认知销售分析：同比与环比分析的实战案例

一家商业组织运营情况如何，首先要看销售量、销售额、利润、投资回报率等数据情况。如果一家商业组织的销售量长期很低且对投资回报率有要求，那么这个商业组织往往会进行“减员增效”，也就是使用裁员的方式来提高资金使用效率，以此维持公司的正常运行。

一、销售分析的基本含义

1.销售额分析

在会计科目中，销售额由营业收入和成本两者构成。会计往往会把销售额和营业收入的概念进行区分，一般来说，销售额等于营业收入加成本，因为成本的原因，所以销售额肯定与营业收入不同。如果只是单一的业务，比如说销售某种商品，那么销售额与营业收入是指同一结果，即销售额＝营业收入。所以，转换为公式则是：

公司销售额＝营业收入＋成本

商品销售额＝营业收入

在实体商务交易中，有些交易虽然成功，但不一定符合计入收入的要求，就不能计入营业收入。如物品办理了销售手续也交了钱，但货物没有取走（也就是未办理提货手续），这时，可以计入交易额而不能计入营业收入。这种情况交易额会大于营业收入。

但在电子商务交易中，我们往往把店铺销售额等同于商品销售额，也就是营业收入看待。至于商品有没有发货、有没有客户收货等情况则另行计算。销售额常表述为GMV。

电子商务中的销售和实体店铺中的销售，概念是有所不同的。电子商务中销售额就是产品的销售产值，它的计算公式为：

商品销售额＝销售数量×销售单价

2.销售量分析

销售量是指电子商务中的销售子订单数。如顾客小C在某店铺购买了一单货，这单货中有5款SKU，每款SKU分别买了5个。那么，从商家角度来说，销售量为25个子订单的25，而不是1个大订单的1。又比如，顾客小D下了1个订单买了5件同款T恤，那么对于商家来说，商品的销售量为5个子订单的5。

就商家来说，销售量越大表示生意越好，量大必然能促进产能提升。当然，不管销售额还是销售量，这些数据最终是围绕客户（也就是消费者）的情况来构建的。

3.客单价分析

客单价是指在一个交易周期内，平均每位客户在店铺当中的交易金额。商家常常用客单价数据来判断客户的价值挖掘程度和店铺的关联销售情况。客单价是指一个时期内的客单价，又被称为ATV。

在电子商务中，还有哪些与销售密切相关的概念呢？

二、销售相关业务场景

一般来说，商家会用自家的销售情况来衡量盈利状况，销售分析主要是为了追踪业务开展情况，与KPI指标业绩对比，调整销售策略，进一步提升销售额。在零售电子商务的业务场景中，非常关注人、货、场的业务场景。“人”是指客户，“货”是指商品，“场”主要指场景。那么在销售数据分析中，可以套用人、货、场的模型来分析相关业务。

“人”可以从员工和顾客忠诚度两个角度来分析；“货”则从商品、价格和销售情况三个角度来分析；“场”则从卖场、渠道和促销三个角度来分析。例如，我们在分析客单价下降情况的原因时，从“人”的角度来分析，可以通过细究员工和客户中尤其是高价值人群的流失情况数据来找到原因；从“货”的角度来分析，可以通过商品库存量、价格情况和关联销售情况的数据来分析商品；从“场”的角度来分析，可以通过店铺视觉设计、销售渠道和促销活动情况的数据来分析销售场景。

三、销售数据分析常用方法

我们在做销售数据分析时，会较常使用数据对比、极值、预测的方式来分析。

1.对比

商家在做销售数据分析的时候，往往会对销售数据进行分类分析。然后再进行对比，常用到同比和环比的方法来分析销售相关数据。比如某化妆品公司在某店铺一周的销售额数据如图3－1所示。

图3－1　销售数据分析示例

在销售数据分析中，常用同比分析来看年度增长态势，用环比分析来看近期增长态势。环比方法在使用中，常常会根据需要再细分为季环比、月环比、周环比、日环比。同比分析则基本上用本年度与上年度的同期数据进行对比，以此判断相邻年度内同时期的销售情况变化。很少有同比分析是用在相邻季度、月度、周的同期数据比较的。

在图3－1中，商家在做对比分析时，将销售额按照消费对象分为两类，分别为“新客户销售额”和“回头客销售额”，再把这两类销售额拆解细分为更多的具体指标，然后进行环比分析，如图3－1中的“新客户数”“客单价”“购买频次”“件单价”“平均购买件数”等具体指标。

2.极值

极值则表示极端数据，往往指最高或最低的销售数据。比如商家在对销售员进行业绩考核时，常常采用月销售额最高纪录的数据作为标杆，以此激励销售人员或事业部来突破极值纪录。而最低数据则往往被商家用来作为警示和辞退员工的依据之一。(https://www.xing528.com)

3.预测

预测是根据权重曲线预测未来的相关情况。销售中常常使用预测技术来分析预测销售成本、销售利润、销售额等情况。在商务数据分析的预测分析中，我们常使用回归分析法和时间序列预测法来预测未来业务。下面分别来介绍这两种预测分析技术。

（1）回归分析预测。

我们常常采用回归分析的基本方法——图表趋势预测法，根据给出的数据制作散点图或者折线图并添加适当类型的趋势线，利用趋势线外推或利用回归方程计算预测值。

趋势线是一种回归分析的基本方法，是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。趋势线包括线性、指数、对数、多项式、幂和移动平均分析等。

线性趋势线，适用于增长或降低的速度比较平稳、关系稳定，数据点构成趋势近乎直线的预测，如电商定制模式商家的销售量和生产量数据。在商务数据分析中，常常使用线形趋势线预测店铺销售额等。

指数趋势线，适用于增长或降低的速度持续增加且增加幅度越来越大的数据集合，数据点构成趋势为曲线的预测，需要注意的是如果数据值中含有零或负值，不能使用指数趋势线。在商务数据分析中，常常使用指数趋势线预测店铺销量等。

对数趋势线，适合增长或降低幅度一开始比较快，逐渐趋于平缓的数据集合，如人的年龄与身高数据等。

多项式趋势线，适用于增长或降低的波动较大的数据集合，它可用于分析大量数据的偏差。多项式的阶数可由数据波动的次数或曲线中拐点（峰和谷）的个数确定。二阶多项式趋势线通常仅有一个峰或谷。三阶多项式趋势线通常有一个或两个峰或谷，四阶通常多达三个。在商务数据分析中，常常使用多项式趋势线预测销售费用等。

乘幂趋势线，适用于增长或降低速度持续增加，且增加幅度比较恒定的数据集合。需要注意的是如果数据中含有零或负数值，就不能创建乘幂趋势线。

移动平均趋势线，用于平滑处理数据中的微小波动，从而更加清晰地显示数据的变化和趋势。移动平均使用特定数目的数据点（由“周期”选项设置），取其平均值，然后将该平均值作为趋势线中的一个点。

使用回归分析法预测未来数据时，要考虑到R平方值，R平方值适用公式是：

R平方值＝回归平方和/总离差平方和

R平方值取值空间为大于0小于1，越接近1，回归拟合效果越好，一般认为超过0.8的模型拟合优度比较高。

（2）时间序列预测。

时间序列是指某种变量在一定时间段内不同时间点上观测值的集合，这些观测值是按时间顺序排列的，时间点之间的间隔是相等的，可以是年、季度、月、周、日或其他时间段。它承认事物发展的延续性，运用过去时间序列的数据进行统计分析，推测出事物的发展趋势，并且充分考虑到偶然因素影响而产生的随机性，为了消除随机波动的影响，时间序列预测法利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。

时间序列预测假设事物发展趋势会延伸到未来，预测所依据的数据具有不规则性，且不考虑事物发展之间的因果关系。它的优点与缺点都非常明显，优点是在分析现在、过去、未来的联系时，以及未来的结果与过去、现在的各种因素之间的关系时，效果比较好；数据处理时，并不复杂。缺点是反映了对象线性的、单向的联系；适合预测稳定的、在时间方面稳定延续的过程，并不适合进行长期预测。

时间序列预测法的一般操作步骤包括：

Step 1：收集、整理历史资料，编制时间序列。要求时间序列要完整、准确，各数据间应具有可比性，要将不可比的数据整理为可比数据，如果在时间序列中存在极端值，要将其删除。

Step 2：绘制图形。把时间序列绘制成统计图，能更好地体现变量的发展变化趋势和统计数据的分布特点。

Step 3：建立预测模型、进行预测计算。选择预测模型时主要考虑：预测期的长短、时间序列的类型、预测费用、预测准确度的大小、预测方法的实用程度。

Step 4：评价预测结果。从统计检验和直观判断两个方面，对使用统计、数学方法取得的预测结果进行评价，以判断预测结果的可信程度以及是否切合实际。

时间序列预测也有几种主要的预测方法，如季节波动法、移动平均法、指数平滑法、成长曲线模式预测等，随机时间序列则是通过建立随机时间序列模型来预测，方法和数据要求都很高，精度也很高。下面对常用的几种方法展开介绍。

季节波动法。季节波动法又称季节周期法、季节指数法、季节变动趋势预测法，是对包含季节波动的时间序列进行预测的方法。季节波动是指某些社会经济现象由于受自然因素、消费习惯、风俗习惯等社会因素的影响，在一年内随着季节的更换而引起的有规律性的变动。商家常常用季节波动法来预测带有季节特性的商品销售量等。

季节波动法的具体操作步骤为：Step 1：收集历年（通常至少有3年）各月或各季度的统计资料，作为观察值；Step 2：求出各年同月或同季观察值的平均数（用A表示）；Step 3：求出历年间所有月份或季度的平均值（用B表示）；Step 4：计算各月或各季度的季节指数，又称季节比率，即S＝A/B；Step 5：根据未来年度的全年趋势预测值，求出各月或各季度的平均趋势预测值，然后乘以相应季节指数，即得出未来年度内各月和各季度包含季节变动的预测值。

移动平均法。移动平均法是用一组最近的实际数据值来预测未来一期或几期内数值的一种常用方法，如预测公司产品的需求量、公司产能等，当产品需求量既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。商家常用移动平均法来预测店铺的销售利润等。

指数平滑法。指数平滑法指以某种指标的本期实际数和本期预测数为基础，引入一个简化的加权因子，即平滑系数，以求得平均数的一种指数平滑预测法。平滑系数必须大于0且小于1，如0.1、0.4、0.6等。其计算公式为：下期预测数＝本期实际数×平滑系数＋本期预测数×（1－平滑系数）。商家常用指数平滑法来预测产品的生产量等。

如某种产品销售量的平滑系数为0.4，2018年实际销售量为50万件，预测销售量为55万件。则2019年的预测销售量为：

2019年预测销售量＝50×0.4＋55×（1－0.4）＝53（万件）