Прогнозирование и анализ продаж на рынке товаров длительного пользования и В2В

  • Продолжительность: 4 дня

  • Город: Санкт-Петербург

Для кого будет полезен тренинг?

Экономисты, продажи, маркетинг, BI / Руководители (коммерция)

Тренинг для специалистов коммерческих, планово-экономических и сбытовых подразделений. Методы практической аналитики. Формирование доказательной базы для принятия и обоснования решений.

Возможность использования своих данных в процессе обучения

Вы получите

  • Пошаговые инструкции по применению каждого метода

  • Сертификат на 4-месячную бесплатную консультационную поддержку

Требования

  • Высшее образование

  • Опыт работы в Excel на уровне пользователя

После окончания обучения Вы сможете

  • Определять наилучший метод прогнозирования для конкретной ситуации

  • Прогнозировать, если имеется история только продаж

  • Прогнозировать при наличии мнения экспертов

  • Разрабатывать сценарии продаж

  • Выделять «чистый» эффект акции из динамики продаж

  • Повышать точность прогнозов

  • Оценивать пределы прогнозируемости своего рынка

  • Прогнозировать в случае недостатка объективной информации (например, вывод на рынок нового продукта)

  • Оперативно прогнозировать, когда нужен быстрый прогноз

  • Прогнозировать с учетом дополнительной информации о разных факторах (активность конкурентов, акции, рекламный бюджет, погода и т.п.), одновременно влияющих на продажи

  • Разрабатывать сценарии продаж

День 1. Азы прогнозирования и анализа, подготовка данных.
Прогнозирование продаж без учета дополнительной информации о факторах

  • Инструменты, методики, алгоритмы

  • Процесс прогнозирования: технология «Пять шагов»
  • Три способа систематизации экспертных мнений о факторах, влияющих на продажи:

– диаграмма Исикавы
– таблица факторных влияний
– причинно-следственная диаграмма

  • Правила подготовки исходных данных для прогнозирования в Excel. Работа с пропущенными данными
  • Графический анализ динамики продаж с целью выявления тренда, сезонности и других компонент
  • Влияние типа сезонности на выбор метода прогнозирования
  • Основные статистические показатели, используемые при прогнозировании: среднее значение, медиана, стандартное отклонение, стандартная ошибка, размах

  • Инструменты, методики, алгоритмы

  • Доверительный интервал прогноза
  • Точность модели и точность прогнозов, показатели MAPE, MAD и другие
  • Подходы к выбору адекватного показателя оценки точности модели и прогноза
  • Прогнозирование на основе метода экспоненциального сглаживания:

– идея метода: четыре параметра сглаживания
– пошаговый алгоритм в Excel
– влияние горизонта прогноза на точность прогнозов
– влияние выбросов и структурных сдвигов на точность прогнозов
– плюсы и минусы подхода

  • Оценка качества прогнозной модели. Графический анализ остатков: гистограма, диаграмма рассеяния, график автокорреляции

  • Кейсы

  • Пример. Строим диаграмму Исикавы для систематизации факторов, действующих на рынок, заполняем таблицу факторных влияний на основе экспертных мнений слушателей курса.
  • Пример в Excel. Изучаем динамику продаж отдельных товаров/товарных групп. Учимся анализировать колебания продаж и формировать правильные ожидания.
  • Пример в Excel. Проводим графический анализ динамики продаж. Самостоятельно учимся определять наличие тренда, сезонности, структурных сдвигов и выбросов.
  • Пример в Excel. Строим прогноз продаж на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.

День 2. Прогнозирование продаж с учетом дополнительной информации о факторах

  • Инструменты, методики, алгоритмы

  • Многофакторный регрессионный анализ: идея и требования к исходным данным
  • Пошаговый алгоритм прогнозирования на основе регрессионного анализа в Excel
  • Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)
  • Правила оценки качества модели:

– анализ остатков
– ANOVA
– R-квадрат и скорректированный R-квадрат

  • План действий при «плохих» остатках модели
  • Интерпретация коэффициентов регрессионного уравнения:

– как влияют факторы на продажи
– ранжирование факторов по силе влияния

  • Инструменты, методики, алгоритмы

  • Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных
  • Учет в регрессии сезонности разного типа
  • Разработка сценариев продаж на основе регрессионного анализа
  • Пессимистический и оптимистический прогноз: варианты построения
  • Плюсы и минусы прогнозирования на основе регрессионного анализа
  • Правила перехода от регрессии к авторегрессии
  • Авторегрессионные модели для прогнозирования: идея и реализация
  • Плюсы и минусы прогнозирования на основе авторегрессионного анализа

  • Кейсы

  • Пример в Excel. Анализируем влияние макроэкономических факторов на продажи товаров длительного пользования.
  • Пример в Excel. Анализируем влияние кризиса, изменения ассортимента, числа торговых точек и т.п. Учимся учитывать факторы спроса.
  • Пример в Excel. Прогнозируем продажи с использованием фиктивных переменных.
  • Пример в Excel. Анализируем влияние погодных условий на продажи.
  • Пример в Excel. Изучаем влияние на продажи рекламной активности различных видов. Делаем прогноз при разных сценариях рекламных кампаний.
  • Пример в Excel. Прогнозируем численность клиентов на основе Интернет-статистики (посещаемость ресурсов, интенсивность просмотра и т.п.).
  • Пример в Excel. Проводим сравнительный анализ прогнозов продаж на основе регрессии и авторегрессии.
  • Пример в Excel. Строим прогноз продаж конкретной товарной группы всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

День 3. Оценка эффектов акций, учет особенностей рынка В2В и другие практические вопросы прогнозирования

  • Инструменты, методики, алгоритмы

  • Правила проведения ручной корректировки прогнозов
  • Три способа оценки эффекта акции:

– с помощью регрессионной модели
– на основе критерия Уилкоксона
– методом аналогий

  • Учет запаздывающего влияния факторов при прогнозировании
  • Два способа прогнозирования продаж новых продуктов в условиях отсутствия исторических данных
  • Особенности прогнозирования капиталоемких товаров (метод дискретных распределений)

  • Кейсы

  • Пример в Excel. Оцениваем эффекты акций разными способами в зависимости от имеющейся информации.
  • Пример в Excel. Анализируем временную задержку (лаг) в росте продаж при росте рекламного бюджета.
  • Пример в Excel. Прогнозируем продажи нового продукта.
  • Пример в Excel. Прогнозируем продажи капиталоемких товаров с учетом редкого спроса.

День 4. Отработка навыков прогнозирования на примерах слушателей.
Анализ возможностей и целесообразности повышения точности прогноза

  • Инструменты, методики, алгоритмы

  • Структура ошибки прогноза
  • Алгоритм выявления источников ошибки прогноза и оценка всех ее компонентов
  • Идея предела прогнозируемости:

– теоретический подход к оценке пределов прогнозируемости продаж
– алгоритм расчета в Excel пределов прогнозируемости (максимально достижимой точности прогноза)

  • Автоматизированная корректировка прогноза в Excel с учетом несимметричной «цены» ошибки
  • Методика прогнозирования числа клиентов на основе «воронки продаж» с учетом факторов риска

  • Кейсы

  • Примеры в Excel. Получаем и анализируем прогнозы на основе данных слушателей. Изучаем потенциальные возможности улучшения прогнозов.
  • Пример в Excel. Строим прогноз продаж и анализируем причины отклонений «факт-прогноз».
  • Пример в Excel. Определяем предел прогнозируемости на конкретных данных о продажах.
  • Пример в Excel. Комплексная задача.

Станьте профессионалом прогнозирования

На курсе вы в простой и доступной форме, на реальных примерах
из вашего бизнеса освоите все этапы прогнозирования продаж.

Преподаватели

Анна Монахова

  • Преподаватель-аналитик, эксперт
  • Руководитель отдела развития образовательных программ Analytera.
  • Опыт консультационной деятельности 10 лет.
  • Большой опыт аналитика-практика.

Юлия Берлин

  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
  • Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
  • Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
  • Проводит подготовку специалистов по концепции SixSigma.
  • Преподаватель-аналитик Центра Статистических Технологий
  • Кандидат экономических наук, доцент.
  • Опыт преподавания и консультирования более 10 лет.
  • Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
  • Исследование потребительских предпочтений.
  • Планирование исследований и разработка планов экспериментов.
  • Обработка результатов анкетирования и тестов.
  • Разработка прогнозных моделей энергопотребления.
  • Автор более 40 учебно-методических и научных работ.

Отправить заявку на участие в тренинге

Стоимость участия

Один человек (от компании) – 41 000 ₽
Два и более человек (от компании) – 40 000 ₽
Один человек (физическое лицо) –40 000 ₽

* Все скидки действуют только при предоплате
** Стоимость участия может изменяться в зависимости от даты и места проведения тренинга

ООО "Ново Би Ай"©
199026, Россия, Санкт-Петербург, 
В.О. 26-я линия, д.15, корп.2, Литер А – БЦ «Биржа»
Государственная аккредитация Минкомсвязи России № 8353

Компания Novo BI не является поставщиком данных.
Мы разрабатываем решения для загрузки, обработки и хранения маркетинговых данных предоставленных клиентом.