连锁经营开店选址营业额预估数学模型.docx
《连锁经营开店选址营业额预估数学模型.docx》由会员分享，可在线阅读，更多相关《连锁经营开店选址营业额预估数学模型.docx（8页珍藏版）》请在冰豆网上搜索。
连锁经营开店选址营业额预估数学模型
连锁经营开店选址营业额预估数学模型
2020-09-1012:
26:
53
连锁经营是现代商业最为要紧的经营业态，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可胜数。
他们的经营进展就在开店扩张中不断壮大，其成功的关键是选址开店。
可是严酷的事实确实是有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，来决定是不是开店。
但传统的选址评估理论因其普遍的适应性而缺乏专用性，加上众多不可估量的因素，使其误差庞大而不具有有效意义。
本人在从事连锁经营市场治理工作中，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，是选址开店成为能够量化计算来评判，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进展的轨道。
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量方式：
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，入店率和客单价的适合的计算方式，其中关键的入店率是依据体会得出的数字，更无法顾及最为重要的行业、品牌、规模、定位、地域文化消费适应等不确信的门店所特有的因素，使得营业额估量方式就停留在“名不虚传”的估量之上。
为此我对经营的数十家门店别离进行了营销分析，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，众多不可计量的阻碍因素也能够在现实销售数据中反映出来，换言之，关于扩张门店的销售额预估完全能够从已有门店的销售分析来推算。
为了成立那个并世无双的计算公式，我就对此研究做出打算：
１、罗列和挑选所有阻碍销售的因素，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，别离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，取得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稳点，决定是不是开店。
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阻碍，也充分表现了可量化数据对销售的阻碍，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。
连锁经营开店选址营业额预估数学模型
2020-09-1012:
26:
53
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。
其中客单价完全能够计算、精准时能够依据消费水平分级计量。
阻碍门店销售业绩，也确实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、消费适应、门店口交通情形、同行业竞争情形；量化的相关因素有：
一、营业时刻内人流量。
二、人流量在商圈居民比例。
3、过路人比例。
4、商圈内居民户数。
五、商圈内居民家庭人口数。
六、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进程
（一）列举阻碍购买率因素
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、商圈内的竞争情形、商圈内的交通情形、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形、商圈内的交通情形为非数值变量，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：
为了精准计算商圈人数，就必需确信商圈范围。
咱们就对入店购买消费者的居住地调查，发觉70%的消费者距门店500米之内，还和小区的大门方向、竞争品牌的距离等有关系，为此咱们在调查时充分考虑这些情形，以充分提高精准度。
1.入店购买率（%）那个地址选择4组不同大的数据作展现。
A店
B店
C店
D店
周四
周五
周六
2.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
5870
3.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
5870
4．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
5870
5．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
5870
6．圈内的竞争情形
商圈内的竞争情形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．商圈内交通情形
依照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：
；B店：
；C店：
；D店：
。
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
把以上原始数据成立数据库，利用统计分析软件SPSS的Correlate模块中的PartialCorrelate对上述各因素与购买率之间的关系进行偏相关分析，确信回归方程的自变量，剔除相关程度低的变量。
运行结果如下：
VariablesEntered/Removed（自变量进入与剔除）
model
Variablesentered
Variablesremoved
method
1
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，将所有自变量依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从头成立数据库：
成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：
ModelSummary（模型概述）
Model
R
Rsquare
AdjustedRSquare
Std。
Erroroftheestimate
1
.962
关于模型1来讲，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，多元线性回归复相关系数是，校正R2为，标准误为0.。
R2为多元线性回归的可决系数，是描述回归方程式好坏的统计量，一样说来，若是所有的观测量都落到回归线上，那么R2等于1；若是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量购买率所提供的信息充分，因为非回归的剩余因素致使的误差很小。
R2等于说明购买率转变的%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阻碍。
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式是依照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
Unstandardizedcoefficients
Standardizedcoefficients
B
beta
1（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
B表示回归系数，constant表示常数项，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）
由此能够取得购买率的回归方程：
购买率%=+*10-5*人流量居民比例
过路人比例+交通系数+家庭人口+*10*-3*家庭收入
置信度查验和误差分析
一、置信度查验
model
Sumofsqurares
df
Meansquare
F
sig
1Regression
Residual
total
6
5
11
0
ANOVAF方差分析
用F查验回归方程显著性的方式称为方差分析。
F查验是成立在总变差分解基础上进行的。
咱们将因变量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。
它由两部份组成，一是估量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量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，回归变差为，剩余变差为。
df是它们的自由度，MeanSquare是它们的均方，其值为总变差除以自由度。
Sig.表示回归方程的显著性，即回归方程拟和实际情形的可信度，数值为1-a。
在本模型中，由于a-0，因此可信度——1。
具体为多少能够进行F查验。
对回归方程的置信度进行F查验，因为=F〉（6，5）=因此回归方程具有%的置信概率。
二、误差分析
在ModelSummary（模型概述）表中，咱们已取得回归方程的标准误a为，它说明当用上述回归方程来预测购买率时，实际购
升级会员 