Selvom kædebutikshovedkvarteret forsøgte at lave en salgsprognosemodel, hører vi ofte, at "salgsprognosen for nye butikker ikke er korrekt" eller "der er en uoverensstemmelse mellem prognosen før åbning af en butik og den faktiske værdi".Som svar på sådanne problemer er jeg kommet til at tænke stærkt på det seneste, da jeg har hjulpet virksomheder.

Når det kommer til salgsprognoser, har vi en tendens til at tro, at det kan lade sig gøre ved at udarbejde relaterede data i Excel eller lignende og udføre statistisk bearbejdning på det.Da jeg først startede dette job for omkring 20 år siden, plejede jeg at samle alle de data, jeg troede var relevante, og lave en model mekanisk for at forbedre nøjagtigheden.Hvis du følger proceduren, kan du gøre noget, men hvis du anvender dette på en ny butik, får du det ikke nødvendigvis rigtigt.Jeg kan heller ikke finde ud af, hvorfor det ikke virkede.Der var sådan en tid.

Men det er endelig ved at stå klart, at det ikke er nok kun at indsamle data og behandle dem.

Hvad er egentlig nødvendigt for effektivt at forbedre nøjagtigheden af ​​salgsprognoser?Jeg vil gerne tale om det, selvom det ser ud til, at der stadig er nogle ru kanter.

Når en ejendom til en ny butik foreslås, og når de skal beslutte, om den skal sælges eller ej, bruger folk i forskellige positioner deres empiriske regler og (tror jeg) intuition baseret på dem som grundlag (sig en mening, der lyder uansvarlig).

Folk i andre afdelinger end butiksudvikling har en tendens til at sige ting som: "Denne ejendom sælges ikke, fordi sigtbarheden fra indgangen til anlægget er dårlig," Af en eller anden grund ser det ud til, at negative meninger ofte kommer frem, såsom salg vil drop, hvis det går ud, og kundekredsen er over det hele.Nogle mennesker siger, at det bestemmes af mennesker og produktsortiment.

Disse forskellige meninger er næsten alle "korrekte".

Problemet er dog, at de forsøger at forklare, hvorfor salget er højt eller lavt i nogle butikker med kun få ting, nogle mennesker kun én.

At dømme efter nogle få faktorer burde de faktiske salgstal svinge meget, og selvom de gør det, er det et lykketræf. For at sige, at det ikke var et "lykketræf", skulle du lave 100 forudsigelser af samme årsag og få 90 af dem rigtige.Hvis du kan gøre det, vil du ikke have det svært.

Men i virkeligheden er der mere end et par historier om selv højtplacerede personer i virksomheden, såsom ledere, der laver forudsigelser baseret på tidligere empiriske regler, men undlader at komme med dem og undlader at identificere årsagen. Jeg har .Det er overraskende, fordi det kan være et børsnoteret selskab.Da du åbner en butik uden at kende vindermønsteret, hvad ville investorerne så tænke, hvis de spurgte?Jeg er bekymret for det.

Sådanne ting hænger sammen, og det betyder, at "salgsprognosen ikke rammer".

Så hvad skal vi gøre?

Det er stadig groft herfra, men der er nogle "arbejdsmønstre" i salgsprognosen, så jeg vil gerne introducere nogle af dem.

Først og fremmest er det nødvendigt grundigt at identificere årsagerne til, at salget er højt eller lavt afhængigt af butikken, herunder forskellige meninger, der var "korrekte" tidligere.

"Sælger" og "sælger ikke" er ikke så simple, at de kun kan forklares med én faktor.På det tidspunkt er det ikke nok blindt at identificere faktorerne, og det er nødvendigt udtømmende at identificere faktorer, der kan hænge sammen.I sidste ende er det nytteløst kun at samle faktorer, der siger det samme.

Du kan bruge en tavle, en notesbog, post-it-sedler eller angive mindst 20 faktorer.

Arbejdsproceduren er beskrevet i vores nye seminar "Excel- og statistikkursus for butiksudviklingscheferJeg vil gerne forklare i detaljer.