نویسنده: مای محتوا
راهنمای جامع اندازه‌گیری فروش ازدست‌رفته به‌دلیل اتمام موجودی در فروشگاه اینترنتی؛ آموزش محاسبه تقاضای پاسخ‌داده‌نشده، درآمد بالقوه، حاشیه سود ازدست‌رفته، تحلیل بازدید محصولات ناموجود، رفتار مشتریان، جایگزینی کالا، خریدهای تأخیری و تعیین نقطه سفارش مجدد. همراه با فرمول‌ها، مثال عددی، روش استفاده از GA4، جدول گزارش مدیریتی و چک‌لیست اجرایی.
فرض کنید یکی از محصولات پرفروش فروشگاه اینترنتی شما برای پنج روز ناموجود می‌شود. در این مدت، بازدیدکنندگان همچنان از گوگل، اینستاگرام یا سایر کانال‌ها وارد صفحه محصول می‌شوند؛ اما به‌جای دکمه خرید، عبارت «ناموجود» را مشاهده می‌کنند. برخی سایت را ترک می‌کنند، تعدادی محصول دیگری می‌خرند و گروهی منتظر موجود شدن دوباره همان کالا می‌مانند.
بعد از تأمین مجدد محصول، ممکن است مدیر فروشگاه فقط تعداد روزهای ناموجودی را بررسی کند و بگوید: «این کالا پنج روز فروش نداشت.» اما سؤال مهم‌تری وجود دارد: اگر محصول موجود بود، احتمالاً چند عدد از آن فروخته می‌شد و چه مقدار درآمد یا سود برای فروشگاه ایجاد می‌کرد؟
پاسخ به این سؤال همیشه در گزارش سفارش‌های ثبت‌شده وجود ندارد؛ زیرا مشتریانی که به دلیل ناموجودی خرید نکرده‌اند، الزاماً هیچ سفارش یا تراکنشی ایجاد نکرده‌اند.
برای اندازه‌گیری این فرصت ازدست‌رفته، باید داده‌های موجودی را با فروش گذشته، بازدید صفحات، نرخ تبدیل، رفتار مشتریان و خرید محصولات جایگزین ترکیب کنیم.
در این مقاله بررسی می‌کنیم چگونه میزان فروش ازدست‌رفته به‌دلیل اتمام موجودی را اندازه‌گیری کنیم، تفاوت درآمد بالقوه و سود واقعی چیست، چه داده‌هایی برای محاسبه لازم است و چگونه می‌توان از GA4 و گزارش موجودی فروشگاه استفاده کرد. همچنین یک مثال عددی کامل، روش تخمین بازه‌ای، جدول تصمیم‌گیری، برنامه ۱۴روزه و چک‌لیست اجرایی ارائه می‌کنیم.
فروش ازدست‌رفته ناشی از اتمام موجودی، بخشی از فروش احتمالی است که فروشگاه به دلیل در دسترس نبودن کالا نتوانسته است انجام دهد.
برای مثال، اگر یک محصول معمولاً روزانه هشت عدد فروش داشته باشد و چهار روز ناموجود شود، ممکن است در یک برآورد ساده تقاضای ۳۲ واحدی در این مدت انتظار داشته باشیم.
اما این به معنی اثبات فروش قطعی ۳۲ عدد نیست. ممکن است تقاضای آن روزها کمتر یا بیشتر بوده باشد. همچنین بعضی مشتریان ممکن است کالای جایگزین خریده یا پس از موجود شدن، خرید خود را انجام داده باشند.
بنابراین فروش ازدست‌رفته معمولاً یک مقدار برآوردی است، نه عددی که مستقیماً از سفارش‌های ثبت‌شده استخراج شود.
در پژوهش Demand Estimation under Incomplete Product Availability که در نشریه American Economic Journal: Microeconomics منتشر شده، توضیح داده می‌شود که نبود کالا می‌تواند مشاهده تقاضای واقعی را ناقص کند و نادیده گرفتن دسترس‌پذیری محصول بر برآورد تقاضا اثر بگذارد.
برای جلوگیری از اشتباه در تحلیل مالی، بهتر است چند مفهوم را از یکدیگر جدا کنیم.
| شاخص | تعریف | واحد |
|---|---|---|
| تقاضای بالقوه | تعداد واحدهایی که انتظار می‌رفت در صورت موجود بودن محصول خریداری شوند | عدد کالا |
| فروش ازدست‌رفته محصول | ارزش فروش احتمالی همان SKU که در دوره ناموجودی انجام نشده است | تومان |
| فروش بازیابی‌شده | خریدهایی که با جایگزین یا تأخیر، طبق روش تحلیل واقعاً جبران شده‌اند | عدد و تومان |
| درآمد افزایشی ازدست‌رفته فروشگاه | تفاوت فروش کل مورد انتظار فروشگاه با فروش واقعی پس از در نظر گرفتن بازیابی | تومان |
| حاشیه مشارکت ازدست‌رفته | مبلغ باقی‌مانده از فروش احتمالی پس از کسر هزینه‌های متغیر قابل انتساب و اثر بازیابی | تومان |
| سود خالص ازدست‌رفته | اثر نهایی پس از در نظر گرفتن سایر هزینه‌ها و تغییرات مرتبط | تومان |
این اعداد نباید با یکدیگر اشتباه گرفته شوند. برای مثال، ازدست‌رفتن ۴۰ میلیون تومان فروش بالقوه لزوماً به معنی ازدست‌رفتن ۴۰ میلیون تومان سود نیست.
همچنین اگر مشتری به‌جای محصول ناموجود، محصول دیگری از همان فروشگاه بخرد، درآمد محصول اول تحقق پیدا نکرده است؛ اما ممکن است بخشی از درآمد فروشگاه حفظ شده باشد.
بسیاری از فروشگاه‌ها فقط محصولاتی را که فروخته شده‌اند تحلیل می‌کنند. این رویکرد بخشی از واقعیت تقاضا را پنهان می‌کند.
فرض کنید دو محصول A و B دارید. محصول A در یک ماه ۲۰۰ عدد فروش داشته و محصول B فقط ۱۰۰ عدد فروخته است. ممکن است نتیجه بگیرید محصول A محبوب‌تر است.
اما اگر محصول B نیمی از ماه ناموجود بوده باشد، مقایسه مستقیم تعداد فروش آن‌ها دقیق نیست.
ممکن است تقاضای واقعی محصول B بالا بوده و کمبود موجودی مانع ثبت فروش شده باشد.
اندازه‌گیری فروش ازدست‌رفته به مدیر فروشگاه کمک می‌کند کالاهای دارای کمبود تأمین را شناسایی کند، نقطه سفارش مجدد را بهبود دهد، اولویت سرمایه در گردش را تعیین کند و از سفارش بیش از حد محصولات کم‌تقاضا جلوگیری کند.
هدف تحلیل فقط اثبات اینکه چقدر فروش از دست رفته نیست؛ هدف اصلی جلوگیری از تکرار کمبودهای پرهزینه است.
برای محاسبه درست، باید زمان شروع و پایان ناموجودی را بدانید.
فرض کنید موجودی یک محصول روز دوشنبه ساعت ۱۱ صبح صفر شده و پنجشنبه ساعت ۴ عصر دوباره قابل خرید شده است. اگر سیستم فقط گزارش روزانه داشته باشد، ممکن است نتواند مدت دقیق ناموجودی را ثبت کند.
برای محصولی که فروش ساعتی بالایی دارد، این تفاوت مهم است. ناموجود شدن در ساعت اوج خرید با ناموجود شدن در نیمه‌شب اثر یکسانی ندارد.
بهتر است برای هر SKU، رویدادهای تغییر موجودی همراه با زمان و منطقه زمانی مشخص ثبت شوند.
همچنین باید میان موجودی فیزیکی و موجودی قابل فروش تفاوت بگذارید. ممکن است ۲۰ عدد محصول در انبار باشد، اما همه آن‌ها به سفارش‌های قبلی تخصیص داده شده باشند.
در تحلیل فروش ازدست‌رفته، معیار اصلی معمولاً در دسترس بودن واقعی محصول برای ثبت سفارش معتبر است؛ نه صرفاً مثبت بودن تعداد فیزیکی انبار.
یکی از خطاهای رایج در فروشگاه‌های اینترنتی، محاسبه ناموجودی فقط در سطح محصول اصلی است.
فرض کنید یک کفش در سه رنگ و چهار سایز عرضه می‌شود. ممکن است سایز ۴۲ رنگ مشکی ناموجود باشد، اما سایر ترکیب‌ها همچنان قابل خرید باشند.
اگر تمام مدل را موجود ثبت کنید، بخشی از تقاضای پاسخ‌داده‌نشده دیده نمی‌شود.
از سوی دیگر، اگر تمام محصول را ناموجود در نظر بگیرید، فروش نسخه‌های دیگر را نادیده گرفته‌اید.
راهکار: زمان موجودی، سفارش‌ها و رفتار مشتری را تا حد امکان در سطح ترکیب واقعی رنگ، سایز، ظرفیت یا سایر ویژگی‌های مؤثر ثبت کنید.
برای مثال، کد SHOE-450-BLK-42 می‌تواند یک تنوع مشخص را از نسخه‌های دیگر جدا کند.
شناسه‌ها باید پایدار باشند تا بتوانید داده فروش، موجودی و بازدید را در دوره‌های مختلف به یک محصول واقعی متصل کنید.
دقت برآورد به کیفیت اطلاعات موجود بستگی دارد. هرچه داده‌های دقیق‌تری از موجودی، تقاضا و رفتار مشتری داشته باشید، تحلیل قابل اتکاتری خواهید داشت.
| داده | کاربرد | منبع احتمالی |
|---|---|---|
| شناسه SKU | تطبیق محصول در سیستم‌های مختلف | مدیریت محصولات |
| تاریخ و ساعت موجودی صفر | شناسایی زمان شروع کمبود | تاریخچه موجودی |
| زمان تأمین مجدد | محاسبه مدت ناموجودی | انبار یا تأمین |
| تعداد فروش در دوره موجود بودن | برآورد سرعت فروش عادی | گزارش سفارش‌ها |
| قیمت واقعی فروش | محاسبه ارزش فرصت ازدست‌رفته | تاریخچه قیمت |
| هزینه متغیر هر واحد | محاسبه حاشیه مشارکت | حسابداری و تأمین |
| بازدید محصول در زمان موجودی | محاسبه نرخ تبدیل یا نرخ خرید واحد | ابزار تحلیل سایت |
| بازدید در زمان ناموجودی | تخمین تقاضای مشاهده‌شده | ابزار تحلیل سایت |
| جست‌وجوی داخلی و درخواست موجودی | شناسایی نشانه‌های تقاضا | جست‌وجو و فرم‌ها |
| فروش محصولات جایگزین | بررسی احتمال انتقال تقاضا | سفارش‌ها و تحلیل رفتار |
| خرید بعد از تأمین مجدد | شناسایی بازیابی احتمالی فروش | سفارش‌ها |
| کمپین‌ها و تغییر قیمت | اصلاح اثر عوامل بیرونی | بازاریابی و قیمت‌گذاری |
اگر برخی داده‌ها موجود نیستند، همچنان می‌توان برآورد اولیه انجام داد؛ اما باید محدودیت و میزان اطمینان نتیجه را به‌وضوح ثبت کرد.
ساده‌ترین روش این است که سرعت فروش محصول در روزهایی که موجود بوده را محاسبه کنیم و آن را برای مدت ناموجودی تعمیم دهیم.
فرمول اولیه: متوسط فروش روزانه در زمان موجودی = تعداد واحد فروخته‌شده ÷ مدت زمان واقعی موجود بودن برحسب روز.
تقاضای بالقوه در ناموجودی = متوسط فروش روزانه × تعداد روزهای معادل ناموجودی.
برای مثال، فرض کنید یک محصول طی ۱۲ روزی که موجود بوده، ۹۶ عدد فروش داشته است. متوسط فروش روزانه برابر ۸ عدد است.
اگر همان محصول چهار روز ناموجود شود، برآورد ساده تقاضای دوره ناموجودی برابر ۳۲ عدد خواهد بود.
اما این روش فرض می‌کند شرایط تقاضا در دو دوره تقریباً مشابه بوده است.
اگر ناموجودی هم‌زمان با تعطیلات، کمپین تخفیف یا تغییر شدید قیمت باشد، ممکن است میانگین ساده گمراه‌کننده شود.
همچنین روزهایی که فقط چند ساعت محصول موجود بوده نباید بدون تنظیم مدت، یک روز کامل در مخرج محاسبه شوند.
در فروشگاه‌هایی که ابزار تحلیل رفتار کاربران دارند، می‌توان از روش دقیق‌تری استفاده کرد.
در این روش، تعداد بازدیدهای واجد شرایط صفحه محصول هنگام ناموجودی را در نرخ خرید معمول همان محصول هنگام موجود بودن ضرب می‌کنیم.
فرمول: تقاضای واحدی برآوردی = تعداد بازدیدهای واجد شرایط در دوره ناموجودی × نرخ خرید واحد به ازای هر بازدید واجد شرایط در دوره موجودی.
اگر هر خرید معمولاً فقط یک واحد از کالا دارد، می‌توان از نرخ تبدیل بازدید به خرید استفاده کرد. اما برای محصولاتی که مشتری چند واحد می‌خرد، باید تعداد واحد فروخته‌شده را مبنای محاسبه قرار داد.
توجه: بازدید واجد شرایط باید تعریف یکسانی در هر دو دوره داشته باشد. برای مثال، تعداد نشست‌های یکتای مرتبط با مشاهده همان محصول با شمارش خام تمام رویدادهای مشاهده محصول یکسان نیست.
در صورت انتخاب معیار نشست محصول، هر نشست باید با قواعد مشخص شمارش شود تا باز کردن چندباره صفحه توسط یک کاربر، تقاضا را به‌طور مصنوعی افزایش ندهد.
فرض کنید فروشگاه شما یک محصول پرفروش با قیمت هر واحد یک میلیون و ۲۵۰ هزار تومان دارد.
در دوره‌ای که محصول موجود بوده، ۲۴۰۰ نشست واجد شرایط مربوط به صفحه آن ثبت شده و ۹۶ واحد کالا به فروش رسیده است. فرض می‌کنیم این نشست‌ها و فروش‌ها با تعریف و محدوده زمانی هماهنگ ثبت شده‌اند.
در نتیجه نرخ فروش واحد به ازای نشست برابر است با ۹۶ تقسیم بر ۲۴۰۰؛ یعنی ۴ درصد.
حالا فرض کنید محصول چهار روز ناموجود بوده و در همین مدت ۸۰۰ نشست واجد شرایط روی صفحه آن ثبت شده است.
| شاخص | مقدار فرضی |
|---|---|
| قیمت هر محصول | ۱٬۲۵۰٬۰۰۰ تومان |
| نشست‌های واجد شرایط هنگام موجودی | ۲٬۴۰۰ |
| تعداد واحد فروش‌رفته هنگام موجودی | ۹۶ عدد |
| نرخ فروش واحد به ازای نشست | ۴٪ |
| مدت ناموجودی | ۴ روز |
| نشست‌های واجد شرایط هنگام ناموجودی | ۸۰۰ |
| تقاضای برآوردی در صورت موجود بودن | ۳۲ عدد |
| ارزش فروش بالقوه همان محصول | ۴۰٬۰۰۰٬۰۰۰ تومان |
محاسبه ساده به این شکل است: ۸۰۰ × ۴٪ = ۳۲ واحد.
سپس ۳۲ × ۱٬۲۵۰٬۰۰۰ = ۴۰٬۰۰۰٬۰۰۰ تومان.
نتیجه اولیه: در این سناریوی فرضی، حدود ۴۰ میلیون تومان فروش بالقوه مربوط به همان محصول در دوره ناموجودی وجود داشته است.
اما هنوز نمی‌توان گفت فروشگاه دقیقاً ۴۰ میلیون تومان درآمد افزایشی یا سود از دست داده است؛ زیرا باید خرید جایگزین، خرید تأخیری و هزینه‌های مربوط را نیز بررسی کنیم.
برای تحلیل اقتصادی، ارزش فروش بالقوه به‌تنهایی کافی نیست. باید هزینه‌هایی را که در صورت فروش محصول ایجاد می‌شدند نیز کسر کنیم.
فرض کنید بهای تأمین هر واحد ۸۵۰ هزار تومان است و هزینه‌های متغیر بسته‌بندی، پرداخت و سهم فروشگاه از ارسال در مجموع ۵۰ هزار تومان هستند.
| شرح | مبلغ هر واحد |
|---|---|
| قیمت فروش | ۱٬۲۵۰٬۰۰۰ تومان |
| بهای تأمین کالا | ۸۵۰٬۰۰۰ تومان |
| سایر هزینه‌های متغیر | ۵۰٬۰۰۰ تومان |
| حاشیه مشارکت واحد | ۳۵۰٬۰۰۰ تومان |
در نتیجه، حاشیه مشارکت بالقوه ۳۲ واحد برابر ۱۱ میلیون و ۲۰۰ هزار تومان است.
فرمول: حاشیه مشارکت بالقوه ازدست‌رفته محصول = تعداد واحد فروش برآوردی × حاشیه مشارکت هر واحد.
این عدد هنوز اثر خرید محصولات جایگزین و خریدهای تأخیری را در نظر نگرفته است.
همچنین ۱۱٫۲ میلیون تومان سود خالص حسابداری نیست؛ زیرا هزینه‌های ثابت و آثار اقتصادی دیگر ممکن است محاسبه نشده باشند.
وقتی یک محصول ناموجود می‌شود، همه مشتریان الزاماً فروشگاه را ترک نمی‌کنند.
برای مثال، مشتری ممکن است به‌جای هدفون مدل A، هدفون مدل B را از همان فروشگاه خریداری کند.
در این حالت فروش مدل A انجام نشده، اما بخشی از فروش فروشگاه از طریق محصول جایگزین حفظ شده است.
برای تحلیل دقیق، باید فروش ازدست‌رفته SKU را از اثر خالص کمبود موجودی بر کل فروشگاه جدا کنیم.
پژوهش A Practical Approach to Measuring the Impacts of Stockouts on Demand نیز به این موضوع می‌پردازد که اتمام موجودی می‌تواند تقاضای محصول جایگزین را افزایش دهد و محاسبه تقاضای واقعی باید این انتقال را در نظر بگیرد.
نکته مهم: افزایش فروش محصول B هم‌زمان با ناموجود شدن A به‌تنهایی ثابت نمی‌کند مشتریان A به B منتقل شده‌اند. برای تخمین معتبر باید رفتار مشتری، روند عادی محصول B و عوامل بیرونی بررسی شوند.
بعضی مشتریان پس از مشاهده وضعیت ناموجود، صبر می‌کنند تا همان محصول دوباره عرضه شود.
فرض کنید مشتری وارد صفحه محصول شده، درخواست اطلاع‌رسانی ثبت کرده و سه روز پس از موجود شدن، همان محصول را خریده است.
اگر بتوان این رفتار را با داده معتبر و روش انتساب مشخص تشخیص داد، این خرید می‌تواند بخشی از تقاضای بازیابی‌شده باشد.
در مقابل، کلیک روی دکمه «موجود شد خبرم کن» به معنی خرید قطعی آینده نیست.
اصل تحلیلی: درخواست موجودی را به‌عنوان نشانه علاقه‌مندی ثبت کنید، اما فقط خرید واقعی و قابل انتساب را در بخش فروش بازیابی‌شده محاسبه کنید.
برای جلوگیری از دوباره‌شماری، یک خرید تأخیری نباید هم‌زمان به‌عنوان خرید جایگزین و خرید بازیابی‌شده همان سفارش حساب شود.
به مثال قبلی برگردیم. تقاضای بالقوه محصول ناموجود را ۳۲ واحد با ارزش ۴۰ میلیون تومان برآورد کرده بودیم.
اکنون برای آموزش فرض می‌کنیم از همین ۳۲ فرصت خرید، ۱۲ مورد واقعاً به خرید کالای جایگزین از همان فروشگاه تبدیل شده و پنج مورد دیگر پس از تأمین مجدد، همان محصول اصلی را خریده‌اند.
در این مثال فرض می‌شود این ۱۷ خرید با روش معتبر قابل انتساب‌اند، با یکدیگر همپوشانی ندارند و اگر محصول اصلی موجود بود، همین فرصت‌ها به فروش آن اختصاص می‌یافتند. در داده‌های واقعی اثبات این موضوع ساده نیست.
قیمت هر کالای جایگزین را یک میلیون و ۱۰۰ هزار تومان و حاشیه مشارکت آن را ۲۸۰ هزار تومان فرض می‌کنیم.
| شاخص | نتیجه فرضی |
|---|---|
| تقاضای اولیه برآوردی | ۳۲ واحد |
| ارزش فروش بالقوه محصول اصلی | ۴۰ میلیون تومان |
| خرید محصول جایگزین | ۱۲ واحد، مجموعاً ۱۳٫۲ میلیون تومان |
| خرید تأخیری محصول اصلی | ۵ واحد، مجموعاً ۶٫۲۵ میلیون تومان |
| فرصت‌های خرید جبران‌نشده | ۱۵ واحد |
| درآمد افزایشی ازدست‌رفته پس از بازیابی | ۲۰٫۵۵ میلیون تومان |
| حاشیه مشارکت ازدست‌رفته پس از بازیابی | ۶٫۰۹ میلیون تومان |
ارزش فروش بالقوه اولیه ۴۰ میلیون تومان بود. از آن، ۱۳٫۲ میلیون تومان از طریق فروش جایگزین و ۶٫۲۵ میلیون تومان از طریق خرید تأخیری بازیابی شده است.
پس در این مدل فرضی، اثر خالص بر درآمد فروشگاه ۲۰ میلیون و ۵۵۰ هزار تومان است.
برای محاسبه اثر بر حاشیه مشارکت نیز از ۱۱٫۲ میلیون تومان بالقوه، مبلغ ۳ میلیون و ۳۶۰ هزار تومان مربوط به فروش جایگزین و یک میلیون و ۷۵۰ هزار تومان مربوط به خرید تأخیری کسر می‌شود.
نتیجه برابر ۶ میلیون و ۹۰ هزار تومان است.
تفاوت مهم: این اعداد نتیجه یک سناریوی فرضی با فرض‌های مشخص‌اند، نه مقدار قطعی قابل استخراج از هر فروشگاه. در عمل باید نرخ واقعی جایگزینی، خرید تأخیری و احتمال تغییر رفتار مشتری تخمین زده شوند.
اصلی‌ترین مشکل آن است که نمی‌توان با قطعیت مشاهده کرد مشتری در صورت موجود بودن محصول چه تصمیمی می‌گرفت.
ممکن است همان مشتری بازدیدکننده باشد، اما قصد خرید فوری نداشته باشد. ممکن است قیمت محصول برای او مناسب نباشد یا در نهایت از فروشگاه دیگری خرید کند.
از سوی دیگر، بعضی مشتریان ممکن است اصلاً وارد صفحه محصول ناموجود نشوند؛ زیرا محصول از فهرست فروشگاه یا تبلیغات حذف شده است.
در نتیجه تعداد بازدیدهای صفحه ناموجود الزاماً تمام تقاضای بالقوه را پوشش نمی‌دهد.
برای همین، بهتر است علاوه بر برآورد مرکزی، یک بازه محتمل نیز ارائه شود.
فرض کنید در مثال قبلی، نرخ فروش واحد به ازای نشست در دوره‌های مشابه بین ۳ تا ۵ درصد تغییر داشته است.
اگر ۸۰۰ نشست واجد شرایط در دوره ناموجودی ثبت شده باشد، می‌توان سه سناریو طراحی کرد.
| سناریو | نرخ فرضی | تقاضای برآوردی | ارزش فروش بالقوه |
|---|---|---|---|
| محتاطانه | ۳٪ | ۲۴ واحد | ۳۰ میلیون تومان |
| میانی | ۴٪ | ۳۲ واحد | ۴۰ میلیون تومان |
| خوش‌بینانه | ۵٪ | ۴۰ واحد | ۵۰ میلیون تومان |
این بازه صرفاً تحلیل حساسیت به نرخ تبدیل فرضی است و فاصله اطمینان آماری محسوب نمی‌شود.
برای تحلیل مالی می‌توان حاشیه مشارکت بالقوه هر سناریو را نیز محاسبه کرد. با حاشیه مشارکت ۳۵۰ هزار تومان برای هر واحد، مقدارهای مربوط به سه سناریو به‌ترتیب ۸٫۴، ۱۱٫۲ و ۱۴ میلیون تومان خواهند بود.
در مرحله بعد باید آثار جایگزینی و خرید تأخیری را با فرض‌های متناسب با همان سناریو کسر کرد.
مزیت این روش: مدیر فروشگاه متوجه می‌شود تصمیم تأمین مجدد تا چه اندازه به فرض نرخ تقاضا حساس است.
Google Analytics 4 می‌تواند اطلاعات مفیدی درباره مشاهده محصول، افزودن به سبد خرید و تکمیل سفارش ارائه کند؛ البته به شرط اینکه رویدادهای فروشگاهی به‌درستی پیاده‌سازی شده باشند.
طبق مستندات رسمی رویدادهای GA4، رویدادهای توصیه‌شده برای فروشگاه‌ها شامل view_item، add_to_cart، begin_checkout، purchase و refund هستند.
این رویدادها کمک می‌کنند رفتار کاربران در مسیر خرید بررسی شود.
اما باید توجه داشت که GA4 به‌صورت پیش‌فرض یک گزارش قطعی و آماده از میزان فروش ازدست‌رفته تمام محصولات ناموجود ارائه نمی‌کند.
برای محاسبه دقیق‌تر، لازم است وضعیت موجودی، زمان کمبود و در صورت امکان داده‌های تقاضا به تحلیل اضافه شوند.
| رویداد | کاربرد | نکته |
|---|---|---|
view_item |
بررسی مشاهده محصول | ممکن است یک کاربر چند بار مشاهده ثبت کند |
select_item |
بررسی انتخاب محصول از فهرست | نشان‌دهنده خرید قطعی نیست |
add_to_cart |
بررسی افزودن کالا به سبد | به معنی پرداخت موفق نیست |
begin_checkout |
بررسی آغاز تسویه‌حساب | ممکن است سبد شامل چند کالا باشد |
purchase |
ثبت خرید معتبر | باید با شناسه تراکنش و سفارش هماهنگ باشد |
refund |
ثبت بازپرداخت | برای محاسبه فروش خالص اهمیت دارد |
search |
بررسی جست‌وجوی داخلی سایت | می‌تواند نشانه تقاضا باشد |
در رویدادهای فروشگاهی، شناسه کالا و اطلاعات آن معمولاً در آرایه items ارسال می‌شوند.
براساس راهنمای تنظیم رویدادهای Ecommerce در GA4، ویژگی‌های مربوط به محصول باید در سطح آیتم و ویژگی‌های مربوط به تعامل در سطح رویداد قرار گیرند.
برای تحلیل دقیق، بهتر است شناسه ثبت‌شده در GA4 با SKU یا شناسه پایدار محصول در سیستم فروشگاه قابل تطبیق باشد.
بله. اگر زیرساخت سایت و ابزار تحلیل اجازه بدهند، می‌توان رویداد سفارشی برای رفتار مرتبط با اتمام موجودی تعریف کرد.
برای مثال، رویداد view_out_of_stock می‌تواند هنگام مشاهده واقعی محصول ناموجود توسط کاربر ثبت شود.
رویداد notify_me_click نیز می‌تواند برای درخواست اطلاع‌رسانی موجودی استفاده شود.
این نام‌ها پیشنهادهای سفارشی هستند و جزو رویدادهای توصیه‌شده استاندارد GA4 محسوب نمی‌شوند.
می‌توان در صورت نیاز پارامترهایی مانند شناسه محصول، کد تنوع، وضعیت موجودی، محل نمایش محصول و زمان رویداد را ثبت کرد.
نکته: ثبت رویداد باید با سیاست حریم خصوصی، دسترسی کاربران و محدودیت‌های ابزار تحلیل هماهنگ باشد. همچنین برای استفاده گزارشی از بعضی پارامترهای سفارشی ممکن است به تنظیمات جداگانه مانند تعریف Custom Dimension نیاز باشد.
در این روش نیز یک مشاهده ناموجود به معنی یک فروش قطعی ازدست‌رفته نیست؛ بلکه داده‌ای برای تخمین تقاضا فراهم می‌کند.
یکی از خطاهای مهم محاسباتی این است که نرخ تبدیل کل فروشگاه را برای تمام محصولات استفاده کنیم.
فرض کنید نرخ تبدیل کل سایت ۲ درصد است. اما یک محصول بسیار پرتقاضا ممکن است نرخ فروش واحد به نشست مرتبط ۵ درصد داشته باشد و محصولی دیگر کمتر از یک درصد.
اگر برای هر دو محصول از عدد عمومی ۲ درصد استفاده کنید، برآورد تقاضا می‌تواند نادرست باشد.
روش پیشنهادی: تا حد امکان نرخ تبدیل یا نرخ فروش واحد را برای همان SKU و در دوره‌های قابل مقایسه محاسبه کنید.
در صورت کمبود داده، می‌توان از گروه محصولات مشابه، دسته‌بندی یا مدل آماری مناسب استفاده کرد؛ اما باید مشخص شود برآورد از داده مستقیم همان محصول به دست نیامده است.
همچنین نباید نرخ تبدیل مشاهده صفحه به سفارش را با نرخ تبدیل نشست کل فروشگاه یا نسبت رویدادهای purchase به view_item بدون یکسان‌سازی واحد شمارش، یک مقدار واحد تلقی کرد.
تقاضای محصولات همیشه ثابت نیست. روز هفته، فصل، کمپین تبلیغاتی، قیمت، شرایط رقبا و مناسبت‌های فروش می‌توانند بر خرید مشتریان اثر بگذارند.
برای مثال، اگر محصولی در هفته تخفیف ویژه ناموجود شده، میانگین فروش روزهای عادی ممکن است تقاضای همان هفته را کمتر از واقعیت تخمین بزند.
در مقابل، اگر پیش از ناموجودی تبلیغات سنگینی اجرا شده و در دوره کمبود تبلیغات متوقف شده‌اند، استفاده از سرعت فروش روزهای تبلیغاتی ممکن است بیش‌برآورد ایجاد کند.
راهکار: دوره‌های مشابه را از نظر روز هفته، قیمت، کمپین، منبع ترافیک و فصل با یکدیگر مقایسه کنید.
در تحلیل پیشرفته می‌توان از مدل‌های پیش‌بینی تقاضا یا گروه کنترل مشابه استفاده کرد؛ اما کیفیت این مدل‌ها به داده کافی و اعتبار فرض‌های آن‌ها وابسته است.
بعضی فروشگاه‌ها پس از اتمام موجودی، محصول را از فهرست دسته‌بندی و پیشنهادهای مرتبط حذف می‌کنند.
در این شرایط ممکن است بازدید صفحه محصول کاهش پیدا کند؛ نه به این دلیل که مشتریان دیگر آن را نمی‌خواهند، بلکه به دلیل اینکه محصول کمتر دیده می‌شود.
اگر فقط بازدیدهای دوره ناموجودی را مبنای محاسبه قرار دهید، احتمال دارد تقاضای بالقوه کمتر از واقعیت برآورد شود.
برای تحلیل بهتر، می‌توان بازدیدهای دوره مشابه، روند جست‌وجوی داخلی، ترافیک دسته‌بندی و عملکرد محصولات هم‌رده را بررسی کرد.
نکته: این داده‌ها می‌توانند برای تخمین تقاضای پنهان مفید باشند، اما هیچ‌کدام به‌تنهایی تعداد خریدهای ازدست‌رفته را اثبات نمی‌کنند.
مشتری ممکن است نام کالایی را جست‌وجو کند که موجودی آن تمام شده است.
برای مثال، ۷۰ جست‌وجوی داخلی برای یک مدل مشخص در دوره ناموجودی ثبت شده باشد.
این عدد می‌تواند نشانه‌ای از علاقه کاربران به محصول باشد.
اما نباید هر جست‌وجو را معادل یک سفارش ازدست‌رفته فرض کرد. ممکن است یک کاربر چند بار جست‌وجو کرده باشد یا هدف او فقط بررسی مشخصات و قیمت باشد.
راهکار: جست‌وجوهای بدون نتیجه، مشاهده صفحات ناموجود و درخواست‌های اطلاع‌رسانی را به‌عنوان شاخص‌های مکمل تقاضا در نظر بگیرید.
اگر امکان‌پذیر است، الگوهای تکراری را با روش‌های سازگار با حریم خصوصی حذف کنید و فقط داده‌های لازم برای تحلیل را نگهداری کنید.
وجود دکمه «موجود شد خبرم کن» می‌تواند به ثبت تقاضای احتمالی کمک کند.
برای مثال، اگر ۴۰ نفر برای یک محصول ناموجود درخواست اطلاع‌رسانی ثبت کرده‌اند، فروشگاه می‌داند گروهی از مخاطبان علاقه‌مند وجود دارند.
اما ۴۰ درخواست به معنی ۴۰ خرید آینده نیست.
برای استفاده دقیق‌تر، می‌توان نرخ تبدیل درخواست‌های اطلاع‌رسانی به خرید واقعی را در دوره‌های گذشته محاسبه کرد.
فرض کنید در چند دوره مشابه، ۱۰۰ درخواست معتبر ثبت شده و ۲۵ نفر پس از موجود شدن محصول خرید کرده‌اند. در این مثال، نرخ تبدیل مشاهده‌شده درخواست به خرید ۲۵ درصد است.
این نرخ می‌تواند به پیش‌بینی اولیه کمک کند، اما تضمین نمی‌کند دوره بعد نیز دقیقاً همین نتیجه تکرار شود.
نکته مهم: اگر این خریدهای احتمالی در مدل بازدید و نرخ تبدیل نیز لحاظ شده‌اند، نباید درخواست‌های اطلاع‌رسانی را بدون کنترل همپوشانی دوباره به تقاضای برآوردی اضافه کنید.
ممکن است یک فروشگاه هم‌زمان در سایت، شبکه‌های اجتماعی، فروش حضوری و بازارگاه‌های آنلاین فعالیت کند.
در چنین شرایطی، اتمام موجودی یک SKU می‌تواند بر همه کانال‌ها اثر بگذارد.
اگر تحلیل فقط براساس بازدید سایت انجام شود، تقاضای ازدست‌رفته تماس‌های تلفنی یا فروش حضوری دیده نمی‌شود.
بهتر است تمام کانال‌ها تا حد امکان از شناسه‌های مشترک محصول و مرجع معتبر موجودی استفاده کنند.
برای مثال، درخواست مشتری در اینستاگرام برای کالای ناموجود می‌تواند به‌عنوان یک سرنخ تقاضا ثبت شود؛ اما تا زمانی که خرید قطعی قابل اثبات نیست، نباید آن را فروش تحقق‌نیافته قطعی تلقی کرد.
قاعده: آمار هر کانال را جدا ثبت کنید و در گزارش تجمیعی، موارد تکراری را شناسایی کنید. یک مشتری ممکن است همان محصول را در سایت مشاهده کرده و سپس درباره آن در پیام‌رسان سؤال کرده باشد.
گاهی محصول در انبار وجود دارد، اما سایت آن را ناموجود نمایش می‌دهد.
برای مثال، به دلیل تأخیر همگام‌سازی موجودی یا خطای ثبت سفارش، تعداد قابل فروش یک کالا در سایت صفر شده باشد.
در چنین شرایطی مشکل فقط کمبود تأمین نیست؛ بلکه ممکن است خطای سیستم یا فرایند عملیاتی باشد.
برعکس، ممکن است سیستم موجودی مثبت نشان دهد، اما محصول در محل فیزیکی انبار پیدا نشود یا به سفارش دیگری تخصیص یافته باشد.
پژوهش Estimating Lost Sales for Substitutable Products with Uncertain On-Shelf Availability نشان می‌دهد که تکیه بر اطلاعات نامطمئن موجودی می‌تواند برآورد فروش ازدست‌رفته را به‌شکل قابل توجهی منحرف کند.
راهکار: قبل از اعتماد به گزارش، تعریف موجودی قابل فروش، زمان به‌روزرسانی، ثبت رزرو سفارش و مغایرت‌های انبار را بررسی کنید.
برای کنترل وضعیت تأمین، می‌توان سهم زمانی را اندازه گرفت که محصول برای مشتری قابل خرید نبوده است.
فرمول: نرخ ناموجودی زمانی = مدت ناموجودی ÷ مدت کل قابل عرضه × ۱۰۰.
برای مثال، اگر محصولی در یک دوره ۳۰روزه، شش روز کامل ناموجود بوده باشد، نرخ ناموجودی زمانی آن برابر ۲۰ درصد است.
اگر محصول فقط در بعضی ساعت‌ها ناموجود بوده، استفاده از ساعت یا دقیقه می‌تواند دقیق‌تر باشد.
در مستندات تحلیلی Shopify نیز شاخص‌هایی مانند Days in Stock و Days out of Stock برای بررسی مدت دسترس‌پذیری کالا معرفی شده‌اند.
البته اگر شاخص براساس موجودی پایان روز محاسبه شود، ممکن است ناموجودی چندساعته داخل همان روز را به‌طور کامل نشان ندهد.
نکته: نرخ ناموجودی معیار دسترس‌پذیری است، نه ارزش مالی فرصت ازدست‌رفته. شش روز کمبود یک محصول کم‌تقاضا ممکن است اثر مالی کمتری از چند ساعت ناموجودی کالای پرفروش داشته باشد.
اگر سرمایه در گردش محدود باشد، فروشگاه نمی‌تواند موجودی همه محصولات را بدون محدودیت افزایش دهد.
بهتر است تأمین مجدد بر اساس اثر اقتصادی و میزان اطمینان تقاضا اولویت‌بندی شود.
برای مثال، محصولی با حاشیه مشارکت بالا، تقاضای پایدار و زمان تأمین طولانی ممکن است نسبت به یک کالای کم‌تقاضا اولویت بیشتری داشته باشد.
اما نباید فقط مبلغ فروش ازدست‌رفته را بررسی کرد. حداقل مقدار خرید از تأمین‌کننده، هزینه نگهداری موجودی، احتمال کاهش تقاضا و ریسک خواب سرمایه نیز اهمیت دارند.
مدل اولویت‌بندی پیشنهادی: حاشیه مشارکت احتمالی قابل بازیابی، مدت و تکرار ناموجودی، قابلیت اطمینان تأمین و سرمایه موردنیاز را در یک جدول مقایسه کنید.
محصولی که فروش احتمالی زیادی دارد اما تأمین آن بسیار پرهزینه و پرریسک است، لزوماً بهترین گزینه برای سفارش مجدد نیست.
یکی از راه‌های کاهش تکرار ناموجودی، تعیین نقطه سفارش مجدد یا Reorder Point است.
این نقطه مشخص می‌کند در چه سطحی از موقعیت موجودی باید سفارش تأمین جدید بررسی یا ثبت شود.
در یک مدل ساده با تقاضا و زمان تأمین نسبتاً ثابت، می‌توان از فرمول زیر استفاده کرد:
نقطه سفارش مجدد = تقاضای مورد انتظار طی زمان تأمین + موجودی ایمنی.
فرض کنید محصولی روزانه به‌طور متوسط ۸ عدد تقاضا دارد، زمان تأمین آن ۷ روز است و موجودی ایمنی تعیین‌شده براساس سیاست فروشگاه ۲۰ عدد است.
در این مثال، تقاضای دوره تأمین برابر ۵۶ عدد و نقطه سفارش مجدد برابر ۷۶ عدد خواهد بود.
بنابراین در مدل فرضی، وقتی موقعیت موجودی به ۷۶ واحد برسد باید سفارش تأمین بررسی شود.
توجه: موجودی ایمنی نباید بدون بررسی نوسان تقاضا، تغییر زمان تأمین و سطح خدمت هدف تعیین شود. همچنین موقعیت موجودی ممکن است شامل موجودی قابل فروش، سفارش‌های در راه و تعهدات رزروشده باشد؛ نه فقط موجودی فیزیکی قفسه.
برای فروشگاه دارای چند انبار یا تأمین‌کننده، ممکن است به فرمول و سیاست کامل‌تری نیاز باشد.
یکی دیگر از شاخص‌های مفید، Days of Inventory Remaining است.
در یک مدل ساده، این شاخص از تقسیم موجودی قابل استفاده بر متوسط تقاضای روزانه به دست می‌آید.
برای مثال، اگر ۸۰ واحد کالا باقی مانده و متوسط تقاضا روزانه ۱۰ واحد است، موجودی تقریبی برای هشت روز کفایت می‌کند.
اگر زمان تأمین محصول ۱۲ روز باشد، این وضعیت می‌تواند هشدار کمبود آینده باشد.
اما اگر تقاضا فصلی است یا موجودی به سفارش‌های قبلی تخصیص داده شده، محاسبه باید اصلاح شود.
راهکار: این شاخص را در کنار زمان تأمین، موجودی ایمنی و سفارش‌های در راه بررسی کنید. تعداد روزهای باقی‌مانده به‌تنهایی برنامه خرید کامل نیست.
در بعضی کسب‌وکارها امکان ثبت سفارش محصول ناموجود برای تحویل آینده وجود دارد.
اگر تأمین کالا قابل اتکا باشد و قیمت، موعد تحویل و شرایط معامله روشن باشند، پیش‌سفارش یا سفارش معوق می‌تواند بخشی از تقاضای فعلی را به خرید آینده تبدیل کند.
اما پیش‌سفارش همیشه جایگزین موجودی آماده نیست. بعضی مشتریان به تحویل فوری نیاز دارند و حاضر نیستند منتظر بمانند.
همچنین دریافت وجه برای کالایی که تأمین آن نامشخص است می‌تواند تعهد مالی، نارضایتی و ریسک استرداد ایجاد کند.
نتیجه: برای تحلیل، سفارش‌های واقعی پذیرفته‌شده برای تحویل آینده را از درخواست‌های علاقه‌مندی جدا کنید و خریدهای انجام‌شده را در محاسبه بازیابی تقاضا لحاظ کنید.
پیش‌سفارش باید مطابق توان عملیاتی و شرایط حقوقی واقعی فروشگاه طراحی شود.
ممکن است صفحه یک محصول ناموجود همچنان از گوگل بازدیدکننده دریافت کند. در این حالت، ترافیک ارگانیک می‌تواند بخشی از نشانه‌های تقاضای بالقوه را نشان دهد.
اما تعداد Impression یا Click در Google Search Console به معنی تعداد مشتری یا سفارش ازدست‌رفته نیست.
Impression نشان می‌دهد نتیجه جست‌وجو در شرایط مشخص نمایش داده شده است و Click نیز ورود از جست‌وجوی گوگل را نشان می‌دهد. هیچ‌کدام به‌تنهایی قصد قطعی خرید یا نرخ تبدیل را اثبات نمی‌کنند.
برای تحلیل، می‌توانید تغییر کلیک‌های صفحه، بازدیدهای GA4 و نرخ خرید محصول در دوره موجودی را در کنار هم بررسی کنید.
اگر صفحه در زمان ناموجودی از نتایج جست‌وجو حذف شده یا رتبه آن تغییر کرده است، باید این مسئله را جدا تحلیل کنید؛ زیرا ممکن است بخشی از تقاضای قابل مشاهده سایت کاهش یافته باشد.
نکته: برای محصولی که موقتاً ناموجود شده، حفظ صفحه واقعی با اطلاعات مفید و اعلام وضعیت موجودی در شرایط مناسب می‌تواند از حذف غیرضروری صفحه جلوگیری کند. اما سیاست فنی باید متناسب با ماهیت کالا و ساختار سایت تعیین شود.
یک گزارش مدیریتی خوب باید فقط ارزش تخمینی فروش ازدست‌رفته را نشان ندهد؛ بلکه علت کمبود، کیفیت تخمین و اقدام پیشنهادی را نیز مشخص کند.
برای مثال، می‌توان گزارشی ماهانه با ستون‌های زیر ایجاد کرد:
| ستون گزارش | کاربرد |
|---|---|
| کد محصول | شناسایی دقیق SKU |
| نام محصول و تنوع | تشخیص کالای درگیر |
| مدت ناموجودی | اندازه‌گیری زمان عدم دسترسی |
| نرخ ناموجودی | بررسی سهم زمانی کمبود |
| بازدید واجد شرایط در دوره کمبود | برآورد میزان تقاضای مشاهده‌شده |
| نرخ خرید مبنا | تخمین تقاضا در صورت موجود بودن |
| تقاضای بالقوه | تعداد واحدهای برآوردی |
| ارزش فروش بالقوه | مبلغ فروش احتمالی SKU |
| فروش بازیابی‌شده | اثر خرید جایگزین و تأخیری |
| حاشیه مشارکت ازدست‌رفته | اثر اقتصادی پس از بازیابی |
| درجه اطمینان | میزان اتکاپذیری داده و فرض‌ها |
| علت ناموجودی | تأخیر تأمین، خطای موجودی یا رشد تقاضا |
| اقدام پیشنهادی | تغییر نقطه سفارش یا اصلاح فرایند |
بهتر است در هر گزارش مشخص باشد عدد فروش ازدست‌رفته، برآورد فرصت همان SKU است یا اثر خالص کمبود بر کل فروشگاه.
همچنین برای گزارش‌های تجمیعی باید از جمع کردن برآوردهای دارای همپوشانی جلوگیری شود.
فرض کنید سه محصول دارید که در یک ماه ناموجود شده‌اند. داده‌های زیر برای آموزش فرضی هستند.
| محصول | مدت کمبود | واحد بالقوه ازدست‌رفته | حاشیه مشارکت هر واحد | حاشیه مشارکت بالقوه |
|---|---|---|---|---|
| محصول A | ۲ روز | ۳۰ عدد | ۴۰۰ هزار تومان | ۱۲ میلیون تومان |
| محصول B | ۸ روز | ۱۵ عدد | ۱۰۰ هزار تومان | ۱٫۵ میلیون تومان |
| محصول C | ۴ روز | ۲۰ عدد | ۲۵۰ هزار تومان | ۵ میلیون تومان |
اگر فقط تعداد روزهای ناموجودی را بررسی کنیم، محصول B بدترین وضعیت را دارد.
اما براساس حاشیه مشارکت بالقوه، محصول A اثر اقتصادی بیشتری نشان می‌دهد.
بنابراین در یک تحلیل اولیه، بررسی علت ناموجودی A می‌تواند اولویت بالاتری داشته باشد.
البته قبل از تصمیم خرید، باید میزان تقاضای واقعاً بازیابی‌نشده، قیمت تأمین جدید، سرمایه لازم و ریسک موجودی اضافی نیز بررسی شوند.
نتیجه مدیریتی: مدت ناموجودی، تعداد واحد و ارزش مالی را هم‌زمان تحلیل کنید؛ زیرا هر کدام بخشی متفاوت از مسئله را نشان می‌دهد.
حتی اگر داده‌های زیادی در اختیار دارید، استفاده نادرست از آن‌ها می‌تواند نتیجه را گمراه‌کننده کند.
یکی از خطاها، ضرب تعداد تمام بازدیدهای صفحه ناموجود در نرخ تبدیل کل فروشگاه است. این روش ممکن است تقاضای واقعی محصول را درست نشان ندهد.
خطای دیگر، در نظر گرفتن تمام درخواست‌های اطلاع‌رسانی موجودی به‌عنوان خرید قطعی است.
همچنین نباید فروش محصول جایگزین را بدون بررسی به‌عنوان درآمد ازدست‌رفته کامل فروشگاه ثبت کرد.
نکته مهم مالی: اگر یک سفارش شامل چند محصول است، قیمت و حاشیه مشارکت SKU ناموجود را جدا محاسبه کنید. ارزش کل سبد خرید را بدون روش انتساب معتبر به همان کالا نسبت ندهید.
در نهایت، لازم است ارزش فروش و حاشیه مشارکت با تعریف واحد پول، تخفیف، مرجوعی، مالیات و هزینه حمل سازگار باشند.
از نظر فنی می‌توان سامانه‌ای طراحی کرد که تاریخچه موجودی، داده فروش و رفتار کاربران را ترکیب کند و برای هر SKU یک تخمین دوره‌ای ارائه دهد.
اما خودکار بودن محاسبه به معنی قطعی بودن نتیجه نیست.
برای مثال، یک مدل می‌تواند با استفاده از روزهای موجودی، سرعت فروش گذشته و تعداد بازدیدهای دوره ناموجودی، تقاضای احتمالی را برآورد کند.
در مدل‌های پیشرفته‌تر می‌توان فصل، کمپین، قیمت، کالاهای جایگزین و زمان تأمین را نیز لحاظ کرد.
نکته: اعتبار مدل باید با مقایسه پیش‌بینی‌های آن با دوره‌های واقعی فروش و ارزیابی خطا بررسی شود. مدل‌هایی که فقط روی داده فروش گذشته آموزش می‌بینند، ممکن است به دلیل نبود اطلاعات تقاضای سانسورشده در زمان اتمام موجودی، کمبود آینده را دست‌کم بگیرند.
برای فروشگاه کوچک، شروع با گزارش ساده و شفاف اغلب از ساخت یک داشبورد بسیار پیچیده و بدون داده معتبر مفیدتر است.
ابتدا محصولات پرفروش یا محصولاتی را که مرتب ناموجود می‌شوند شناسایی کنید. برای شروع، تعداد محدودی SKU انتخاب کنید تا کیفیت داده‌ها قابل کنترل باشد.
زمان شروع و پایان ناموجودی، موجودی قابل فروش و سفارش‌های رزروشده را بررسی کنید. اگر تاریخچه دقیق ندارید، محدودیت داده را در گزارش ثبت کنید.
فروش واحدی، قیمت واقعی و هزینه متغیر محصولات را در دوره‌های قابل مقایسه آماده کنید. خریدهای لغوشده یا مرجوعی را متناسب با تعریف گزارش اصلاح کنید.
در صورت وجود GA4 یا ابزار مشابه، بازدید محصول، نرخ خرید و رفتار کاربران در دوره موجودی و ناموجودی را مقایسه کنید.
تقاضای بالقوه و ارزش مالی را با روش مناسب برآورد کنید. یک سناریوی محتاطانه، میانی و خوش‌بینانه تهیه کنید.
خرید جایگزین و خرید تأخیری را تا حد امکان بررسی کنید. از فرض‌های بدون پشتوانه و دوباره‌شماری جلوگیری کنید.
محصولات را براساس شدت مشکل و اثر اقتصادی اولویت‌بندی کنید. برای کالاهای مهم، نقطه سفارش مجدد، هشدار موجودی و زمان تأمین را بازنگری کنید.
این برنامه برای آغاز تحلیل است. برای ساخت مدل دقیق‌تر و ارزیابی اثر واقعی اصلاحات، به داده‌های دوره‌های بعد نیز نیاز خواهید داشت.
برای کاهش فروش ازدست‌رفته، ابتدا باید اطلاعات محصولات، قیمت‌ها، موجودی و سفارش‌ها به‌شکل منظم نگهداری شوند.
مای‌تارنما یک سایت‌ساز اختصاصی فروشگاهی است که امکانات معرفی‌شده‌ای مانند ثبت و مدیریت محصولات، محصولات متغیر و چندقیمتی، مدیریت موجودی، گزارش موجودی، ثبت سفارش، پیامک سفارش، درگاه پرداخت، فاکتور و چاپ، دسته‌بندی کالاها و وبلاگ دارد.
این امکانات می‌توانند به فروشگاه کمک کنند محصولات و سفارش‌ها را منظم‌تر مدیریت کند و برای بررسی وضعیت موجودی، داده‌های پایه داشته باشد.
برای مثال، اگر یک محصول در رنگ و اندازه متفاوت عرضه می‌شود، ثبت تنوع‌های واقعی و موجودی آن‌ها می‌تواند مبنای مناسبی برای تشخیص کالاهای ناموجود باشد.
بااین‌حال باید میان گزارش موجودی و محاسبه خودکار فروش ازدست‌رفته با استفاده از داده‌های رفتاری و مدل پیش‌بینی تقاضا تفاوت وجود داشته باشد.
قابلیت‌هایی مانند نگهداری تاریخچه دقیق تغییر موجودی، تحلیل نرخ تبدیل در سطح SKU، اتصال GA4 با رویدادهای سفارشی، محاسبه خودکار Lost Sales، تشخیص خرید جایگزین و داشبورد پیش‌بینی تقاضا نباید بدون بررسی فنی، امکانات فعال تمام طرح‌های مای‌تارنما فرض شوند.
اگر فروشگاه شما به چنین گزارش‌هایی نیاز دارد، بهتر است ابتدا مشخص کنید چه داده‌هایی در سامانه ثبت یا قابل استخراج هستند و سپس درباره امکان اتصال ابزار تحلیلی یا توسعه گزارش اختصاصی با پشتیبانی هماهنگ شوید.
در تست رایگان ۱۰روزه مای‌تارنما می‌توانید چند محصول با تنوع مختلف ثبت کنید، موجودی و سفارش‌های آزمایشی را بررسی کنید و میزان پوشش نیازهای مدیریتی فروشگاه خود را ارزیابی کنید.
فروش احتمالی است که به دلیل در دسترس نبودن کالا انجام نشده است. مقدار آن معمولاً باید با استفاده از داده‌های گذشته، رفتار کاربران و فرض‌های مشخص تخمین زده شود.
می‌توان متوسط فروش روزانه در زمان موجودی را در تعداد روزهای معادل ناموجودی ضرب کرد. سپس تعداد واحد برآوردی را در قیمت واقعی یا مناسب تحلیل ضرب کرد. این روش فرض می‌کند تقاضا در دوره‌ها نسبتاً مشابه بوده است.
معمولاً خیر. چون تصمیم مشتری در شرایط فرضیِ موجود بودن کالا به‌طور کامل قابل مشاهده نیست. می‌توان با داده بهتر و مدل مناسب، برآورد را دقیق‌تر کرد و عدم قطعیت آن را گزارش داد.
خیر. بازدید نشان‌دهنده مشاهده یا علاقه احتمالی است، نه خرید قطعی. برای برآورد باید نرخ خرید معتبر، تکرار بازدیدها و رفتار واقعی مشتریان بررسی شوند.
بهتر است نرخ خرید همان SKU یا یک گروه واقعاً مشابه استفاده شود. نرخ تبدیل کل سایت ممکن است رفتار متفاوت محصولات را پنهان کند.
GA4 رویدادهای فروشگاهی و رفتار کاربران را ثبت می‌کند، اما گزارش قطعی فروش ازدست‌رفته ناشی از ناموجودی به‌صورت پیش‌فرض در اختیار همه فروشگاه‌ها قرار نمی‌دهد. برای این تحلیل باید داده موجودی و مدل برآورد به آن اضافه شوند.
بله، در صورت امکان فنی می‌توان رویداد یا پارامتر سفارشی برای مشاهده وضعیت ناموجود و درخواست اطلاع‌رسانی ثبت کرد. اما این داده‌ها باید به‌درستی پیاده‌سازی و تفسیر شوند.
فروش محصول اصلی انجام نشده است، اما ممکن است بخشی از فروش کل فروشگاه از طریق محصول جایگزین حفظ شده باشد. برای محاسبه اثر خالص، باید ارزش و حاشیه مشارکت فروش جایگزین را در نظر گرفت.
اگر بتوان خرید را با روش معتبر به تقاضای دوره ناموجودی نسبت داد، می‌توان آن را در بخش فروش بازیابی‌شده قرار داد. نباید صرفاً بر اساس حدس همه خریدهای بعدی را بازیابی تقاضا محسوب کرد.
درآمد ازدست‌رفته ارزش فروش احتمالی است. برای محاسبه اثر سودآوری باید بهای کالا، هزینه‌های متغیر، بازیابی فروش و سایر آثار اقتصادی مرتبط را لحاظ کرد.
مدت ناموجود بودن کالا را بر مدت کل دوره‌ای که باید برای فروش عرضه می‌شده تقسیم و در ۱۰۰ ضرب کنید. بهتر است برای کالاهای پرفروش از داده زمانی دقیق استفاده شود.
بهتر است موجودی و تقاضا در سطح SKU همان سایز و رنگ بررسی شوند. ناموجودی یک تنوع نباید به‌اشتباه به تمام مدل تعمیم داده شود.
خیر. این درخواست‌ها نشانه علاقه هستند. برای برآورد بهتر می‌توان نرخ تبدیل گذشته این درخواست‌ها به خرید واقعی را بررسی کرد.
ممکن است محصول از فهرست‌های سایت پنهان شده، تبلیغات آن متوقف شده یا رفتار کاربران تغییر کرده باشد. بنابراین کاهش بازدید لزوماً به معنی کاهش تقاضای واقعی نیست.
محصولاتی که تقاضای قابل اتکا، اثر اقتصادی بالای کمبود و امکان تأمین مناسب دارند معمولاً ارزش بررسی بیشتری دارند. هزینه خرید، موجودی اضافی و ریسک خواب سرمایه نیز باید محاسبه شوند.
سطحی از موقعیت موجودی است که در آن باید سفارش تأمین جدید ثبت یا بررسی شود. در مدل ساده از تقاضای مورد انتظار طی زمان تأمین به‌علاوه موجودی ایمنی محاسبه می‌شود.
ممکن است کمبود را کاهش دهد، اما موجودی زیاد هزینه نگهداری و خواب سرمایه ایجاد می‌کند. هدف، تعیین سطح موجودی متناسب با تقاضا، زمان تأمین و ریسک کسب‌وکار است.
ابتدا پنج تا ده محصول مهم را انتخاب کنید. تاریخچه موجودی، فروش دوره‌های موجود، قیمت و در صورت امکان بازدید صفحه را جمع‌آوری کنید. سپس برآورد تقاضا و حاشیه مشارکت را با سناریوهای مختلف محاسبه و برای تأمین مجدد اولویت تعیین کنید.
پاسخ سؤال چگونه میزان فروش ازدست‌رفته به‌دلیل اتمام موجودی را اندازه‌گیری کنیم؟ فقط در ضرب تعداد روزهای ناموجودی در قیمت کالا خلاصه نمی‌شود.
برای اندازه‌گیری مناسب باید ابتدا زمان واقعی ناموجودی، شناسه محصول و میزان دسترس‌پذیری کالا مشخص شود. سپس با استفاده از فروش گذشته، بازدیدهای واجد شرایط، نرخ خرید و شرایط تقاضا، تعداد واحدی که احتمالاً در صورت موجود بودن فروش می‌رفت برآورد شود.
در مرحله بعد باید ارزش فروش احتمالی از حاشیه مشارکت تفکیک شود. همچنین خرید محصولات جایگزین، خریدهای تأخیری و سایر روش‌های بازیابی تقاضا باید در تحلیل اثر خالص بر فروشگاه لحاظ شوند.
از آنجا که رفتار فرضی مشتری در صورت موجود بودن محصول مستقیماً قابل مشاهده نیست، بهتر است نتیجه با بازه‌های محتمل، فرض‌های روشن و میزان اطمینان گزارش شود.
در نهایت، ارزش اصلی این تحلیل در تصمیم‌های آینده است: شناسایی محصولات پرریسک، اصلاح زمان سفارش مجدد، تعیین موجودی ایمنی و اولویت‌بندی سرمایه تأمین.
فروشگاهی که فقط سفارش‌های ثبت‌شده را می‌بیند، ممکن است بخش مهمی از تقاضای پاسخ‌داده‌نشده خود را نبیند. اما فروشگاهی که موجودی، رفتار مشتری و حاشیه سود را کنار هم تحلیل می‌کند، می‌تواند تصمیم دقیق‌تری برای جلوگیری از کمبودهای پرهزینه بگیرد.
اگر قصد دارید فروشگاه اینترنتی مستقلی با مدیریت منظم محصولات، تنوع‌ها، موجودی و سفارش‌ها راه‌اندازی کنید، می‌توانید امکانات سایت‌ساز مای‌تارنما و دوره تست رایگان ۱۰روزه آن را بررسی کنید. پیش از تصمیم درباره گزارش‌های پیشرفته نیز بهتر است داده‌های موجودی و سفارش قابل دسترسی را ارزیابی کنید و نیازهای تحلیلی اختصاصی خود را با پشتیبانی فنی در میان بگذارید.
برای طراحی سایت اختصاصی کسب‌وکارتان، همین حالا مشاوره رایگان دریافت کنید.
نام و شماره را بگذارید تا با شما تماس بگیریم.
دیگر محتوا های مرتبط را بخوانید
مای‌تارنما قویترین و ساده‌ترین سایتسازاینترنتی برای راه‌اندازی کسب‌وکار آنلاین شماست. با ما می‌توانید در سریعترین زمان ممکن، بدون نیاز به دانش برنامهنویسی، سایت فروشگاهی اختصاصی خود را بسازید، محصولاتتان را عرضه کنید و مستقیماً از مشتریان خود سفارش بگیرید. مای‌تارنما ابزارهای کامل مدیریت محصولات، گزارش‌های مالی و سیستم پرداخت ایمن را برای تضمین موفقیت و رشد پایدار فروشگاه شما فراهم میآورد.
