爱华网连锁经营开店选址营业额预估数学模型连锁经营是现代商业最为主要的经营业态,几乎占到整个商业的80%以上.全国有大型连锁卖场6000余家,小型连锁超市和各类专卖店更是不计其数.他们的经营发展就在开店扩张中不断壮大,其成功的关键是选址开店.但是严酷的事实就是有40%以上的商店是不能盈利而被迫关闭,使企业的经营利润也在门店的开关中消耗殆尽,企业急需一个对新门店的评估标准,来决定是否开店.但传统的选址评估理论因其广泛的适应性而缺乏专用性,加上众多不可估计的因素,使其误差巨大而不具备实用意义.本人在从事连锁经营市场管理工作中,认真研究了企业经营中的门店盈利水平和条件分析,提出了营业额预估数学模型化的概念,是选址开店成为可以量化计算来评判,供企业正确的决策提供科学的依据,从而大大降低了因开店失败而造成的损失,让企业的可持续化扩张步入良性发展的轨道.
一、 预估数学模型创意的由来连锁经营理论中有一套商圈分析的营业额估计方式:营业额=户(人)数*入店率*客单价.但他没有提供具体的入户确认,入店率和客单价的合适的计算方式,其中关键的入店率是依据经验得出的数字,更无法顾及最为重要的行业、品牌、规模、定位、地域文化消费习惯等不确定的门店所特有的因素,使得营业额估计方式就停留在"名副其实"的估计之上.为此我对经营的数十家门店分别进行了营销分析,并对周边商圈进行评估,从中分析总结出一个门店的销售业绩完全取决于行业、品牌和商圈,众多不可计量的影响因素也可以在现实销售数据中反映出来,换言之,对于扩张门店的销售额预估完全可以从已有门店的销售分析来推算.为了建立这个独一无二的计算公式,我就对此研究做出计划:
1、 罗列和筛选所有影响销售的因素,并把他们分为可计量和不可计量两类,进行变量分析;2、 在已有门店里选择12个有代表性(区域、销售--好中差,)的门店,分别进行商圈调研和销售分析;3、 运用信息数理统计的原理,进行变量关联度分析和多元线性回归方程拟合,得到一入店率的计算公式;4、 利用推出的入店率计算公式,配合实际客单价组合成"销售额预估的数学模型".
5、 利用"销售额预估的数学模型",对老门店进行调研和数学模型计算,把数学模型的预估和实际进行比对,进一步修正数学模型;6、 对初步选择的准新门店的商圈进行市场调研,把变量代入数学模型,计算出准新门店的销售额,从而评估开店的盈亏平衡点,决定是否开店.
因为预估数学模型是由已存在的门店的实际销售和环境数据计算而得,因此它充分涵盖了不可量化因素对销售的影响,也充分体现了可量化数据对销售的影响,是预估成为本品牌特有且符合实际销售的一个销售额预估数学模型.
二、 变量分析与选择调研销售额预估的关键是要计算入店率、客单价和商圈人数.其中客单价完全可以计算、精确时可以依据消费水平分级计量.影响门店销售业绩,也就是入店率和商圈人数的因素有很多,不可量化因素有行业特性、品牌定位、消费习惯、门店口交通情况、同行业竞争情况;量化的相关因素有:1、营业时间内人流量.2、人流量在商圈居民比例.3、过路人比例.4、商圈内居民户数.5、商圈内居民家庭人口数.6、商圈内居民家庭收入.我通过对以上因素进行关联度分析,最后拟合计算方程式.
三,多元线性回归方程拟和过程(一) 列举影响购买率因素综合考虑已完成的12家门店的调查结果,及回归模型对自变量的要求,初步决定将每日的人流量、人流中居民的比例、人流中过路人的比例、人流中工作人口的比例、商圈内的竞争情况、商圈内的交通情况、商圈内居民户数、居民每户的平均人口数、居民每户的平均家庭月收入等九个因素作为自变量,其中商圈内的竞争情况、商圈内的交通情况为非数值变量,需转化为数值变量.以入店购买率为因变量.将各因素的数值罗列如下:
为了精确计算商圈人数,就必须确定商圈范围.我们就对入店购买消费者的居住地调查,发现70%的消费者距门店500米以内,还和小区的大门方向、竞争品牌的距离等有关系,为此我们在调查时充分考虑这些情况,以充分提高精确度.
1. 入店购买率(%)这里选择4组差异大的数据作展示.
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. 每日流动人口(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.过路人比例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.商圈内的竞争情况商圈内的竞争情况拟从以下八个角度考虑,并将其数量化.
知名度:〉我品牌 -- 1,〈我品牌--0店面积:》我品牌 -- 1,〈我品牌--0平均单价:》我品牌 -- 1,〈我品牌--0促销活动:有--1,无--0新产品:有--1,无--0店内环境:好--2,相同--1,差--0店外环境:好--2,相同--1,差--0店外广告:有--1,无--0统计计算:A店:0(无竞争);B店:16;C店:23;D店:8.
7.商圈内交通情况根据公交站点的数量为其参数.
统计计算:A店:1;B店:11;C店:5;D店:4.
8.居民户数统计计算:A店:6500;B店:5300;C店:20600;D店:4800.
9.家庭人口统计计算:A店:3.39;B店:3.24;C店:3.29;D店:3.38.
10.家庭收入统计计算:A店:2160;B店:2380;C店:3010;D店:2280.
偏相关分析把以上原始数据建立数据库,利用统计分析软件SPSS的Correlate模块中的Partial Correlate对上述各因素与购买率之间的关系进行偏相关分析,确定回归方程的自变量,剔除相关程度低的变量.运行结果如下:
Variables Entered/Removed(自变量进入与剔除)model Variables entered Variables removed method1 人流量,居民比例,过路人比例交通系数,家庭人口,家庭收入 工作人口比例竞争度,居民户数 enter通过偏相关分析,将所有自变量按照与购买率的相关性大小分为进入自变量和剔除自变量两种.本模型的进入自变量是人流量、居民比例、过路人比例、交通系数、家庭人口和家庭收入,它们将作为回归方程的自变量.由于工作人口比例、竞争度、居民户数与购买率的相关性不大,被剔除于回归方程之外.
以人流量、居民比例、过路人比例、交通系数、家庭人口和家庭收入为自变量重新建立数据库:
建立多元线性回归方程利用统计分析软件SPSS的Regression模块中的Linear分模块对数据库进行多元线性回归分析,结果如下:
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对于模型1来说,选入的自变量--人流量、居民比例、过路人比例、交通系数、家庭人口和家庭收入与因变量购买率的多元线性回归的可决系数R2为0.983,多元线性回归复相关系数是0.991,校正R2为0.962,标准误为0.18678370.
R2为多元线性回归的可决系数,是描述回归方程式优劣的统计量,一般说来,如果所有的观测量都落到回归线上,那么R2等于1;如果自变量与因变量之间没有回归关系,那么R2等于0.本模型中的R2较大,说明由人流量、居民比例、过路人比例、交通系数、家庭人口和家庭收入估计购买率所提供的信息充分,因为非回归的剩余因素导致的误差很小.R2等于0.983说明购买率变化的98.3%为人流量、居民比例、过路人比例、交通系数、家庭人口和家庭收入所影响.
标准误是描述实际值与预测值之间的误差变异程度的综合指标.本模型中的标准误的计算方法是根据回归方程式预测的购买率与实际购买率之差的平方的算术平均数的开平方正根.
Coefficients回归参数Model Unstandardized coefficients Standardized coefficientsB Std.error beta1(constant)人流量居民比例过路人比例交通系数家庭人口家庭收入 -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表示回归系数,constant表示常数项,std.error表示标准误差,beta表示标准化回归系数,它由B1Xs/Sy所得(其中B1是回归系数,Xs为自变量标准差,Sy为因变量的标准差)由此可以得到购买率的回归方程:
购买率%=-160.523+1.149*10-5*人流量-0.472居民比例-5.463过路人比例+0.866交通系数+45.674家庭人口+3.175*10*-3*家庭收入置信度检验和误差分析1、 置信度检验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检验回归方程显着性的方法称为方差分析.F检验是建立在总变差分解基础上进行的.我们将因变量y的离差平方和Lyy=∑(yi-y)2 称为总平方和,即总变差,在本模型中是实际购买率与实际购买率算术平均数的差的平方和,用Total表示.它由两部分组成,一是估计购买率与实际购买率算术平均数的离差平方和,称为回归平方和,即回归变差,用Regression表示,而是实际购买率与估计购买率的离差平方和,称为剩余变差或偶然变差,用Residual表示.
本模型中总变差为10.196,回归变差为10.022,剩余变差为0.174.df是它们的自由度,Mean Square是它们的均方,其值为总变差除以自由度.
Sig.表示回归方程的显着性,即回归方程拟和实际情况的可信度,数值为1-a.在本模型中,由于a-0,所以可信度--1.具体为多少可以进行F检验.
对回归方程的置信度进行F检验,因为47.877=F〉F0.001(6,5)=28.84所以回归方程具有99.9%的置信概率.
2、 误差分析在Model Summary(模型概述)表中,我们已得到回归方程的标准误a为0.186783870,它表明当用上述回归方程来预测购买率时,实际购买率落在{预测购买率+-0.186783870}区间内的概率0.6826,实际购买率落在{预测购买率+-2a}区间内的概率0.9545.实际购买率在{预测购买率+-3a}区间内的概率0.9975.
3、 数据变量的相关性回归方程中有6个自变量,用帕尔逊相关性检验,结果:6个自变量不是独立变量,而是彼此相关,互相制约,这和现实情况一致的,就如交通系数大,过路人比例肯定高,反之就不对了.
4、从数理统计的理论来说,样本量要达到30个以上,但在实际情况可适当减少(二)门店人流量的计量为了确保精度,我们充分考虑了一周内每天的差异,选择周四、五和六的营业时间内的人流量进行统计(>12H),然后计算平均数.
(三)客单价客单价的计算我们采取依据商圈的收入水平和商圈的性质(商业区、半商业和居民区)设定为三级.因为不同的收入水平的地区客单价有较大的差异.
四、 准门店评估流程及销售额预估(一) 准门店评估流程根据公司发展规划,有门店开发部提供房门店产信息,按"新门店信息评估"进行评分,主要从以下几个方面:
1、 门店原来经营项目,经营状况,转让原因.
2、 店面信息:地址、面积、长宽比例、朝向、租金、租期、租金递增率、电力容量等.
3、 周边情况:同行业商店、销售状况、距离、店貌、店牌视觉效果、周边办公楼状况、周边小区状况等.
初评合格后提交总经理审核,经审核通过的准门店,市场部就开始安排评估调研.
有调研公司评估调研所有6个自变量--1、营业时间内人流量.2、人流量在商圈居民比例.3、过路人比例.4、商圈内居民户数.5、商圈内居民家庭人口数.6、商圈内居民家庭收入.通过3-6天的全面调查,除去异常数据,得到完整的相关平均数据.
(二) 销售额预估模型利用得到的相关基础数据,开始计算销售额预估需要的三要素:
1、入店购买率%=-160.523+1.149*10-5*人流量-0.472居民比例-5.463过路人比例+0.866交通系数+45.674家庭人口+3.175*10*-3*家庭收入2、门前人流量=∑N天人流量÷N .
3、客单价=∑N人购买金额÷N.
预估月销量MS=30*人流量*入店购买率*客单价(三) 销售额预估判断得到预估月销量MS以后,根据财务成本核算得到盈亏平衡点需要的最低月销量MSp,如果MS大于MSp:准门店就可以开张;如果MS小于MSp:准门店就可以放弃;如果MS等于MSp:就看区域发展前景,有良好发展趋势就开张,已经成熟了就放弃.
在判断过程中我们还需要考虑一些企业特殊的因素,如我们企业产品中特别价格产品的对客单价的影响,加以修正,以得到更正确的判断.
通过这次市场开发过程的优化创意策划,我们认真进行了本数学预估模型的应用,在我们品牌的新门店开发中发挥了良好的作用,其正确率达到95%,其关键是数学模型具有专有性,它充分反映了企业的特性和品牌的影响力.它把许多不可量化和不确定因素包容在基础系数中,让销售额预估真正成为科学的计算,科学的推算.
