Анализ сезонности электронной торговли



Опубликовано в журнале "Маркетинг в России и за рубежом" №2 год - 2013


Шитова Ю.Ю.,
д. э. н., к. соц. н., профессор,
Международный университет
природы общества и человека «Дубна»


Строкина О.Ф.,
студентка, Международный университет
природы общества и человека «Дубна»


Интернет-торговля является перспективным видом торговли, и для достижения успеха в этой сфере необходимо учитывать внутренние и внешние факторы, которые оказывают влияние на ее развитие. В статье поднимается вопрос о методах анализа электронной торговли. Проведено исследование зависимости между числом интернет-пользователей, которые совершают покупки в Интернете, и периодом, а также выявлены закономерности развития электронной торговли.


Введение
Появление нового направления современного бизнеса – электронного бизнеса – связано с  развитием сети Интернет. Важнейшим составным элементом данного направления бизнеса является электронная коммерция. Примером может служить электронная торговля, которая представляет собой финансовые операции и сделки, выполняемые через сеть Интернет, в ходе которых совершаются покупки и продажи товаров и услуг, а также переводы денежных средств.


Интернет-торговля является крайне перспективным бизнесом, и для достижения успеха в этой сфере необходимо учитывать особенности, диктуемые поведением интернет-пользователей, а также внешними факторами, которые оказывают непосредственное влияние на развитие данного направления. Анализу развития рынка электронной торговли посвящено множество исследований.


По словам Ф. Вирина (партнер компании DataInsight) на конференции «РИФ+КИБ» 2012, в 2011 г. в Рунете насчитывалось около 30 тыс. онлайн-магазинов с аудиторией около 14 млн пользователей, на долю которых приходится 1,5% всех розничных продаж в РФ. Это в 4 и 3,5 раза ниже, чем в США и Европе соответственно, но в перспективе этот рынок может вырасти минимум в 2,3 раза за ближайшие четыре года [2]. По данным Минкомсвязи России и ВЦИОМ, в 2011 г.


Интернетом пользовались 49% россиян, в том числе 30% – ежедневно [2]. Покупки онлайн совершали 29% российских веб-пользователей, преимущественно жители больших городов. При этом расходы среднестатистического пользователя на ин тер нет-по купки составили 3402 руб. в месяц [2]. Таковы итоги интернет-торговли в РФ за 2011 г.


Любой посетитель сети Интернет является потенциальным клиентом виртуальных торговых площадок. По подсчетам Euromonitor International, структура расходов россиян в Интернете в денежном выражении в 2011 г. выглядит следующим образом: электроника и компьютерная техника – 23%, одежда и обувь – 15%, книги – 9%, бытовая техника – 7% [2].


Численность аудитории виртуальных торговых площадок является одним из показателей уровня развития электронной торговли. В связи с развитием в России информационного общества, внедрением интернет-технологий в различные сферы жизнедеятельности возникает проблема анализа аудитории интернетмагазинов, и возможность прогноза ее расширения приобретает все большее значение.


Анализ сезонности российских онлайн-площадок
Исходными данными для анализа является динамика месячной аудитории в 2008–2012 гг. проектов Яндекс.Маркет и «Товары» mail.ru, являющихся крупнейшими российскими онлайн-площадками. Анализ данных посещаемости в рамках различных подходов представлен в следующих разделах.


Метод абсолютных и относительных разностей и индекс сезонности
В данном подходе сезонность определяется относительно средних показателей.


Для выделения сезонной волны определялись средний уровень  (по данным за 3 года) и общее среднее за данный период  В рамках метода абсолютных разностей разница между этими показателями является характеристикой сезонности:



Относительная сезонная неравномерность рассчитывается по формуле:



Индекс сезонности определяется как



Расчеты показателей сезонности (1–3) для месячной аудитории Яндекс.Маркет и проекта «Товары» mail.ru представлены в табл. 1 и рис. 1, 2.




В осенние и зимние месяцы наблюдается приток посетителей (индексы сезонности больше 100%), в то время как весенние месяцы характеризуются уменьшением аудитории. При этом наибольшее значение индексов сезонности зафиксировано в декабре (124,56%/134,83% для месячной аудитории проектов «Товары» mail.ru/Яндекс.Маркет), а наименьшее в мае (81,77%/85,82% для месячной аудитории проекта «Товары» mail.ru/Яндекс.Маркет). Поэтому можно предположить наличие колебательных процессов в динамике аудитории.


Корреляцинно-регрессионный анализ и анализ сезонности
Нами были проанализированы данные месячной аудитории Яндекс. Маркет за май 2008 г. – июнь 2012 г. и данные месячной аудитории проекта «Товары» на mail.ru за апрель 2008 г. – июнь 2012 г. Линейный регрессионный анализ месячной аудитории данных торговых интернет-площадок дает значимую корреляцию.


Для Яндекс.Маркет имеем следующую зависимость размера месячной аудитории (млн чел.) от периода (4):



Для проекта «Товары» на mail. ru (5):



Регрессионные зависимости размера месячной аудитории на Яндекс. Маркет и проекта «Товары» на mail. ru от периода представлены в табл. 2 и на рис. 3.



Статистический анализ полученных результатов включает следующие этапы:


1) проверка значимости оцененного коэффициента регрессии в формуле 


2) для анализа общего качества регрессии используют коэффициент детерминации значимость которого определяется на основе F-статистики, имеющей для парной регрессии (n = 2) следующий вид (6):



В данных наблюдаются регулярные периодические колебания размера месячной аудитории (зима – весна – лето – осень), для оценки которой была построена многофакторная модель (7).



где  – линейный тренд, а – 428 872, 58 898, 101 213, 268 759 – сезонные составляющие для 1-го, 2-го, 3-го и 4-го месяцев квартала.


Процесс построения данной модели состоит из следующих этапов: определение вида модели; определение длины интервала сглаживания и использование метода скользящей средней для выравнивания исходного ряда; определение значений сезонной компоненты и устранение ее влияния на исходные уровни ряда; получение выравненных данных и аналитическое выравнивание уровней; расчет полученных по модели значений, проверка качества полученной модели.


Результаты сезонной модели представлены в табл. 3 и на рис. 4.



На рис. 3 и 4 отчетливо прослеживаются сезонные колебания размера месячной аудитории, которые наслаиваются на монотонно возрастающий тренд, причем происходит увеличение темпов роста посетителей интернет-магазинов. Наблюдаются устойчиво повторяющиеся отклонения от тренда в большую сторону в августедекабре по Яндекс. Маркет и июле–декабре – по проекту Товары на mail.ru, а снижение наблюдается с января по июль и с января по июнь соответственно, поэтому можно говорить о наличии в рядах динамики некоторых колебательных процессов, связанных с временем года. Следует заметить, очищение исходного временного ряда месячной аудитории интернет-магазинов от сезонных эффектов с использованием сезонной корректировки способствовало значительному повышению достоверности аппроксимации представленных трендовых моделей (см. рис. 3, 4), о чем свидетельствуют значения коэффициентов детерминации и средних ошибок аппроксимации.


Модель Хольта–Уинтерса
Поскольку в структуре данных наблюдаются сложившийся тренд и сезонность, для расчета прогнозных значений месячной аудитории, воспользуемся методом Хольта–Уинтерса.


Прогноз по модели Хольта–Уинтерса на  шагов вперед определяется формулой [1, с. 54]



где l – число фаз в полном сезонном цикле;
 – прогноз по методу Хольта–Уинтерса на  периодов вперед;
 – взвешенная сумма текущей оценки, полученной путем очищения от сезонных колебаний фактических данных  и суммы предыдущих оценок  (т. е. экспоненциально сглаженная величина за последний период);
* – порядковый номер периода, на который делаем прогноз;
 – коэффициент сезонности за этот же период в последнем сезоне.


Вычисления осуществляются в три этапа [1, с. 54]:



Коэффициенты сглаживания ряда  тренда  и сезонности  лежат в диапазоне [0,1] и подгоняются таким образом, чтобы прогнозная кривая максимально точно повторяла исходные данные (критерий оценки – величина среднеквадратичной ошибки).


Результаты расчетов представлены в табл. 4 и на рис. 5.



Изучение сезонных колебаний, которые наблюдаются при изменении месячной аудитории интернет-магазинов, было проведено с целью определения их влияния на общую динамику.



Итак, сравнительный анализ прогнозных вариантов позволяет сделать следующие выводы. Слагаясь под совместным воздействием систематических и случайных факторов, анализируемая временная последовательность аудитории Яндекс.Маркет в среднем в 3 раза превышает аудиторию проекта «Товары» на mail.ru. В августе–декабре по Яндекс.Маркет и июле–декабре – по проекту «Товары» на mail.ru наблюдаются отклонения от тенденции в большую сторону, а снижение происходит с января по июль и с января по июнь соответственно, поэтому можно говорить о наличии в рядах динамики некоторых колебательных процессов, связанных с временем года. Следует заметить, что пик продаж на Яндекс.Маркет и на «Товары» mail.ru приходится на декабрь, а минимальное значение зафиксировано в апреле– мае. Это позволяет предположить, что рост продаж происходит с окончанием сезона отпусков, продолжается до начала новогодних праздников, а затем наблюдается спад. В целом различия по динамике и по сезонности для торговых площадок Яндекс.Маркет и «Товары» на mail.ru незначительны, и при сохранении текущих тенденций в развитии и распространении Интернета к концу 2014 г. произойдет рост числа потенциальных покупателей в электронных магазинах. Эти изменения могут быть обусловлены увеличением числа активных пользователей сети Интернет, распространением электронной торговли в регионы, совершенствованием законодательства и ростом доверия пользователей к сервисам, а также формированием полноценной обратной связи и возможности проведения мониторинга.


Заключение
В статье рассмотрены различные подходы к анализу оборота электронной торговли: методы абсолютных и относительных разностей, индекс сезонности.


Следует заметить, что расчет индекса сезонности не учитывает наличие тренда.


Визуальное представление о тренде формирует экспоненциальное сглаживание которое дает возможность осуществлять краткосрочные прогнозы, но при распространении прогноза на более длительный период мы можем наблюдать прекращение процессов роста и спада. Выделение сезонной волны было выполнено на основе построения аналитической модели проявления сезонных колебаний.


Сравнение фактического размера месячной аудитории с прогнозными значениями показало, что метод Хольта–Уинтерса позволяет получить более точный результат при прогнозировании месячной аудитории как на Яндекс.Маркет, так и по проекту «Товары» на mail.ru. Таким образом, методика расчета прогнозных значений, основанная на выделении тренда и сезонности, способствует получению более точных прогнозов. Эта методика может быть использована для выявления трендов, которые относятся к коротким периодам, непосредственно предшествующим прогнозным, и экстраполяции этих трендов на будущее. Следует заметить, что этот метод дает возможность только для линейной экстраполяции в будущее, но в нашем случае этого достаточно.


Таким образом, выявление трендов, которые относятся к коротким периодам, непосредственно предшествующим прогнозным, и экстраполяция их на будущее при анализе месячной аудитории на Яндекс.Маркет и «Товары» на mail. ru показали, что изменения в динамике и ежемесячных колебаниях спроса имеют одинаковое направление и периоды отклонений от тренда. Для создания более достоверной картины, характеризующей динамику изменения аудитории ин тернет-ма га зи нов и выявления факторов, влияющих на отклонения от тенденции, следует расширять статистический материал и рассматривать другие подходы к их анализу электронной торговли.


Литература
1. Дуброва Т.А., Архипова М.Ю. Статистические методы прогнозирования в экономике : учеб.-метод. комплекс. – М. : Изд. центр ЕАОИ, 2008.
2. Интернет в мире и России. Итоги интернет-торговли в РФ за 2011 год – [Электронный ресурс]. URL: bizhit.ru/index/e_commerce_oborot/0–159/ (дата обращения: 10.2012).
3. Базы данных ФОМ. Интернет-аудитория растет быстрее, чем ожидалось. – 15.06.2011. – URL: fom.ru/(дата обращения: 10.2012).
4. Посещения проекта Товары (данные по аудитории интернет-проектов предоставлены компанией TNS Россия в рамках проекта Web Index) [Электронный ресурс]. URLstat.mail.ru/?period=m&pid=26&filter=all&date=2012–02–29&stat=project/(дата обращения: 02.2013).
5. Посещение сервиса Маркет (данные о посещаемости предоставлены группой компаний TNS Россия, проводящей регулярные измерения интернет-аудитории в рамках проекта Web Index) [Электронный ресурс]. URL: stat.yandex.ru/stats.xml?ProjectID=47&ReportID=-225&SDay=1&FDay=31&SMonth=1&FMonth=12&SYear=2012&FYear=2012&Age=m/(дата обращения: 02.2013).
6. Всероссийский центр изучения общественного мнения. Пресс-выпуск № 1870: «Что нельзя покупать в Интернете?»[Электронный ресурс]. URL: wciom.ru/index.php?id=459&uid=112057/(дата обращения: 10.2012).

28.05.2018

Также по этой теме: