Myynnin edistyksellinen ennustaminen - tehdäänpä sitä sitten tuoteryhmittäin, myyntitiimeittäin, per myyntikanava, laskutusperusteen perusteella... – edellyttää tilastotieteen oppien soveltamista käytäntöön. Ennustemalleja on monia, aina trendiennusteesta monen muuttujan regressiomalliin. Tärkeämpää kuin yhden mallin valinta on ensin varmistaa, että analyysin perusta on kunnossa – ja lähteä liikkeelle etsimään sopivinta mallia.
Jotta myyntiennuste onnistuu, varmista tilastotieteen perusasiat:
Analyyseissä voidaan käyttää sisäistä ja ulkopuolista dataa. Käytännössä pienemmän yrityksen on hyvä aloittaa sisäisen datan käytöstä – ja laajentaa myöhemmin myös ulkoisen datan hyödyntämiseen. Varsinkin suuret yritykset hyötyvät ennustamisessa relevanttien ulkoisten lähteiden käytöstä.
Ulkoista dataa voivat olla esimerkiksi yleistä talouden aktiviteettia ennakoivat indeksit, toimialan ostopäällikköindeksi (PMI) tai vaikkapa tietyn hakusanan hakuvolyymien vaihtelu. Valinnassa tulee käyttää harkintaa, jotta väärä data ei vie ennustetta metsään.
Myyntiennusteen – kuten minkä tahansa prognoosin onnistuminen lähtee datasta. Saatavilla oleva data ja datan laatu määrittelevät, millaisia ennusteita on mahdollista lähteä tekemään. Datan tulisi olla mahdollisimman paikkaansa pitävää.
On määriteltävä yhtenäinen politiikka datan käsittelyyn: esimerkiksi, mitä tehdään puuttuville arvoille ja miten käsitellään poikkeavat eli outlier-arvot. Jos esimerkiksi on kysymys CRM:ään täytettävistä tiedoista, on todennäköistä, että eri henkilöt täyttävät saman asian järjestelmän eri kenttiin. Manuaalisesti kenttiä täytettäessä syntyy myös inhimillisiä mittavirheitä.
Päättäkää mille tasolle data aggregoidaan. Enemmän aggregoidussa datassa on luonnostaan vähemmän kohinaa ja soveltuu vastaamaan laajemman perspektiivin kysymyksiin. Samalla kuitenkin saatetaan menettää ennustamisen tarkkuutta, koska ei havaita kaavoja (pattern) alemman levelin datasta.
Ulkopuolisen datan hyödyntäminen - Jos/kun malliin otetaan ulkopuolista dataa on tärkeää tunnistaa ulkopuolisia tekijöitä, jotka vaikuttavat myyntiin, ja ottaa nämä huomioon myyntiennustemallissa. Näin lisätään myyntiennusteen tarkkuutta ja mallin luotettavuutta. Vastaavasti ottamalla mukaan huonolaatuista ulkoista dataa voivat vaikutukset malliin olla päinvastaiset. Analyysiprosessin moderni työkalu tukee helppoa ulkoisen datan, esimerkiksi sijaintidatan hyödyntämistä. (jatkuu kuvan jälkeen)
Riittävä määrä historiallista dataa – On hyvä määritellä mikä on mallin kannalta olennainen määrä historiallista dataa, jolla ennustetta tehdään. Jos myyntiennustemalliin vaikuttavat tekijät eivät ole muuttuneet, ja historiallista dataa on riittävän pitkältä ajalta, voidaan olettaa mallin ennustavan relevantisti tulevaakin. Mutta jos yritys on esimerkiksi tuonut valikoimaansa uusia tuotteita, ei aiempaan historiaan voida luottaa sokeasti. Toimintaympäristön muutokset on otettava mallissa huomioon, esimerkiksi autokaupan verotuksen muutoksia mallinnetaan dummy-muuttujilla.
Data stationaariseksi - Stationaarisen datan tuottaminen on tärkeää aikasarja-analyysiin perustuvan mallin tarkkuuden vuoksi. Tarkastele, löytyykö datasta trendejä tai jaksollisuutta: ne täytyy poistaa, jotta dataa voidaan käsitellä stationaarisena.
Käytä sopivaa aikajännettä - Ei ole luotettavaa eikä monissa yhteyksissä tarkoituksenmukaista ennustaa liian pitkälle, esimerkiksi yli 1,5 vuoden päähän.
Monimutkaisimmat ja haastavimmat mallit eivät useinkaan ole parhaita. Testaa mitkä mallit ovat historiallisesti toimineet parhaiten ja lähde kehittämään niitä.
Aloita malleista, joita ymmärrät. Jos et ymmärrä itse mallia, et pysty tulkitsemaan myöskään sen tuloksia tai kehittää mallia.
Tarkkaile mallia ja päivitä tarpeen vaatiessa. Vertaa ennustettua myyntiä vs. tapahtunut myynti. Jos ennuste ja toteuma ovat kaukana toisistaan, on käytävä läpi, mikä ns. mättää. Jäikö huomioimatta esimerkiksi jokin ulkoinen tekijä tai ao. tarkastelujakson myyntipäivien todellinen määrä jne?
Testaamisen kannalta mallintamisen työkalun valinnalla on suuri merkitys.
Olennaisinta on aloittaa jostakin. Pelkkä myyjien (optimistiseen tai pessimistiseen) mutu-tuntumaan perustuva myyntiennuste on toki jotakin sekin, mutta siitä ei välttämättä ole paljoakaan apua kassavirtaennusteen tai tuotannon ostojen suunnittelun kannalta.
Kun tavoitteena on liiketoimintaa aidosti palveleva myyntiennuste, on keskeisintä ymmärtää, että onnistuneen myyntiennusteen rakentaminen on paremminkin jatkuvasti päivittyvä oppimisprosessi kuin projekti, joka voidaan ensimmäisen version jälkeen unohtaa.
Siksi parasta on valita yksi malli, lähteä toteuttamaan sitä ripeästi ja antaa datan opettaa.
Prediktiivisen analytiikan pariin pääsee kiihdytyskaistaa, kun rakentaa analytiikkaprosessin yhdessä ja samassa ympäristössä. Ns. low-code / code-friendly analytiikkatyökalu Alteryx on ohjelmisto, jolla sekä lähtödatan käsittely että eri mallien kehittäminen, testaus ja vertailu onnistuu myös ilman koodauksen ja datatieteen opintoja. Toisaalta Alteryx nopeuttaa koodin kirjoittamista.
Jos riittävää tilastollista osaamista tai data scientisteja ei omasta organisaatiosta löydy, kannattaa kysyä apuja asiantuntijalta. Aikaa säästyy, kun mallintaminen ja relevantti ennuste tehdään yhdessä ekonometrian osaajien kanssa. CASE: Lue, kuinka Ahlström-Munksjö säästi aikaa.