Omvandla dina transaktionsdata till effektiva försäljningsprognoser


Published April 22, 2021 by Jakob Sjölander

Varför är det svårt att göra bra prognoser trots all data?

Vi ser hur e-handlare kämpar med att sätta ambitiösa men samtidigt realistiska försäljningsmål. De använder många typer av modeller och testar olika scenarion. Efter dagar av Excel-exercis kommer de till slut fram till ett resultat som nästan alltid missar det verkliga utfallet.

Trots tillgång till historisk data är det svårt att göra tillförlitliga prognoser över en längre tid. Alltför många omvärldsfaktorer spelar in. Det har vi lärt oss efter att ha utvecklat och testat en mängd olika maskininlärningsmodeller för prognostisering.

Enkla modeller kan vara effektiva i en föränderlig värld med många osäkerhetsfaktorer

Vi fick inspiration att testa enklare modeller från den klassiska managementboken High Output Management av Andy Grove. I boken från 1983 beskrivs stagger charts som den bästa indikatorn för framtida trender. En stagger chart är en tabell med månadsvisa prognoser som jämförs löpande med verkligt utfall (se bild).

Stagger Chart
Stagger chart. Månadsvis görs prognos 3-12 månader framåt i tiden. Varje månad börjar med att man redovisar utfall. Med tiden ser man hur utfall stämmer överens med prognoser samt hur prognoserna förändras varje månad.

Vi utvecklade en modell som automatiskt prognostiserar framtida intäkter per månad och presenterar prognoser och utfall i en stagger chart. Modellen använder transaktionsdata för att räkna fram antaganden kring antal aktiva kunder, antal ordrar per kund samt snittordervärden.

Staggertabellen ger en omedelbar förståelse av hur verksamheten utvecklas eftersom den ger en överblick av hur prognoser förändrats över tid. Dessutom visar den på underliggande orsaker som skapat gapet mellan utfall och prognos, som till exempel nykundsanskaffning, återkommande försäljning, eller snittordervärde. Resultatet är en tydlig bild av var problem finns och vilka åtgärder som krävs.

Med vårt fokus på AI och senaste maskininlärningsmodellerna trodde vi inte att vi skulle hitta inspiration i en manuell prognosmetod från början av 80-talet. Men Andrew Groves fyrtio år gamla stagger charts behåller sin unika styrka i sin enkelhet för att förstå framtida trender.

Detta är ett utmärkt exempel på värdet av att kunna förstå och agera på stora mängder data med hjälp av en kombination av begripliga modeller och tydliga visualiseringar.

Hör av dig om du är intresserad av att veta mer.

Add your comments to the LinkedIn post.