فروشتان را روی نقشهٔ Power BI بیاورید؛ بزرگ‌ترین دایره‌ها درست همان جایی می‌نشینند که از قبل نقطهٔ فروش دارید. این نقشه نشان می‌دهد کجا می‌فروشید، ولی نمی‌گوید نقطهٔ فروش بعدی را کجا باز کنید. برای آن باید ببینید مشتری کجا هست و از شما نمی‌خرد. ژئومارکتینگ یا بازاریابی مکانی برای همین است.
بیشتر تصمیم‌هایی که دربارهٔ باز کردن نقطهٔ فروش، نمایندگی یا انبار تازه دیده‌ام، با حس شخصی یا به خواست پرصداترین مدیر فروش گرفته شده‌اند. در ادامه روش ساده‌ای را با Power BI آورده‌ام که این تصمیم را به یک فهرست رتبه‌بندی‌شده تبدیل می‌کند: فروش به ازای هر هزار نفر جمعیت، فاصله تا نزدیک‌ترین نقطهٔ فروش، شکاف با یک پتانسیل واقع‌بینانه و تعداد رقبا در هر منطقه. این مقاله ادامهٔ نوشتهٔ قبلی‌ام دربارهٔ رسیدن از آشوب اکسل به یک داشبورد زنده است. شرکت و همهٔ عددهای این مقاله فرضی هستند و دادهٔ یک کسب‌وکار واقعی نیستند.
مثال فرضی
یک پخش‌کنندهٔ مصالح ساختمانی در یک استان شش نقطهٔ فروش دارد و برای سال بعد بودجهٔ یک یا دو نقطهٔ تازه را دارد. مدیر فروش می‌خواهد نقطهٔ بعدی در شرق مرکز استان باشد، چون فروش همین حالا هم آن‌جا از همه بیشتر است. روی نقشهٔ فروش حق با اوست: شرق شهر بزرگ‌ترین دایره را دارد.
ولی دایرهٔ بزرگ فقط چیزی را نشان می‌دهد که الان می‌فروشید. سؤال اصلی چیز دیگری است: بیشترین تقاضایی که امروز به آن نمی‌رسیم کجاست و یک نقطهٔ تازه واقعاً چه مقدار از آن را می‌تواند بگیرد؟
گام ۱: چهار جدول کوچک
پیش از هر نقشه‌ای، چهار جدول در Power BI می‌سازم:
- فروش: فاکتورهای ۱۲ ماه با شهر یا منطقهٔ مشتری؛ تعداد یا مبلغ، هر کدام که به آن بیشتر اعتماد دارید.
- مناطق: برای هر شهر یا منطقه یک ردیف، با جمعیت از آخرین سرشماری و طول و عرض جغرافیایی مرکز آن.
- نقاط فروش: نقطه‌های فروش خودتان با طول و عرض جغرافیایی.
- رقبا: تعداد فروشگاه‌های شناخته‌شدهٔ رقیب در هر منطقه. برای شروع یک شمارش ساده کافی است.
بخش سخت کار Power BI نیست؛ تمیز کردن نشانی مشتری‌هاست تا هر فاکتور در منطقهٔ درست بنشیند. به تجربهٔ من این کار از همهٔ مراحل دیگر روی هم وقت بیشتری می‌گیرد و ارزشش را دارد، چون یک کد منطقهٔ اشتباه فروش را روی نقشه به جای اشتباه می‌برد.
گام ۲: فروش به ازای هر هزار نفر، نه فروش کل
فروش کل بیشتر دنبال جمعیت می‌رود. برای مقایسهٔ منصفانهٔ مناطق از یک شاخص استفاده می‌کنم، ضریب نفوذ یعنی فروش به ازای هر هزار نفر:
Penetration = DIVIDE([Sales Units], SUM(Areas[Population]) / 1000)
روی نقشه اندازهٔ دایره جمعیت را نشان می‌دهد و رنگ آن ضریب نفوذ را. تصویر یک‌باره عوض می‌شود: شهرهای بزرگ دیگر پررنگ‌ترین نقطه‌ها نیستند و شهرهای کوچکِ دور از هر نقطهٔ فروش تقریباً خالی دیده می‌شوند.
گام ۳: فاصله تا نزدیک‌ترین نقطهٔ فروش
بعد یک ستون محاسباتی به جدول مناطق اضافه می‌کنم که فاصلهٔ مستقیم تا نزدیک‌ترین نقطهٔ فروش خودمان را می‌دهد:
Dist km = MINX(Points, 6371 * 2 * ASIN(SQRT(POWER(SIN(RADIANS(Points[Lat] - Areas[Lat]) / 2), 2) + COS(RADIANS(Areas[Lat])) * COS(RADIANS(Points[Lat])) * POWER(SIN(RADIANS(Points[Lon] - Areas[Lon]) / 2), 2))))
این همان فرمول استاندارد هاورساین است. فاصلهٔ جاده‌ای معمولاً بیشتر است، ولی برای رتبه‌بندی مناطق فاصلهٔ مستقیم کافی است. در این مثال ضریب نفوذ با فاصله به‌روشنی پایین می‌آمد:
- کمتر از ۱۰ کیلومتر تا یک نقطهٔ فروش: حدود ۴۰ واحد به ازای هر هزار نفر در سال.
- ۱۰ تا ۲۵ کیلومتر: حدود ۲۲ واحد.
- بیشتر از ۲۵ کیلومتر: ۳ تا ۹ واحد.
مشتری از جایی می‌خرد که راحت به آن برسد. کل ایدهٔ ژئومارکتینگ در همین یک جمله است.
گام ۴: پتانسیل و شکاف هر منطقه
مناطقی که پوشش خوبی دارند یک معیار واقع‌بینانه می‌دهند: ۴۰ واحد به ازای هر هزار نفر. پتانسیل و شکاف بعد از آن دو شاخص ساده‌اند:
Potential = SUM(Areas[Population]) / 1000 * 40
Gap = MAX(0, [Potential] - [Sales Units])
برای چهار منطقهٔ پیشنهادی جدول این شکل را داشت:
- شهر الف: ۱۸۰ هزار نفر، ۳۲ کیلومتر تا نزدیک‌ترین نقطه، ۷ واحد به ازای هر هزار نفر؛ شکاف حدود ۵٬۹۴۰ واحد در سال؛ دو فروشگاه رقیب.
- شرق مرکز استان (ج): ۲۴۰ هزار نفر، ۱۴ کیلومتر، ۲۲ واحد به ازای هر هزار نفر؛ شکاف حدود ۴٬۳۲۰ واحد؛ چهار فروشگاه رقیب.
- شهر ب: ۹۵ هزار نفر، ۲۸ کیلومتر، ۹ واحد به ازای هر هزار نفر؛ شکاف حدود ۲٬۹۴۵ واحد؛ بدون فروشگاه رقیب.
- شهر د: ۶۰ هزار نفر، ۴۵ کیلومتر، ۳ واحد به ازای هر هزار نفر؛ شکاف حدود ۲٬۲۲۰ واحد؛ بدون فروشگاه رقیب.
گام ۵: یک نقطهٔ تازه واقعاً چقدر می‌گیرد؟
نقطهٔ تازه همهٔ شکاف را نمی‌گیرد، به‌خصوص جایی که رقبا از قبل قوی‌اند. من یک نرخ جذب ساده به کار می‌برم که تیم فروش رویش توافق کند: ۵۰٪ شکاف جایی که رقیبی نیست، ۳۵٪ با یک یا دو رقیب و ۲۵٪ با سه رقیب یا بیشتر. رتبه‌بندی این می‌شود:
- شهر الف: حدود ۲٬۰۸۰ واحد در سال.
- شهر ب: حدود ۱٬۴۷۰ واحد.
- شهر د: حدود ۱٬۱۱۰ واحد.
- شرق مرکز استان: حدود ۱٬۰۸۰ واحد.
منطقه‌ای که بزرگ‌ترین دایره را روی نقشهٔ فروش داشت، آخر شد. شهر الف که روی آن نقشه تقریباً دیده نمی‌شد، اول است. گام بعدی یک بازدید کوتاه میدانی از شهر الف و شهر ب است و بعد یک بررسی سادهٔ اجاره، نیرو و موجودی برای هر کدام، مثل آن‌چه در مقالهٔ امکان‌سنجی یک‌صفحه‌ای و تصمیم سرمایه‌گذاری نوشته‌ام.
گزارشی که در Power BI می‌سازم
- یک صفحهٔ نقشه با ویژوال Azure Maps: اندازهٔ دایره بر اساس شکاف، رنگ بر اساس بازهٔ فاصله و نقاط فروش خودمان و رقبا در لایه‌های جدا.
- یک جدول رتبه‌بندی: منطقه، جمعیت، فاصله، ضریب نفوذ، شکاف، تعداد رقبا و جذب واقع‌بینانه.
- یک پارامتر What-if برای معیار و نرخ‌های جذب، تا تیم فروش به جای بحث کردن دربارهٔ فرض‌هایش، خودش آن‌ها را امتحان کند.
ChatGPT یا Copilot می‌تواند DAX را برایتان بنویسد و توضیح دهد. ولی فرض‌ها، مثل معیار و نرخ‌های جذب، باید از دادهٔ خودتان و تیم فروشتان بیاید.
می‌خواهید این را روی شبکهٔ فروش خودتان امتحان کنید؟
فروش ۱۲ ماه به تفکیک شهر یا منطقه و موقعیت نقطه‌های فروشتان را برایم بفرستید، حتی بدون نام مشتری‌ها. ضریب نفوذ و فاصله را روی نقشه می‌آوریم، بزرگ‌ترین شکاف‌ها را پیدا می‌کنیم و یک گزارش Power BI می‌سازیم که تیم فروشتان برای تصمیم بعدی دربارهٔ محل نقطهٔ فروش از آن استفاده کند.
تماس با من بخوانید: امکان‌سنجی بخوانید: داشبورد استثنا
منابع
- ژئومارکتینگ و تحلیل مکان فروشگاه بر این ایده تکیه دارند که تقاضا با فاصله تا فروشگاه کم می‌شود؛ اصلی که در مدل‌های جاذبهٔ خرده‌فروشی مثل مدل هاف به کار می‌رود.
- فرمول هاورساین فاصلهٔ کمانی روی کره‌ای با شعاع حدود ۶٬۳۷۱ کیلومتر را می‌دهد. DIVIDE، MINX، ASIN، SQRT، SIN، COS و RADIANS توابع استاندارد DAX هستند و Azure Maps ویژوال نقشهٔ مایکروسافت برای Power BI است. شرکت و همهٔ عددهای این مقاله فرضی‌اند.
- مطالعهٔ مرتبط در همین سایت: داشبورد زنده، داشبورد استثنا و امکان‌سنجی یک‌صفحه‌ای.