Az optimális egységár meghatározása BI rendszerekkel


2000-et írtunk, amikor ezzel a problémával találkoztunk: Hogyan lehet alátámasztani egy új termék értékesítési árának jóságát a vállalat múltbeli adatai alapján?

Ha már egyszer árult ilyen terméket a vállalat, akkor könnyű helyzetben vagyunk, hiszen tudjuk, hogy ki, mikor mekkora összeget volt hajlandó megfizetni a termékért, és ebből elég jó következtetéseket tudunk levonni. Ha még nem árult ilyen terméket, de egy hasonló terméket már igen, akkor is szerencsénk van: Annak adatai alapján meg fogjuk tudni becsülni azt az optimális egységárat, ami a legnagyobb nyereséget termeli a vállalatnak.

A feladat tehát az, hogy megtaláljuk azt az árat, amelyen értékesítve az adott terméket, a legnagyobb profitot (fedezetet) érhetjük el.

Ha olcsón adjuk a terméket akkor egy-egy terméken csak kis nyereség keletkezik, de abból sok. Ha drágán adjuk a terméket, akkor csak keveset tudunk belőle értékesíteni, viszont azt nagy nyereséggel. A kérdés csak az, hogy hol van az optimum? Melyik az az értékesítési egységár, amely összességében a legtöbb profitot hozza a vállalatnak?

Az optimális egységár meghatározása elméletben

Az optimális egységár meghatározása elméletben

Szerintem már mondanom sem kell, hogy a probléma megoldására egy OLAP kockát készítettünk, amely megmutatta, hogy egy bizonyos termék - vevő/vevőcsoport kombinációban az egységár függvényében mekkora fedezetet ért el a vállalat. Íme az eredmény

Az optimális egységár meghatározása a gyakorlatban

Az optimális egységár meghatározása a gyakorlatban

Az ábrából leolvasható, hogy a vizsgált termék értékesítése során a 93 forintos egységár eredményezte a legnagyobb fedezet tömeget. (Az ábrából az is látszik, hogy néha alacsonyabb áron értékesítettük a terméket, mint az önköltsége :-( )

Az adatkocka felépítéséhez a következő dimenziókat használtuk:

  • Vevő: Vevők és jellemzőik: milyen csoportba, milyen szegmensbe, milyen típusba, ... tartoznak
  • Termék: Rájuk nem építettünk hierarchiát, a dimenzió csak az elemi termékeket tartalmazta, de a termékek tulajdonságai alapján lehetett köztük keresni. pl azonos márkájú, azonos összetételű, ... termékeket
  • Időszak. Itt szakítottunk a hagyományos idődimenzió felépítéssel. Az idő dimenziónak összesen 5 értéke volt: 30, 60, 90, 180, és 360 és azt mutatta, hogy hány nap adatát vegyük figyelembe visszamenőleg a görbe felrajzolásához.
  • Egységár: (felvettünk egy diszkrét skálát nullától a legmagasabb árú termékig: 0, 1, 2, ... n)
  • Fedezet: Ismertük a termék önköltségét és ebből meg tudtuk határozni, hogy egy adott értékesítés mekkora fedezettömeget generált. A measures dimenzióba betettünk még egy vásárlások száma mutatót is, hogy lehessen látni, hogy adott egységáron hány vásárlás adta ki a teljes fedezet tömeget.

Az elemzés pontosságát torzító tényezők: Az elemzés pontosságát torzíthatják a sztornó számlák, a speciális értékesítések (grátisz, termékminták, stb) és a visszahozott áruk. Ezekre oda kell majd figyelni a megvalósítás során.

Összefoglalva: A múltbeli adatainkból igen jó képet kaphatunk arról, hogy egy adott termék értékesítése során mekkora volt az az egységár, amelyen értékesítve a terméket a legnagyobb fedezettömeget értük el. Az ezzel az információval felvértezett kereskedők pedig könnyebben tudják maximalizálni a vállalat profitját.

POWER BI WORKSHOP

Tudjon meg többet az itt elhangzottakról! Jöjjön el a 2017. szeptember 5.-i Power BI workshopra. Részletek >>

  

Elválasztó

Már készül a következő cikk. Kérjen értesítést a megjelenéséről itt.

|

Kővári Attila
2009. május 18.
Címkék:

Szóljon hozzá!

Szabály: Legyen kedves, segítõkész és vállalja a nevét.
A mező tartalma nem nyilvános.
  • A web és email címek automatikusan linkekké alakulnak.
  • Engedélyezett HTML elemek: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • A sorokat és bekezdéseket automatikusan felismeri a rendszer.
ANTI SPAM
A robot regisztrációk elkerülésére.
Image CAPTCHA
Figyeljen a kis és nagybetűk használatára

POWER BI WORKSHOP

Tudjon meg többet az itt elhangzottakról! Jöjjön el a 2017. szeptember 5.-i Power BI workshopra. Részletek >>