Technieken van vraagvoorspelling (enquête en statistische methoden)

De belangrijkste uitdaging om de vraag te voorspellen is het selecteren van een effectieve techniek.

Er is geen specifieke methode waarmee organisaties in de toekomst kunnen anticiperen op risico's en onzekerheden. Over het algemeen zijn er twee benaderingen van vraagvoorspelling.

De eerste benadering omvat het voorspellen van de vraag door informatie te verzamelen over het koopgedrag van consumenten van experts of door enquêtes uit te voeren. Aan de andere kant is de tweede methode om de vraag te voorspellen door de gegevens uit het verleden te gebruiken via statistische technieken.

We kunnen dus zeggen dat de technieken voor vraagvoorspelling zijn onderverdeeld in enquêtemethoden en statistische methoden. De enquêtemethode is over het algemeen bedoeld voor prognoses op korte termijn, terwijl statistische methoden worden gebruikt om de vraag op de lange termijn te voorspellen.

Deze twee benaderingen worden getoond in figuur 10:

Laten we deze technieken bespreken (zoals weergegeven in figuur 10).

Enquête methode :

De enquêtemethode is een van de meest voorkomende en directe methoden om de vraag op korte termijn te voorspellen. Deze methode omvat de toekomstige aankoopplannen van consumenten en hun bedoelingen. Bij deze methode voert een organisatie enquêtes uit bij consumenten om de vraag naar hun bestaande producten en diensten te bepalen en daarop in te spelen.

De onderzoeksmethode voert drie oefeningen uit, die worden weergegeven in figuur 11:

De oefeningen in de enquêtemethode (zoals weergegeven in figuur 11) worden als volgt besproken:

ik. Opiniepeiling van experts:

Verwijst naar een methode waarbij deskundigen wordt gevraagd hun mening over het product te geven. Over het algemeen fungeren verkoopvertegenwoordigers in een organisatie als experts die de vraag naar het product in verschillende gebieden, regio's of steden kunnen beoordelen.

Vertegenwoordigers staan ​​in nauw contact met consumenten; daarom zijn ze goed op de hoogte van de toekomstige aankoopplannen van de consument, hun reacties op marktveranderingen en hun perceptie van andere concurrerende producten. Ze bieden een geschatte schatting van de vraag naar de producten van de organisatie. Deze methode is vrij eenvoudig en minder duur.

Het heeft echter zijn eigen beperkingen, die als volgt worden besproken:

een. Biedt schattingen die afhankelijk zijn van de marktvaardigheden van experts en hun ervaring. Deze vaardigheden verschillen van persoon tot persoon. Op deze manier wordt het moeilijk om exacte vraagprognoses te maken.

b. Betreft subjectief oordeel van de beoordelaar, wat kan leiden tot een te hoge of te lage schatting.

c. Hangt af van gegevens die zijn verstrekt door verkoopvertegenwoordigers die mogelijk onvoldoende informatie hebben over de markt.

d. Negeert factoren, zoals veranderingen in het bruto nationaal product, beschikbaarheid van krediet en toekomstige vooruitzichten van de industrie, die nuttig kunnen zijn bij het voorspellen van de vraag.

ii. Delphi-methode:

Verwijst naar een groepsbeslissingsmethode voor het voorspellen van de vraag. Bij deze methode worden vragen individueel gesteld door een groep experts om hun mening over de vraag naar producten in de toekomst te verkrijgen. Deze vragen worden herhaaldelijk gesteld totdat een consensus is bereikt.

Bovendien krijgt elke expert bij deze methode informatie over de schattingen van andere experts in de groep, zodat hij / zij zijn / haar schattingen ten opzichte van de schattingen van anderen kan herzien. Op deze manier worden de voorspellingen onder experts gecontroleerd om tot een nauwkeurigere besluitvorming te komen.

Elke expert mag reageren of suggesties doen op de schattingen van anderen. De namen van experts worden echter anoniem gehouden terwijl ze schattingen uitwisselen tussen experts om een ​​eerlijk oordeel te vergemakkelijken en het halo-effect te verminderen.

Het belangrijkste voordeel van deze methode is dat het tijd- en kostenbesparend is, omdat een aantal experts in korte tijd worden benaderd zonder andere middelen uit te geven. Deze methode kan echter leiden tot subjectieve besluitvorming.

iii. Markt experiment methode:

Betreft het verzamelen van de nodige informatie met betrekking tot de huidige en toekomstige vraag naar een product. Deze methode voert studies en experimenten uit naar consumentengedrag onder werkelijke marktomstandigheden. Bij deze methode worden sommige markten geselecteerd met vergelijkbare kenmerken, zoals bevolking, inkomensniveaus, culturele achtergrond en smaak van consumenten.

De marktexperimenten worden uitgevoerd met behulp van veranderende prijzen en uitgaven, zodat de resulterende veranderingen in de vraag worden geregistreerd. Deze resultaten helpen bij het voorspellen van de toekomstige vraag.

Er zijn verschillende beperkingen van deze methode, die zijn:

een. Verwijst naar een dure methode; daarom is het misschien niet betaalbaar voor kleinschalige organisaties

b. Heeft invloed op de resultaten van experimenten vanwege verschillende sociaal-economische omstandigheden, zoals stakingen, politieke instabiliteit, natuurlijke calamiteiten

Statistische methoden :

Statistische methoden zijn complexe set van methoden voor vraagvoorspelling. Deze methoden worden gebruikt om de vraag op de lange termijn te voorspellen. Bij deze methode wordt de vraag voorspeld op basis van historische gegevens en transversale gegevens.

Historische gegevens hebben betrekking op gegevens uit het verleden verkregen uit verschillende bronnen, zoals de balansen van voorgaande jaren en rapporten van marktonderzoeken. Anderzijds worden transversale gegevens verzameld door interviews met individuen te houden en marktonderzoeken uit te voeren. In tegenstelling tot enquêtemethoden zijn statistische methoden kosteneffectief en betrouwbaar, omdat het element van subjectiviteit bij deze methoden minimaal is.

Deze verschillende statistische methoden worden weergegeven in figuur 12:

De verschillende statistische methoden (zoals weergegeven in figuur 12).

Trend projectiemethode :

Trendprojectie of de minst vierkante methode is de klassieke methode van bedrijfsvoorspelling. Bij deze methode is een grote hoeveelheid betrouwbare gegevens vereist voor het voorspellen van de vraag. Bovendien gaat deze methode ervan uit dat de factoren, zoals verkoop en vraag, die verantwoordelijk zijn voor trends in het verleden, in de toekomst hetzelfde blijven.

Bij deze methode worden verkoopprognoses gemaakt door analyse van gegevens uit het verleden uit de boeken van vorig jaar. In het geval van nieuwe organisaties worden verkoopgegevens overgenomen van organisaties die al in dezelfde branche bestaan. Deze methode gebruikt tijdreeksen over verkoop om de vraag naar een product te voorspellen.

Tabel 1 toont de tijdreeksgegevens van XYZ-organisatie:

Bij de trendprojectiemethode worden nog drie methoden toegepast, die zijn:

ik. Grafische methode:

Helpt bij het voorspellen van de toekomstige verkoop van een organisatie met behulp van een grafiek. De verkoopgegevens worden in een grafiek uitgezet en er wordt een lijn getekend op uitgezet punten.

Laten we dit leren aan de hand van een grafiek in figuur 13:

Figuur-13 toont een curve die is uitgezet door rekening te houden met de verkoopgegevens van XYZ-organisatie (tabel-1). Lijn P wordt getrokken door middelpunten van de curve en S is een rechte lijn. Deze lijnen worden uitgebreid om de toekomstige omzet voor het jaar 2010 te krijgen, dat is ongeveer 47 ton. Deze methode is heel eenvoudig en goedkoper; de projecties die met deze methode worden gemaakt, kunnen echter gebaseerd zijn op de persoonlijke voorkeur van de voorspeller.

ii. Fitting trendmethode:

Impliceert een minst vierkante methode waarbij een trendlijn (curve) wordt aangepast aan de tijdreeksgegevens van verkoop met behulp van statistische technieken.

Bij deze methode wordt rekening gehouden met twee soorten trends, die als volgt worden uitgelegd:

een. Lineaire trend:

Impliceert een trend waarin de omzet een stijgende trend vertoont.

In lineaire trend is de volgende rechte lijn trendvergelijking aangebracht:

S = A + BT

Waar

S = jaarlijkse omzet

T = tijd (in jaren)

A en B zijn constant

B geeft de maat voor de jaarlijkse omzetstijging

b. Exponentiële trend:

Impliceert een trend waarbij de omzet de afgelopen jaren met een stijgend of constant tempo toeneemt.

De juiste gebruikte trendvergelijking is als volgt:

Y = aTb

Waar

Y = jaarlijkse omzet

T = tijd in jaren

a en b zijn constant

Dit omzetten in logaritme, zou de vergelijking zijn:

Log Y = Log a + b Log T

Het grote voordeel van deze methode is dat deze eenvoudig te gebruiken is. Bovendien is de gegevensvereiste van deze methode zeer beperkt (omdat alleen verkoopgegevens vereist zijn), dus is het een goedkope methode.

Deze methode heeft echter ook bepaalde beperkingen, die zijn:

1. Veronderstelt dat het verleden van veranderingen in variabelen ook in de toekomst hetzelfde zal blijven, wat niet van toepassing is in de praktische situaties.

2. Wordt niet toegepast voor kortetermijnschattingen en waar de trend cyclisch is met veel fluctuaties

3. Kan de relatie tussen afhankelijke en onafhankelijke variabelen niet meten.

iii. Box-Jenkins-methode:

Verwijst naar een methode die alleen wordt gebruikt voor voorspellingen op korte termijn. Deze methode voorspelt de vraag alleen met stationaire tijdreeksgegevens die de langetermijntrend niet onthullen. Het wordt gebruikt in situaties waarin gegevens uit tijdreeksen maandelijkse of seizoensgebonden variaties met enige mate van regelmaat weergeven. Deze methode kan bijvoorbeeld worden gebruikt voor het schatten van de verkoopprognoses van wollen kleding tijdens het winterseizoen.

Barometrische methode :

In de barometrische methode wordt de vraag voorspeld op basis van gebeurtenissen in het verleden of belangrijke variabelen die zich in het heden voordoen. Deze methode wordt ook gebruikt om verschillende economische indicatoren te voorspellen, zoals sparen, beleggen en inkomen. Deze methode werd geïntroduceerd door Harvard Economic Service in 1920 en verder herzien door National Bureau of Economic Research (NBER) in 1930.

Deze techniek helpt bij het bepalen van de algemene trend van bedrijfsactiviteiten. Stel bijvoorbeeld dat de overheid veel land aan de XYZ-maatschappij landt voor het bouwen van gebouwen. Dit geeft aan dat er een grote vraag zou zijn naar cement, bakstenen en staal.

Het belangrijkste voordeel van deze methode is dat deze zelfs kan worden toegepast bij afwezigheid van gegevens uit het verleden. Deze methode is echter niet van toepassing bij nieuwe producten. Bovendien verliest het zijn toepasbaarheid wanneer er geen vertraging is tussen de economische indicator en de vraag.

Econometrische methoden :

Econometrische methoden combineren statistische hulpmiddelen met economische theorieën voor prognoses. De voorspellingen die met deze methode worden gedaan, zijn zeer betrouwbaar dan elke andere methode. Een econometrisch model bestaat uit twee soorten methoden, namelijk het regressiemodel en het simultaanvergelijkingsmodel.

Deze twee soorten methoden worden als volgt uitgelegd:

ik. Regressiemethoden:

Raadpleeg de meest populaire methode voor vraagvoorspelling. In de regressiemethode wordt de vraagfunctie voor een product geschat waarbij de vraag een afhankelijke variabele is en variabelen die de vraag bepalen, een onafhankelijke variabele zijn.

Als slechts één variabele de vraag beïnvloedt, wordt deze functie voor een enkele variabele vraag genoemd. Aldus worden eenvoudige regressietechnieken gebruikt. Als de vraag door veel variabelen wordt beïnvloed, wordt deze de multi-variabele vraagfunctie genoemd. Daarom wordt in een dergelijk geval meervoudige regressie gebruikt.

De eenvoudige en meervoudige regressietechnieken worden als volgt besproken:

een. Eenvoudige regressie:

Verwijst naar het bestuderen van de relatie tussen twee variabelen waarbij de ene een onafhankelijke variabele is en de andere een afhankelijke variabele is.

De vergelijking om eenvoudige regressie te berekenen is als volgt:

Y = a + bx

Waar, Y = Geschatte waarde van Y voor een gegeven waarde van X

b = Hoeveelheid verandering in Y geproduceerd door een eenheidsverandering in X

a en b = constanten

De vergelijkingen om a en b te berekenen zijn als volgt:

Laten we leren eenvoudige regressie te berekenen met behulp van een voorbeeld. Stel dat een onderzoeker de relatie wil onderzoeken tussen de tevredenheid van de medewerker (verkoopgroep) en de omzet van een organisatie.

Hij / zij heeft de feedback van de werknemers in de vorm van een vragenlijst opgevraagd en hen gevraagd hun tevredenheid op een schaal van 10 aanwijzers te beoordelen, waarbij 10 de hoogste is en 1 de laagste. De onderzoeker heeft de verkoopgegevens verzameld voor elk individueel lid van de verkoopgroep. Hij / zij heeft het gemiddelde van de maandelijkse verkopen voor een jaar voor elk individu genomen.

De verzamelde gegevens zijn gerangschikt in tabel 2:

De berekening van het gemiddelde voor medewerkerstevredenheid (X) en omzet is als volgt:

Dit is de regressievergelijking waarin de onderzoeker elke waarde van X kan nemen om de geschatte waarde van Y te vinden.

Als de waarde van X bijvoorbeeld 9 is, wordt de waarde van Y als volgt berekend:

Y = -1, 39 + 1, 61X

Y = -1.39 + 1.61 (9)

Y = 13.

Met behulp van het voorgaande voorbeeld kan worden geconcludeerd dat als een werknemer tevreden is, zijn / haar output zou toenemen.

b. Meervoudige regressie:

Verwijst naar het bestuderen van de relatie tussen meer dan één onafhankelijke en afhankelijke variabelen.

In het geval van twee onafhankelijke variabelen en één afhankelijke variabele, wordt de volgende vergelijking gebruikt om meervoudige regressie te berekenen:

Y = a + b1X1 + b2X2

Waar, Y (Afhankelijke variabele) = Geschatte waarde van Y voor een gegeven waarde van X1 en X

X1 en X2 = Onafhankelijke variabelen

b1 = hoeveelheid verandering in Y geproduceerd door een eenheidsverandering in X

b2 = hoeveelheid verandering in Y geproduceerd door een eenheidsverandering in X2

a, b1 en b2 = Constanten

De vergelijkingen die worden gebruikt om de waarden a en b te berekenen zijn als volgt:

Het aantal vergelijkingen is afhankelijk van het aantal onafhankelijke variabelen. Als er twee onafhankelijke variabelen zijn, zijn er drie vergelijkingen enzovoort.

Laten we leren om meervoudige regressie te berekenen met behulp van een voorbeeld. Stel dat de onderzoeker de relatie tussen een intermediair percentage, een afstudeerpercentage en een MAT-percentiel van een groep van 25 studenten wil bestuderen.

Het is belangrijk op te merken dat het intermediaire percentage en het afstudeerpercentage onafhankelijke variabelen zijn en het MAT-percentiel een afhankelijke variabele is. De onderzoeker wil weten of het percentiel in MAT afhangt van het percentage intermediair en diploma of niet.

De verzamelde gegevens worden weergegeven in tabel 3:

De vergelijkingen die nodig zijn om meervoudige regressie te berekenen zijn als volgt:

Deze vergelijkingen worden gebruikt om de meervoudige regressievergelijking handmatig op te lossen. U kunt SPSS echter ook gebruiken om meervoudige regressie te ontdekken.

Als we SPSS in het vorige voorbeeld gebruiken, krijgen we de uitvoer die wordt weergegeven in Tabel 4:

Tabel 5 toont de samenvatting van het regressiemodel. In deze tabel is R de correlatiecoëfficiënt tussen de onafhankelijke en afhankelijke variabelen, die in dit geval erg hoog is. R Square laat zien dat een groot deel van de variatie in het model wordt aangetoond door werkgelegenheidskansen in een staat. Standaardfout van schatting is vrij laag, dat is 1, 97. Het geeft ook aan dat de variatie in de huidige gegevens minder is.

Tabel 6 toont de regressiecoëfficiënten:

Tabel 6 laat zien dat de berekende t-waarde groter is dan de significantie t-waarde. Aldus tonen de coëfficiënten oorzaak en gevolg relatie tussen de onafhankelijke en afhankelijke variabelen.

Tabel-7 toont de AN OVA-tabel voor de twee te bestuderen variabelen:

Tabel-7 toont de analyse van variatie in het model. De regressierij geeft aan dat de variatie is opgetreden als gevolg van het regressiemodel. De resterende rij toont echter de variatie die toevallig is opgetreden. In tabel 7 is de waarde van som van vierkanten voor regressierij groter dan de waarde van som van vierkanten voor resterende rij; daarom worden de meeste variaties alleen door het model geproduceerd.

De berekende F-waarde is erg groot in vergelijking met de significantiewaarde. Daarom kunnen we zeggen dat het intermediaire percentage en het afstudeerpercentage een sterk effect hebben op het MAT-percentiel van een student.

Gelijktijdige vergelijkingen:

Betrek verschillende gelijktijdige vergelijkingen.

Er zijn twee soorten variabelen die in dit model zijn opgenomen, die zijn:

ik. Endogene variabelen:

Raadpleeg ingangen die binnen het model worden bepaald. Dit zijn gecontroleerde variabelen.

ii. Exogene variabelen:

Raadpleeg de ingangen van het model. Voorbeelden zijn tijd, overheidsuitgaven en weersomstandigheden. Deze variabelen worden buiten het model bepaald.

Voor het ontwikkelen van een compleet model worden eerst endogene en exogene variabelen bepaald. Daarna worden de nodige gegevens over zowel exogene als endogene variabelen verzameld. Soms zijn gegevens niet beschikbaar in de vereiste vorm en moeten deze dus in het model worden aangepast.

Na de ontwikkeling van de benodigde gegevens, wordt het model geschat met behulp van een geschikte methode. Ten slotte is het model opgelost voor elke endogene variabele in termen van exogene variabele. De voorspelling is eindelijk gedaan.

Andere statistische maatregelen :

Naast statistische methoden zijn er andere methoden voor vraagvoorspelling. Deze maatregelen zijn zeer specifiek en worden alleen voor bepaalde gegevenssets gebruikt. Daarom kan het gebruik ervan niet voor alle soorten onderzoek worden gegeneraliseerd.

Deze maatregelen zijn weergegeven in figuur 14:

De verschillende soorten statistische metingen (zoals weergegeven in figuur 14) worden als volgt besproken:

iii. Index nummer:

Verwijst naar de maatregelen die zijn gebruikt om de fluctuaties in een variabele of groep van gerelateerde variabelen met betrekking tot tijdsperiode / basisperiode te bestuderen. Ze worden het meest gebruikt in economisch en financieel onderzoek om verschillende factoren te bestuderen, zoals de prijs en hoeveelheid van een product. De factoren die verantwoordelijk zijn voor het probleem worden geïdentificeerd en berekend.

Er zijn hoofdzakelijk vier soorten indexnummers, die zijn:

een. Eenvoudig indexnummer:

Verwijst naar het nummer dat een relatieve verandering meet in een enkele variabele ten opzichte van het basisjaar.

b. Samengesteld indexnummer:

Verwijst naar het nummer dat een relatieve verandering meet in een groep gerelateerde variabelen ten opzichte van het basisjaar.

c. Prijsindexnummer:

Verwijst naar het nummer dat een relatieve verandering in de prijs van een grondstof in verschillende tijdsperioden meet.

d. Hoeveelheid indexnummer:

Verwijst naar het aantal dat een relatieve verandering meet in de fysieke hoeveelheid goederen die in verschillende tijdsperioden voor een artikel zijn geproduceerd, verbruikt of verkocht.

Tijdreeksanalyse: verwijst naar de analyse van een reeks waarnemingen over een periode van even grote tijdsintervallen. Bijvoorbeeld het analyseren van de groei van een bedrijf vanaf de oprichting tot de huidige situatie. Tijdreeksanalyse is toepasbaar op verschillende gebieden, zoals de publieke sector, economie en onderzoek.

Er zijn verschillende componenten van tijdreeksanalyse, die zijn als volgt:

een. Seculaire trend:

Verwijst naar de trend die wordt aangegeven door T en die gedurende een bepaalde periode voorkomt. Seculiere trend voor een gegevensreeks kan omhoog of omlaag zijn. De opwaartse trend toont de toename van een variabele, zoals een stijging van de prijzen van grondstoffen; terwijl de dalende trend de dalende fasen laat zien, zoals de daling van het aantal ziektes en de verkoop van een bepaald product.

b. Korte tijd oscillatie:

Verwijst naar een trend die nog korter duurt.

Het kan worden ingedeeld in de volgende drie trends:

1. Seizoenstrend:

Verwijst naar de trend die wordt aangegeven door S en die jaar na jaar gedurende een bepaalde periode optreedt. De reden voor dergelijke trends is weersomstandigheden, festivals en enkele andere gebruiken. Voorbeelden van seizoensgebonden trends zijn de toename van de vraag naar wollen winters en de toename van de verkoop voor zoet in de buurt van Diwali.

2. Cyclische trend:

Verwijst naar de trend die wordt aangeduid met C en die meer dan een jaar duurt. Cyclische trends zijn noch continu noch seizoensgebonden van aard. Een voorbeeld van een cyclische trend is de conjunctuur.

3. Onregelmatige trend:

Verwijst naar de trend die wordt aangegeven door I en die kort en onvoorspelbaar van aard is. Voorbeelden van onregelmatige trends zijn aardbevingen, vulkaanuitbarstingen en overstromingen.

Beslisboomanalyse:

Verwijst naar het model dat wordt gebruikt om beslissingen in een organisatie te nemen. In de beslissingsboomanalyse wordt een boomstructuur getekend om de beste oplossing voor een probleem te bepalen. In deze analyse ontdekken we eerst verschillende opties die we kunnen toepassen om een ​​bepaald probleem op te lossen.

Daarna kunnen we de uitkomst van elke optie achterhalen. Deze opties / beslissingen zijn verbonden met een vierkant knooppunt, terwijl de resultaten worden aangetoond met een cirkelknooppunt. De stroom van een beslissingsboom moet van links naar rechts zijn.

De vorm van de beslissingsboom is weergegeven in figuur 15:

Laten we de werking van een beslissingsboom begrijpen aan de hand van een voorbeeld. Stel dat een organisatie het type segmentatie wil bepalen om het klantenbestand te vergroten.

Dit probleem kan worden opgelost met behulp van de beslissingsboom in Afbeelding 16:

In figuur 16 toont de beslissingsboom twee soorten segmentatie, namelijk demografische segmentatie en geografische segmentatie. Nu zouden we de resultaten van deze twee segmentaties analyseren. Om de demografische segmentatie te analyseren, moet het bedrijf S 40.000 (geschatte kosten) maken. De uitkomst van de demografische segmentatie kan goed, matig en slecht zijn.

De geschatte omzet voor drie jaar voor de drie opties (goed, matig en slecht) is als volgt:

Goed = $ 21500000

Gemiddeld = $ 950000

Slecht = S300000

De aan de uitkomsten toegewezen kansen zijn 0, 4 voor goed, 0, 5 voor matig en 0, 1 voor slecht.

Nu berekenen we de uitkomsten van demografische segmentatie op de volgende manier:

Goed = 0, 4 * 2100000 = 840000

Matig = 0, 5 * 950000 = 475000

Slecht = 0, 1 * 300000 = 30000

Evenzo bedragen de gemaakte kosten in geval van geografische segmentering $ 70000 (geschatte kosten). De uitkomst van de geografische segmentatie kan goed en slecht zijn.

De geschatte inkomsten geprojecteerd voor drie jaar voor de twee opties (goed en slecht) zijn als volgt:

Goed = $ 1350000

Slecht = $ 260000

De aan de uitkomsten toegewezen kansen zijn 0, 6 voor goed en 0, 4 voor slecht.

Nu berekenen we de uitkomsten van geografische segmentatie op de volgende manier:

Goed = 0, 6 * 1350000 = $ 810000

Slecht = 0.4 * 260000 = $ 104000

Nu analyseren we de twee resultaten voor het nemen van een beslissing om één segmentatie uit de twee segmentaties te selecteren op de volgende manier:

Voor demografische segmentatie:

Goed = 840000-40000 = $ 800000

Matig = 475000-40000 = $ 435000

Slecht = 30000-40000 = $ (10000)

Evenzo voor geografische segmentatie:

Goed = 810000-70000 = $ 740000

Slecht = 104000-70000 = $ 340000

Zoals we uit de berekening kunnen zien dat als we de demografische segmentatie selecteren, de maximale geschatte winst $ 800000 zou zijn. Bij demografische segmentatie zijn er kansen op verlies (10.000) als het product niet succesvol is in de markt.

Als we geografische segmentatie selecteren, zou de maximale geschatte winst $ 740000 zijn. In geografische segmentatie zouden we minder winst (S 340000) verdienen als het product niet succesvol is in de markt. Daarom is het beter om geografische segmentatie te gebruiken voor de marketing van het product, omdat er geen verlies aan is verbonden.

 

Laat Een Reactie Achter