پیش‌بینی فروش محصول جدید؛ پنج درس برای مدیر مالی
پیش‌بینی فروش محصول جدید یکی از سخت‌ترین کارهای واحد مالی است، چون نه سابقه داخلی دارید و نه مقایسه‌ای کاملاً مشابه. با این حال، بقیه سازمان برای برنامه‌ریزی به یک عدد نیاز دارد. در این نوشته با پنج درس از راه‌اندازی یک سرویس اشتراکی بزرگ می‌آموزیم این عدد را چطور بسازیم و چطور بگوییم.
درس اول: برند قوی پیش‌بینی را آسان نمی‌کند
ممکن است فکر کنید شرکتی با برند محبوب و محتوای فراوان، پیش‌بینی راحتی دارد. واقعیت برعکس است. در مثال این مقاله، یک غول سرگرمی سرویس پخش آنلاین راه انداخت و مدل مالی اولیه‌اش، به تعبیر خود مدیر مالی، بیشتر یک حدس بزرگ بود. نتیجه هم گویاست: هدف مشترکان سال اول در همان روز اول رد شد؛ یعنی مدل بسیار محافظه‌کار بود.
چرا سخت بود؟
- قیمت هنوز نهایی نشده بود و برنامه عرضه هم دائم تغییر می‌کرد.
- نزدیک‌ترین رقیب ده سال آرام و تدریجی رشد کرده بود، اما این سرویس با حجم عظیم محتوا و بسته‌های ترکیبی از روز اول وارد شد.
- وقتی ۳۰ تا ۴۰ درصد مشترکان از طریق یک بسته ترکیبی می‌آیند، سهم درآمد هر محصول چگونه تقسیم شود؟ کدام محصول باعث تبدیل شده است؟ حساسیت به قیمت کجاست؟
با وجود این ابهام‌ها، سازمان به عددی نیاز دارد تا حول آن برنامه بریزد، حتی اگر صدها بار تغییر کند. وظیفه مالی «میخ اول را زدن» است تا دیگران جهت‌یابی کنند.
درس دوم: عدد خوب عرضه می‌تواند فرض ضعیف ریزش را پنهان کند
میلیون‌ها نفر در روزهای نخست ثبت‌نام کردند و بخش بزرگی از آنها با دوره آزمایشی رایگان آمده بودند. اگر پیش‌بینی ریزش را فقط بر پایه حجم قوی ثبت‌نام پایین بگذارید، وقتی این گروه‌ها «پخته» شوند اشتباه می‌کنید.
برای مدل‌سازی درست، جذب و نگهداری را همان‌قدر جدی بگیرید. منحنی ماندگاری در کسب‌وکارهای مصرف‌کننده معمولاً صاف نیست؛ بدون دلیل قانع‌کننده برای ماندن، شبیه پرتگاه می‌شود. تحلیلگران آن شرکت هم زود هشدار دادند که جهش ثبت‌نام آزمایشی، افت چشمگیر بعدی را در پی دارد، مگر آنکه «لنگر» بگذاریم.
در این مثال، لنگر یک سریال هفتگی بود که عمداً نزدیک پایان دوره آزمایشی منتشر شد. محتوای قسطی و فوری عادت می‌سازد و دست‌کم چند ماه مشترک را نگه داشت؛ در حالی که یک فیلم تک‌بار چنین اثری ندارد. پرسشی که هر مدیر مالی کسب‌وکار اشتراکی باید بپرسد: در پایان دوره رایگان، چه چیزی کاربر را نگه می‌دارد؟
برای تحلیل ماندگاری گروه‌ها در طول زمان، تحلیل هم‌گروهی ابزار مناسبی است.
مثال عددی: اثر ریزش بعد از دوره رایگان
فرض کنید ۱٬۰۰۰٬۰۰۰ نفر با دوره رایگان ثبت‌نام می‌کنند. دو فرض متفاوت را مقایسه می‌کنیم:
| فرض | تبدیل به پولی | مشترک پولی | ریزش ماه سوم |
|---|---|---|---|
| خوش‌بینانه | ۶۰٪ | ۶۰۰٬۰۰۰ | ۱۰٪ |
| لنگر ضعیف | ۴۰٪ | ۴۰۰٬۰۰۰ | ۳۵٪ |
در حالت اول بعد از ریزش حدود ۵۴۰٬۰۰۰ مشترک می‌ماند و در حالت دوم حدود ۲۶۰٬۰۰۰ نفر. با همین حجم ثبت‌نام، حدود نصف اختلاف تنها به خاطر ماندگاری است. (اعداد صرفاً برای توضیح منطق‌اند.)
درس سوم: روش ساخت پیش‌بینی فروش محصول جدید مهم است
واحد مالی و بخش‌های تجاری معمولاً به یک عدد از دو راه می‌رسند، و این طبیعی است. تیم محصول و بازاریابی باید خوش‌بین باشند؛ آنها دارند آینده‌ای را می‌سازند که هنوز وجود ندارد. نقش مالی حمایت‌کننده است، اما باید بپرسد: اگر این اتفاق نیفتد، سناریوی بد چیست؟
در گسترش بین‌المللی، تیم مالی فقط به داده کلان و نفوذ دستگاه‌ها تکیه نکرد؛ سراغ نشانه‌های محلی برند هم رفت: آیا در آن منطقه شهربازی یا مرکز تفریحی از همان برند داریم؟ اگر بله، آگاهی از برند از قبل وجود دارد و شروع سریع‌تر است.
در مراحل ابتدایی، دقت عدد کمتر مهم است و دقت در فرض‌ها بیشتر؛ چون نشان می‌دهد اهرم‌هایی را که ممکن است نتیجه را جابه‌جا کنند، شناخته‌اید و با رسیدن داده واقعی می‌توانید بالا یا پایین‌شان ببرید. پیش‌بینی کسب‌وکار نو، کمی ریاضی است و کمی پرسیدن پرسش‌های «ساده» تا دیگر ساده به نظر نرسند. برای تعیین سطح دقت مناسب هر مرحله، نوشته دقت پیش‌بینی مالی در هر مرحله رشد شرکت را ببینید.
درس چهارم: هیئت‌مدیره یک پیام روشن می‌خواهد، نه همه فرض‌ها
می‌توانید مفصل‌ترین مدل جهان را بسازید؛ اما اگر نتیجه‌اش گوشزد قوی نباشد، فقط یک گزارش بلند است. مدیران ارشد برای سرمایه‌گذاری کلان لازم نداشتند همه فرض‌ها را ببینند. آنها سه چیز را می‌خواستند:
- شکل ریسک چیست؟
- شکل فرصت چیست؟
- کدام اهرمِ اصلی کسب‌وکار را جابه‌جا می‌کند؟
تیم‌های مالی اغلب همه چیز را در ارائه می‌گذارند و هیچ چیز برجسته نمی‌شود؛ مخاطب نمی‌داند باید خوشحال باشد یا نگران. اگر نتوانید شرط اصلی را جدا کنید و بگویید «ما واقعاً روی این چیز شرط می‌بندیم»، احتمالاً مدل را آن‌قدر که فکر می‌کنید نمی‌فهمید. ساختن مدل با رساندن یافته‌ها فرق دارد، و هر دو لازم‌اند.
درس پنجم: حتی یک اختلال فنی را باید درست روایت کرد
روز راه‌اندازی، سرویس در بخشی از ساحل شرقی دچار قطعی شد. پیامی که منتشر شد این بود که تقاضا از ظرفیت بیشتر بوده است؛ و واقعاً هم حدود ده میلیون نفر در یک روز ثبت‌نام کرده بودند. این روایت پنهان‌کاری نبود؛ انتخاب این بود که کدام بخش حقیقت برای گام بعدی مهم‌تر است.
مدیر مالی هم باید چنین مهارتی داشته باشد: اطلاعات موجود را بگیرد، سریع تنظیم کند و برای مرحله بعد آماده شود. کسب‌وکار بزرگ بازی بلندمدت است. در سناریوهای ریسک، آزمون استرس پیش‌بینی به شما کمک می‌کند آمادگی بیشتری داشته باشید.
پرسش‌های متداول
وقتی داده تاریخی نداریم، پیش‌بینی را از کجا شروع کنیم؟ از نزدیک‌ترین مقایسه‌های موجود، فرض‌های روشن برای هر اهرم (قیمت، نرخ تبدیل، ریزش) و چند سناریو. بعد با داده واقعی اصلاح کنید.
چرا ریزش در دوره‌های آزمایشی رایگان مهم است؟ چون بخشی از ثبت‌نام‌ها فقط کنجکاو یا حساس به قیمت‌اند و با پایان دوره رایگان می‌روند. اگر فرض ماندگاری را از حجم ثبت‌نام بگیرید، دچار خوش‌بینی بیش‌ازحد می‌شوید.
چند فرض را به هیئت‌مدیره نشان بدهیم؟ فقط فرض‌های کلیدی که نتیجه را جابه‌جا می‌کنند، به‌همراه ریسک، فرصت و اهرم اصلی. جزئیات دیگر را در پیوست نگه دارید.
آیا بهتر است پیش‌بینی را محافظه‌کارانه ببندیم؟ هدف دقت و شفافیت فرض‌هاست؛ نه محافظه‌کاری یا خوش‌بینی. بازه عددی و سناریوها این تعادل را حفظ می‌کنند.
جمع‌بندی
برای پیش‌بینی فروش محصول جدید لازم نیست بی‌نقص باشید؛ لازم است فرض‌ها شفاف، ماندگاری مشتری جدی‌گرفته‌شده و پیام نهایی ساده باشد. برند قوی ابهام را از بین نمی‌برد، جهش اولیه ثبت‌نام لزوماً پایدار نیست و روایت درست داده‌ها بخشی از کار مالی است. اولین مدل را بسازید، اهرم اصلی را مشخص کنید و با رسیدن داده واقعی اصلاحش کنید.