讓經銷商成功開店選址
??? 一、? 預估數學模型創(chuàng)意的由來連鎖經營理論中有一套商圈分析的營業(yè)額估計方式:營業(yè)額=戶(人)數*入店率*客單價.但他沒有提供具體的入戶確認,入店率和客單價的合適的計算方式,其中關鍵的入店率是依據經驗得出的數字,更無法顧及為重要的行業(yè)、品牌、規(guī)模、定位、地域文化消費習慣等不確定的門店所特有的因素,使得營業(yè)額估計方式就停留在"名副其實"的估計之上.為此我對經營的數十家門店分別進行了營銷分析,并對周邊商圈進行評估,從中分析總結出一個門店的銷售業(yè)績完全取決于行業(yè)、品牌和商圈,眾多不可計量的影響因素也可以在現(xiàn)實銷售數據中反映出來,換言之,對于擴張門店的銷售額預估完全可以從已有門店的銷售分析來推算.為了建立這個難得的計算公式,我就對此研究做出計劃:
??? 1、? 羅列和篩選所有影響銷售的因素,并把他們分為可計量和不可計量兩類,進行變量分析;2、? 在已有門店里選擇12個有代表性(區(qū)域、銷售--好中差,)的門店,分別進行商圈調研和銷售分析;3、? 運用信息數理統(tǒng)計的原理,進行變量關聯(lián)度分析和多元線性回歸方程擬合,得到一入店率的計算公式;4、? 利用推出的入店率計算公式,配合實際客單價組合成"銷售額預估的數學模型".
??? 5、? 利用"銷售額預估的數學模型",對老門店進行調研和數學模型計算,把數學模型的預估和實際進行比對,進一步數學模型;6、? 對初步選擇的準新門店的商圈進行市場調研,把變量代入數學模型,計算出準新門店的銷售額,從而評估開店的盈虧平衡點,決定是否開店.
??? 因為預估數學模型是由已存在的門店的實際銷售和環(huán)境數據計算而得,因此它充分涵蓋了不可量化因素對銷售的影響,也充分體現(xiàn)了可量化數據對銷售的影響,是預估成為本品牌特有且符合實際銷售的一個銷售額預估數學模型.
??? 二、??? 變量分析與選擇調研銷售額預估的關鍵是要計算入店率、客單價和商圈人數.其中客單價完全可以計算、準確時可以依據消費水平分級計量.影響門店銷售業(yè)績,也就是入店率和商圈人數的因素有很多,不可量化因素有行業(yè)特性、品牌定位、消費習慣、門店口交通情況、同行業(yè)競爭情況;量化的相關因素有:1、營業(yè)時間內人流量.2、人流量在商圈居民比例.3、過路人比例.4、商圈內居民戶數.5、商圈內居民家庭人口數.6、商圈內居民家庭實現(xiàn)目標.我對以上因素進行關聯(lián)度分析,后擬合計算方程式.
??? 三,多元線性回歸方程擬和過程(一)? 列舉影響購買率因素綜合考慮已完成的12家門店的調查結果,及回歸模型對自變量的要求,初步決定將每日的人流量、人流中居民的比例、人流中過路人的比例、人流中工作人口的比例、商圈內的競爭情況、商圈內的交通情況、商圈內居民戶數、居民每戶的平均人口數、居民每戶的平均家庭月實現(xiàn)目標等九個因素作為自變量,其中商圈內的競爭情況、商圈內的交通情況為非數值變量,需轉化為數值變量.以入店購買率為因變量.將各因素的數值羅列如下:
??? 為了準確計算商圈人數,就必須確定商圈范圍.我們就對入店購買消費者的居住地調查,發(fā)現(xiàn)70%的消費者距門店500米以內,還和小區(qū)的大門方向、競爭品牌的距離等有關系,為此我們在調查時充分考慮這些情況,以充分提高準確度.
??? 1.????? 入店購買率(%)這里選擇4組差異大的數據作展示.
??? A店 B店 C店 D店周四 0.7449450 2.008635 1.929083 3.315090周五 0.7041670 2.409038 2.299703 3.618699周六 0.5717859 2.038429 2.063119 2.5383302.????? 每日流動人口(人)A店 B店 C店 D店周四 11276 10654 10886 6395周五 12071 12038 9436 7102周六 11193 11970 9791 58703.人流中居民的比例A店 B店 C店 D店周四 11276 10654 10886 6395周五 12071 12038 9436 7102周六 11193 11970 9791 58704.過路人比例A店 B店 C店 D店周四 11276 10654 10886 6395周五 12071 12038 9436 7102周六 11193 11970 9791 58705.人流中工作人口比例A店 B店 C店 D店周四 11276 10654 10886 6395周五 12071 12038 9436 7102周六 11193 11970 9791 58706.商圈內的競爭情況商圈內的競爭情況擬從以下八個角度考慮,并將其數量化.
??? 知名度:〉我品牌 --? 1,〈我品牌--0店面積:》我品牌 --? 1,〈我品牌--0平均單價:》我品牌 --? 1,〈我品牌--0促銷活動:有--1,無--0新產品:有--1,無--0店內環(huán)境:好--2,相同--1,差--0店外環(huán)境:好--2,相同--1,差--0店外廣告:有--1,無--0統(tǒng)計計算:A店:0(無競爭);B店:16;C店:23;D店:8.
??? 7.商圈內交通情況根據公交站點的數量為其參數.
??? 統(tǒng)計計算:A店:1;B店:11;C店:5;D店:4.
??? 8.居民戶數統(tǒng)計計算:A店:6500;B店:5300;C店:20600;D店:4800.
??? 9.家庭人口統(tǒng)計計算:A店:3.39;B店:3.24;C店:3.29;D店:3.38.
??? 10.家庭實現(xiàn)目標統(tǒng)計計算:A店:2160;B店:2380;C店:3010;D店:2280.
??? 偏相關分析把以上原始數據建立數據庫,利用統(tǒng)計分析軟件SPSS的Correlate模塊中的Partial Correlate對上述各因素與購買率之間的關系進行偏相關分析,確定回歸方程的自變量,剔除相關程度低的變量.運行結果如下:
??? Variables Entered/Removed(自變量進入與剔除)model Variables entered Variables removed method1 人流量,居民比例,過路人比例交通系數,家庭人口,家庭實現(xiàn)目標 工作人口比例競爭度,居民戶數 enter偏相關分析,將所有自變量按照與購買率的相關性大小分為進入自變量和剔除自變量兩種.本模型的進入自變量是人流量、居民比例、過路人比例、交通系數、家庭人口和家庭實現(xiàn)目標,它們將作為回歸方程的自變量.由于工作人口比例、競爭度、居民戶數與購買率的相關性不大,被剔除于回歸方程之外.
??? 以人流量、居民比例、過路人比例、交通系數、家庭人口和家庭實現(xiàn)目標為自變量重新建立數據庫:
??? 建立多元線性回歸方程利用統(tǒng)計分析軟件SPSS的Regression模塊中的Linear分模塊對數據庫進行多元線性回歸分析,結果如下:
??? Model Summary(模型概述)Model R R square Adjusted R Square Std.Error of the estimate1 0.991 0.983 .962 0.186783870對于模型1來說,選入的自變量--人流量、居民比例、過路人比例、交通系數、家庭人口和家庭實現(xiàn)目標與因變量購買率的多元線性回歸的可決系數R2為0.983,多元線性回歸復相關系數是0.991,校正R2為0.962,標準誤為0.18678370.
??? R2為多元線性回歸的可決系數,是描述回歸方程式優(yōu)劣的統(tǒng)計量,一般說來,如果所有的觀測量都落到回歸線上,那么R2等于1;如果自變量與因變量之間沒有回歸關系,那么R2等于0.本模型中的R2較大,說明由人流量、居民比例、過路人比例、交通系數、家庭人口和家庭實現(xiàn)目標估計購買率所提供的信息充分,因為非回歸的剩余因素導致的誤差很小.R2等于0.983說明購買率變化的98.3%為人流量、居民比例、過路人比例、交通系數、家庭人口和家庭實現(xiàn)目標所影響.
??? 標準誤是描述實際值與預測值之間的誤差變異程度的綜合指標.本模型中的標準誤的計算方法是根據回歸方程式預測的購買率與實際購買率之差的平方的算術平均數的開平方正根.
??? Coefficients回歸參數Model Unstandardized coefficients Standardized coefficientsB Std.error beta1(constant)人流量居民比例過路人比例交通系數家庭人口家庭實現(xiàn)目標 -160.5231.149E-05-0.472-5.4630.86645.6743.157E-03 56.3670.0000.9671.4860.19815.4710.0010.027-0.046-0.5503.4133.1041.125B表示回歸系數,constant表示常數項,std.error表示標準誤差,beta表示標準化回歸系數,它由B1Xs/Sy所得(其中B1是回歸系數,Xs為自變量標準差,Sy為因變量的標準差)由此可以得到購買率的回歸方程:
??? 購買率%=-160.523+1.149*10-5*人流量-0.472居民比例-5.463過路人比例+0.866交通系數+45.674家庭人口+3.175*10*-3*家庭實現(xiàn)目標置信度檢驗和誤差分析1、? 置信度檢驗ANOVAF方差分析model Sum of squrares df Mean square F sig1 RegressionResidualtotal 10.0220.17410.196 6511 1.6703.489E-02 47.877 0.000用F檢驗回歸方程顯著性的方法稱為方差分析.F檢驗是建立在總變差分解基礎上進行的.我們將因變量y的離差平方和Lyy=∑(yi-y)2??? 稱為總平方和,即總變差,在本模型中是實際購買率與實際購買率算術平均數的差的平方和,用Total表示.它由兩部分組成,一是估計購買率與實際購買率算術平均數的離差平方和,稱為回歸平方和,即回歸變差,用Regression表示,而是實際購買率與估計購買率的離差平方和,稱為剩余變差或偶
