی فروش خود اضافه کنید تا محدوده‌ای از اهداف واقع‌بینانه داشته باشید. این کار به شما کمک می‌کند تا اهداف فروش خود را براساس محدوده های توزیع نرمال جانمایی کرده و ارزیابی واقع بینانه تری از موقعیت های آتی داشته باشید. به عنوان مثال، اگر پیش‌بینی فروش شما برای دوره آتی 1050 واحد محاسبه شده باشد، و این پیش بینی در محدوده یک انحراف معیار از میانگین قرار دارد،  می‌توانید اهداف فروش خود را تا محدوده دو انحراف معیار پیش ببرید. برای مثال در این حالت چنانچه محدوده یک انحراف معیار از میانگبن، اعداد 900 تا 1100 و انحراف معیار نیز 200 واحد باشد، در اینصورت پله های اهداف شما می تواند اعداد 1050 تا 1250 را برای دوره آتی به خود اختصاص دهد.

نتیجه‌گیری :

استفاده از مدل‌های سری‌های زمانی و توزیع نرمال برای پیش‌بینی و تعیین اهداف فروش، رویکردی علمی و دقیق است که می‌تواند به بهبود عملکرد فروش و افزایش دقت در برنامه‌ریزی‌های تجاری کمک کند. این روش ترکیبی به مدیران امکان می‌دهد تا با تحلیل داده‌های تاریخی و شناسایی الگوهای موجود، پیش‌بینی‌های دقیقی از فروش آینده داشته باشند. سپس با بهره‌گیری از توزیع نرمال، می‌توانند اهداف فروش واقع‌بینانه‌تری تعیین کنند که در محدوده‌ای از عدم قطعیت قرار دارد.

این مقاله براساس یافته‌های تحلیلگران تیم ویکی تحلیلگر بوده و در شرکت‌های مختلف آزموده شده است. نتایج آن به شرط دارا بودن شرایط لازم، جالب توجه بوده و می‌تواند به عنوان یک ابزار مفید و کاربردی در تعیین اهداف فروش مورد استفاده قرار گیرد. در نهایت، ترکیب مدل‌های سری‌های زمانی و توزیع نرمال به عنوان یک ابزار قدرتمند در دست مدیران، می‌تواند به بهبود فرآیندهای تصمیم‌گیری و افزایش دقت در تعیین اهداف فروش کمک کند. این روش به مدیران امکان می‌دهد تا با اطمینان بیشتری به برنامه‌ریزی‌های خود بپردازند و از این طریق به بهبود عملکرد کلی سازمان دست یابند.