Sales forecasting The second discip

Sales forecasting
The second discipline that can be used for CPM is sales forecasting.
One major issue commonly facing companies that conduct CPM is that
the data available for clustering customers takes a historical or, at best,
present day view. The data identifi es those customers who have been,
or presently are, important for sales, profi t or other strategic reasons. If
management believes the future will be the same as the past, this presents
no problem. However, if the business environment is changeable, this
does present a problem. Because CPMs goal is to identify those customers
that will be strategically important in the future, sales forecasting can be
a useful discipline.
Sales forecasting, some pessimists argue, is a waste of time, because
the business environment is rapidly changing and unpredictable. Major
world events such as terrorist attacks, war, drought and market-based
changes, such as new products from competitors or high visibility
promotional campaigns, can make any sales forecasts invalid. Customer portfolio management 137
There are a number of sales forecasting techniques that can be applied,
providing useful information for CPM. These techniques, which fall into
three major groups, are appropriate for different circumstances.
● qualitative methods:
– customer surveys
– sales team estimates
● time-series methods:
– moving average
– exponential smoothing
– time-series decomposition
● causal methods:
– leading indicators
– regression models.
Qualitative methods are probably the most widely used forecasting
methods. Customer surveys ask consumers or purchasing offi cers to give
an opinion on what they are likely to buy in the forecasting period. This
makes sense when customers forward-plan their purchasing. Data can be
obtained by inserting a question into a customer satisfaction survey. For
example, ‘ In the next six months are you likely to buy more, the same or
less from us than in the current period? ’ And, ‘ If more, or less, what volume
do you expect to buy from us? ’Sometimes, third party organizations such
as industry associations or trans-industry groups such as the Chamber
of Commerce or the Institute of Directors collect data that indicate future
buying intentions or proxies for intention, such as business confi dence.
Sales team estimates can be useful when salespeople have built close
relationships with their customers. A key account management team
might be well placed to generate several individual forecasts from the
team membership. These can be averaged or weighted in some way that
refl ects the estimator’s closeness to the customer. Account managers for
Dyno Nobel, a supplier of commercial explosives for the mining and
quarrying industries, are so close to their customers that they are able to
forecast sales two to three years ahead.
Operational CRM systems support the qualitative sales forecasting
methods, in particular sales team estimates. The CRM system takes
into account the value of the sale, the probability of closing the sale
and the anticipated period to closure. Many CRM systems also allow
management to adjust the estimates of their sales team members, to
allow for overly optimistic or pessimistic salespeople.
Time-series approaches take historical data and extrapolate them
forward in a linear or curvilinear trend. This approach makes sense when
there are historical sales data, and the assumption can be safely made that
the future will refl ect the past. The moving average method is the simplest
of these. This takes sales in a number of previous periods and averages
them. The averaging process reduces or eliminates random variation. The
moving average is computed on successive periods of data, moving on
one period at a time, as in Figure 5.10 . Moving averages based on different
periods can be calculated on historic data to generate an accurate method.
A variation is to weight the more recent periods more heavily. The
rationale is that more recent periods are better predictors. In producing 138 Customer Relationship Management
an estimate for year 2009 in Figure 5.10 , one could weight the previous
four years’ sales performance by 0.4, 0.3, 0.2, and 0.1, respectively, to
reach an estimate. This would generate a forecast of 5461. This approach
is called exponential smoothing.
The decomposition method is applied when there is evidence of
cyclical or seasonal patterns in the historical data. The method attempts
to separate out four components of the time series: trend factor, cyclical
factor, seasonal factor and random factor. The trend factor is the longterm
direction of the trend after the other three elements are removed.
The cyclical factor represents regular long-term recurrent infl uences on
sales; seasonal infl uences generally occur within annual cycles.
It is sometimes possible to predict sales using leading indicators. A
leading indicator is some contemporary activity or event that indicates
that another activity or event will happen in the future. At a macro
level, for example, housing starts are good predictors of future sales of
kitchen furniture. At a micro level, when a credit card customer calls into
a contact centre to ask about the current rate of interest, this is a strong
indicator that the customer will switch to another supplier in the future.
Regression models work by employing data on a number of predictor
variables to estimate future demand. The variable being predicted is
called the dependent variable; the variables being used as predictors
are called independent variables. For example, if you wanted to
predict demand for cars (the dependent variable) you might use data
on population size, average disposable income, average car price for
the category being predicted and average fuel price (the independent
variables). The regression equation can be tested and validated on
historical data before being adopted. New predictor variables can be
substituted or added to see if they improve the accuracy of the forecast.
This can be a useful approach for predicting demand from a segment.

Kết quả (Việt) 1:

Bán hàng dự báo Kỷ luật thứ hai có thể được sử dụng cho CPM là dự báo bán hàng.Một vấn đề lớn thường phải đối mặt với công ty tiến hành CPM làdữ liệu có sẵn cho cụm khách có một lịch sử, hoặc tại tốt nhất,ngày nay xem. Dữ liệu identifi es những khách hàng có,hoặc hiện nay là, quan trọng đối với doanh số bán hàng, profi t hoặc lý do chiến lược khác. Nếuquản lý tin rằng tương lai sẽ là tương tự như quá khứ, điều này mang lạiKhông vấn đề gì. Tuy nhiên, nếu môi trường kinh doanh là có thể thay đổi, điều nàytrình bày một vấn đề. Bởi vì CPMs mục tiêu là để xác định những khách hàngmà sẽ chiến lược quan trọng trong tương lai, dự báo bán hàng có thểmột kỷ luật hữu ích.Dự báo bán hàng, một số pessimists tranh luận, là một sự lãng phí thời gian, bởi vìmôi trường kinh doanh là nhanh chóng thay đổi và không thể đoán trước. Chínhsự kiện thế giới như cuộc tấn công khủng bố, chiến tranh, hạn hán và dựa trên thị trườngthay đổi, chẳng hạn như các sản phẩm mới từ đối thủ cạnh tranh hoặc khả năng hiển thị caochiến dịch quảng cáo, có thể làm cho bất kỳ dự báo doanh thu không hợp lệ. Quản lý danh mục đầu tư khách hàng 137 Một số kỹ thuật bán hàng dự báo có thể được áp dụng,cung cấp các thông tin hữu ích cho CPM. Các kỹ thuật này, mà rơi vàoba nhóm chính, là thích hợp cho hoàn cảnh khác nhau.● chất lượng phương pháp: -khảo sát ý kiến khách hàng -đội ngũ bán hàng ước tính● Chuỗi thời gian phương pháp: -di chuyển trung bình -mũ làm mịn -phân tích chuỗi thời gian● quan hệ nhân quả phương pháp: -hàng đầu chỉ số -hồi qui mô hình.Chất lượng phương pháp là có lẽ các được sử dụng rộng rãi nhất dự báophương pháp. Khảo sát ý kiến khách hàng yêu cầu người tiêu dùng hoặc mua offi cers để cung cấp chomột ý kiến về những gì họ có khả năng để mua trong giai đoạn dự báo. Điều nàylàm cho tinh thần khi khách chuyển tiếp-kế hoạch của họ mua. Dữ liệu có thểthu được bằng cách chèn một câu hỏi vào một cuộc khảo sát sự hài lòng của khách hàng. ChoVí dụ, ' trong tiếp theo sáu tháng là bạn có khả năng để mua nhiều hơn, tương tự hoặcít hơn từ chúng tôi hơn trong giai đoạn hiện tại? 'Và,' nếu nhiều hơn hoặc ít hơn, khối lượng những gìbạn có muốn mua từ chúng tôi? ' Đôi khi, bên thứ ba tổ chức như vậyHiệp hội ngành công nghiệp hoặc nhóm trans-công nghiệp chẳng hạn như việnthương mại hoặc các dữ liệu thu thập viện giám đốc cho thấy tương laimua ý định hoặc proxy cho ý định, chẳng hạn như kinh doanh cấu dence.Đội ngũ bán hàng ước tính có thể hữu ích khi nhân viên bán hàng đã xây dựng gầnmối quan hệ với khách hàng của họ. Một đội ngũ quản lý tài khoản chínhcũng có thể được đặt để tạo ra một số cá nhân dự báo từ cácNhóm thành viên. Đây có thể được trung bình hoặc trọng trong một số cách đórefl ects công cụ ước tính gần gũi với khách hàng. Quản lý tài khoản choDyno Nobel, một nhà cung cấp vật liệu nổ thương mại cho mỏ vàngành công nghiệp khai thác đá, là như vậy gần với khách hàng của họ mà họ có thểdự báo bán hàng 2-3 năm trước.Hệ thống CRM hoạt động hỗ trợ các dự báo bán hàng chất lượngphương pháp, đội ngũ bán hàng đặc biệt ước tính. Hệ thống CRM mấtvào tài khoản giá trị của việc bán, khả năng đóng bánvà giai đoạn dự đoán kết thúc. Nhiều hệ thống CRM cũng cho phépquản lý để điều chỉnh những ước tính của các thành viên đội ngũ bán hàng của họ, đếncho phép nhân viên bán hàng quá lạc quan hay bi quan.Phương pháp tiếp cận chuỗi thời gian mất dữ liệu lịch sử và ngoại suy chúngchuyển tiếp trong một xu hướng tuyến tính hoặc curvilinear. Cách tiếp cận này làm cho cảm giác khicó bán hàng dữ liệu lịch sử, và giả định có thể được một cách an toàn được thực hiện màtương lai sẽ refl ect quá khứ. Phương pháp di chuyển trung bình là đơn giản nhấtsố này. Điều này phải mất bán hàng ở một số thời gian trước và trung bìnhhọ. Trình trung bình làm giảm hoặc loại bỏ các biến thể ngẫu nhiên. Cácdi chuyển trung bình được tính trên các giai đoạn kế tiếp của dữ liệu, di chuyểnmột thời gian tại một thời gian, như trong hình 5.10. Di chuyển trung bình dựa trên khác nhauthời gian có thể được tính trên các dữ liệu lịch sử để tạo ra một phương pháp chính xác.Một biến thể là trọng lượng các thời kỳ gần đây nhiều hơn. Cáclý do là rằng giai đoạn gần đây hơn là tốt hơn dự đoán. Sản xuất 138 Customer Relationship Managementmột ước tính cho năm 2009 trong hình 5,10, một trong những có thể giảm cân thìbốn năm bán hàng hiệu suất 0.4, 0.3, 0.2 và 0.1, tương ứng, đểđạt được một ước tính. Điều này sẽ tạo ra một dự báo của 5461. Cách tiếp cận nàyđược gọi là hàm mũ làm mịn.Phương pháp phân hủy được áp dụng khi không có bằng chứng vềchu kỳ hoặc theo mùa mẫu trong các dữ liệu lịch sử. Những nỗ lực phương phápđể tách ra bốn thành phần của dòng thời gian: yếu tố xu hướng, chu kỳyếu tố, yếu tố theo mùa và các yếu tố ngẫu nhiên. Các yếu tố xu hướng là dài hạnhướng của xu hướng sau khi ba yếu tố khác sẽ bị loại bỏ.Các yếu tố chu kỳ đại diện cho thường xuyên lâu dài thường xuyên infl uences trênbán hàng; theo mùa infl uences thường xảy ra trong chu kỳ hàng năm. Đó là đôi khi có thể để dự đoán doanh số bán hàng bằng cách sử dụng chỉ số hàng đầu. Achỉ số hàng đầu là một số hiện đại hoạt động hoặc sự kiện chỉ rađó hoạt động khác hoặc sự kiện sẽ xảy ra trong tương lai. Tại một vĩ môcấp, ví dụ, bắt đầu nhà ở là dự đoán tốt của doanh số bán hàng trong tương lai củađồ nội thất nhà bếp. Ở một mức độ vi, khi một khách hàng thẻ tín dụng gọi vàomột trung tâm liên lạc để hỏi về tỷ lệ hiện hành của lãi suất, đây là một mạnh mẽchỉ báo rằng khách hàng sẽ chuyển sang một nhà cung cấp trong tương lai. Hồi quy mô hình làm việc bằng cách sử dụng dữ liệu trên một số yếu tố dự báobiến để ước tính nhu cầu trong tương lai. Biến được dự đoán làgọi là phụ thuộc vào biến; Các biến được sử dụng như dự đoánđược gọi là biến độc lập. Ví dụ, nếu bạn muốndự đoán nhu cầu cho xe ô tô (phụ thuộc vào biến) bạn có thể sử dụng dữ liệungày dân thước, Trung bình thu nhập dùng một lần, giá trung bình là xe hơiCác thể loại là dự đoán và trung bình nhiên liệu giá (độc lậpbiến). Phương trình hồi quy có thể được kiểm tra và xác nhận ngàydữ liệu lịch sử trước khi được chấp nhận. Mới dự đoán các biến thểNhóm thế hoặc bổ sung để xem nếu họ cải thiện tính chính xác của dự báo.Điều này có thể là một phương pháp hữu ích cho dự đoán nhu cầu từ một phân đoạn.

Kết quả (Việt) 2:

Doanh số bán hàng dự báo
Kỷ luật thứ hai có thể được sử dụng cho CPM là dự báo doanh số bán hàng.
Một vấn đề lớn mà các công ty tiến hành CPM là thường phải đối mặt với
các dữ liệu có sẵn cho phân nhóm khách hàng có một lịch sử hay, lúc tốt nhất,
xem ngày nay. Các dữ liệu identifi es những khách hàng đã, đang,
hoặc hiện đang có, quan trọng đối với doanh số bán hàng, profi t hay lý do chiến lược khác. Nếu
quản lý tin rằng tương lai sẽ giống như quá khứ, điều này thể hiện
không có vấn đề. Tuy nhiên, nếu môi trường kinh doanh là thay đổi, điều này
không trình bày một vấn đề. Bởi vì CPM Mục đích là để xác định những khách hàng
đó sẽ được chiến lược quan trọng trong tương lai, dự báo bán hàng có thể là
một kỷ luật hữu ích.
dự báo bán hàng, một số người bi quan cho rằng, là một sự lãng phí thời gian, vì
môi trường kinh doanh đang thay đổi nhanh chóng và khó lường. Thiếu
sự kiện thế giới như các cuộc tấn công khủng bố, chiến tranh, hạn hán và dựa vào thị trường
thay đổi, chẳng hạn như các sản phẩm mới từ đối thủ cạnh tranh hay khả năng hiển thị cao
các chiến dịch khuyến mãi, có thể thực hiện bất kỳ dự báo doanh số bán hàng không hợp lệ. Quản lý danh mục đầu tư của khách hàng 137
Có một số kỹ thuật dự báo doanh số bán hàng có thể được áp dụng,
cung cấp thông tin hữu ích cho CPM. Những kỹ thuật này, mà rơi vào
ba nhóm chính, phù hợp với hoàn cảnh khác nhau.
● phương pháp định tính:
- khảo sát khách hàng
- Đội ngũ bán hàng ước tính
● phương pháp chuỗi thời gian:
- di chuyển trung bình
- làm mịn theo cấp số nhân
- chuỗi thời gian phân hủy
phương pháp ● nhân quả:
- hàng đầu chỉ số
-. mô hình hồi quy
phương pháp định tính rất có thể dự báo được sử dụng rộng rãi nhất
phương pháp. Khảo sát khách hàng yêu cầu người tiêu dùng hay mua CERs offi đưa
ra ý kiến về những gì họ có khả năng mua trong giai đoạn dự báo. Điều này
có ý nghĩa khi khách hàng về phía trước kế hoạch mua sắm của họ. Dữ liệu có thể được
thu được bằng cách chèn một câu hỏi vào một cuộc khảo sát sự hài lòng của khách hàng. Ví
dụ, "Trong sáu tháng tiếp theo là bạn có khả năng mua nhiều hơn, tương tự hoặc
ít hơn từ chúng tôi trong giai đoạn hiện nay? "Và," Nếu nhiều hơn, hay ít, khối lượng
để bạn mong đợi để mua từ chúng tôi? "Đôi khi, các tổ chức bên thứ ba chẳng hạn
như các hiệp hội ngành công nghiệp hoặc nhóm trans-ngành công nghiệp như Phòng
Thương mại hoặc Viện trưởng thu thập dữ liệu cho thấy trong tương lai
dự định mua hoặc proxy để ý, chẳng hạn như kinh doanh dence confi.
ước tính đội ngũ bán hàng có thể có ích khi nhân viên bán hàng đã được xây dựng gần
các mối quan hệ với khách hàng của họ. Một đội ngũ quản lý tài khoản quan trọng
có thể được đặt để tạo ra một số dự báo cá nhân từ các
thành viên trong nhóm. Đây có thể được tính trung bình hoặc trọng trong một số cách mà
refl ECTS sự gần gũi của ước lượng cho khách hàng. Quản lý tài khoản cho
Dyno Nobel, một nhà cung cấp vật liệu nổ thương mại cho việc khai thác và
các ngành công nghiệp khai thác đá, rất gần gũi với khách hàng của họ rằng họ có thể
dự đoán doanh thu 2-3 năm trước.
hệ thống CRM hoạt động hỗ trợ các dự báo bán hàng chất lượng
phương pháp, trong bán hàng đặc biệt nhóm dự. Hệ thống CRM có
tính đến giá trị của việc bán, xác suất đóng bán
và thời gian dự kiến đóng cửa. Nhiều hệ thống CRM còn cho phép
quản lý để điều chỉnh dự toán của các thành viên đội ngũ bán hàng của họ, cho
phép cho nhân viên bán hàng quá lạc quan hay bi quan.
phương pháp Time-series mất dữ liệu lịch sử và ngoại suy cho họ
về phía trước trong một xu hướng tuyến tính hoặc phi tuyến. Cách tiếp cận này có ý nghĩa khi
có những dữ liệu bán hàng lịch sử, và các giả định có thể được thực hiện một cách an toàn rằng
tương lai sẽ refl vv quá khứ. Các phương pháp di chuyển trung bình là đơn giản nhất
trong số này. Này có doanh số bán hàng trong một số thời kỳ trước và trung bình
họ. Các quá trình trung bình giảm hoặc loại bỏ sự biến đổi ngẫu nhiên. Các
đường trung bình được tính theo thời kỳ kế tiếp của dữ liệu, di chuyển trên
một thời gian tại một thời điểm, như trong Hình 5.10. Đường trung bình dựa trên khác nhau
trong thời gian có thể được tính toán trên dữ liệu lịch sử để tạo ra một phương pháp chính xác.
Một biến thể là để trọng lượng các giai đoạn gần đây nhiều hơn. Các
lý do là thời gian gần đây là yếu tố dự báo tốt hơn. Trong sản xuất Quản lý quan hệ khách hàng 138
một ước tính cho năm 2009 trong hình 5.10, ta có thể cân nặng trước đó
hoạt động bán hàng bốn năm 0.4, 0.3, 0.2, và 0.1, tương ứng, để
đạt được một ước tính. Điều này sẽ tạo ra một dự báo của 5461. Phương pháp này
được gọi là làm mịn mũ.
Các phương pháp phân hủy được áp dụng khi có bằng chứng của
mô hình theo chu kỳ hoặc theo mùa của các dữ liệu lịch sử. Phương pháp này cố gắng
để tách ra bốn thành phần của chuỗi thời gian: yếu tố xu hướng, theo chu kỳ
yếu tố, yếu tố mùa vụ và yếu tố ngẫu nhiên. Các yếu tố xu hướng là lâu dài
. hướng của xu hướng sau khi ba yếu tố khác được loại bỏ
yếu tố mang tính chu kỳ của đại diện lâu dài uences infl tái phát thường xuyên trên
doanh số bán hàng; uences infl theo mùa thường xảy ra trong chu kỳ hàng năm.
Đó là đôi khi có thể dự đoán doanh số bán hàng sử dụng các chỉ dẫn. Một
chỉ báo hàng đầu là một số hoạt động hiện đại hay sự kiện mà chỉ ra
rằng một hoạt động hoặc sự kiện sẽ xảy ra trong tương lai. Tại một macro
mức, ví dụ, nhà mới khởi là yếu tố dự báo tốt về doanh số bán hàng trong tương lai của
nội thất nhà bếp. Ở cấp độ vi mô, khi khách hàng dùng thẻ tín dụng cuộc gọi vào
một trung tâm liên lạc để hỏi về tốc độ hiện tại quan tâm, đây là một mạnh mẽ
chỉ báo rằng các khách hàng sẽ chuyển sang một nhà cung cấp trong tương lai.
mô hình hồi quy làm việc bằng cách sử dụng dữ liệu về một số các yếu tố dự báo
biến để ước tính nhu cầu trong tương lai. Các biến được dự đoán được
gọi là biến phụ thuộc; các biến được sử dụng như dự đoán
được gọi là biến độc lập. Ví dụ, nếu bạn muốn
dự đoán nhu cầu cho xe ô tô (biến phụ thuộc), bạn có thể sử dụng dữ liệu
về quy mô dân số, thu nhập trung bình, giá xe trung bình cho
các loại được dự đoán và giá nhiên liệu trung bình (độc lập
biến). Phương trình hồi quy có thể được kiểm tra và xác nhận trên
dữ liệu lịch sử trước khi được thông qua. Biến dự báo mới có thể được
thay thế hoặc bổ sung để xem họ cải thiện tính chính xác của dự báo.
Điều này có thể là một phương pháp hữu ích để dự đoán nhu cầu từ một phân đoạn.