Sumber terbuka berisi banyak sekali informasi berguna. Mengumpulkan, menyimpan, dan menganalisisnya dengan benar akan membantu Anda menemukan peluang bisnis terbaik.
Sekelompok pengusaha muda mempertimbangkan opsi untuk membuka studio foto mereka sendiri di Moskow. Mereka perlu mencari tahu:
- Bagaimana keadaan umum pasar studio foto: tumbuh, stabil, atau turun?
- apa pasar musiman?
- berapa banyak yang bisa mereka hasilkan?
- di mana lebih baik membuka aula?
- berapa banyak yang diinvestasikan dalam proyek ini?
- seberapa kuat persaingan di pasar?
Pengurai sederhana , database, dan analitik yang disediakan dalam artikel ini membantu mereka menjawab pertanyaan ini dan banyak pertanyaan lainnya .
Di artikel pertama, kami memeriksa penguraian situs agregator studio foto ugoloc.ru dan mengunggah informasi umum tentang studio foto, aula, dan data di aula pemesanan.
Di artikel kedua, kita membahas penulisan data yang diterima ke database dan membaca data dari database, dan juga menyiapkan operasi parsing tergantung pada informasi di database.
Pada artikel ini, kami akan melakukan analisis sederhana terhadap data yang dikumpulkan.
Anda dapat menemukan proyek yang sudah selesai dengan contoh tabel dari database, tabel perantara, grafik, komentar tambahan di halaman saya di github .
Arahan analisis apa yang akan kita gunakan
- menentukan dinamika pembukaan studio foto;
- hitung profitabilitas studio foto tergantung pada bulan pembukaan;
- menentukan musim bisnis;
- hitung pendapatan rata-rata per aula, serta jumlah ruang optimal di studio foto;
- menyelidiki ketergantungan profitabilitas pada lokasi studio foto;
- cari tahu jumlah ruang studio yang bersaing;
- menghitung dampak parameter lain terhadap pendapatan, seperti ketinggian langit-langit, luas aula, harga pemesanan;
- pertimbangkan kemungkinan arah analisis lainnya.
Membongkar data dari database
Untuk membongkar, lakukan hal berikut:
membangun koneksi dengan basis
directory = './/'
conn = sqlite3.connect(directory + 'photostudios_moscow1.sqlite')
cur = conn.cursor()
mengunggah data dengan studio
studios = db_to_studios(conn)
studios
melalui aula
halls = db_to_halls(conn)
halls
saat memesan
booking = db_to_booking(conn)
booking
kami meninggalkan studio dengan tanggal pembukaan dan mengecualikan ruang ganti dari daftar aula
studios = studios[[x.year > 0 for x in studios['established_date']]]
halls = halls[halls['is_hall'] == 1]Dinamika pembukaan studio foto dari tahun ke tahun
Mari kita buat histogram frekuensi pembukaan studio foto untuk tahun yang berbeda. Untuk melakukan ini, kami menghitung jumlah periode (tahun) dan membuat histogram.
merencanakan histogram
num_bins = np.max(studios['established_date']).year - np.min(studios['established_date']).year + 1
plt.hist([x.year for x in studios['established_date']], num_bins)
plt.show()
Pada histogram, kami melihat pertumbuhan yang jelas dari studio foto baru dari tahun ke tahun. Pola ini memberi tahu kita bukan tentang pertumbuhan pasar sebenarnya sebanyak 2 kali setahun, melainkan tentang pertumbuhan agregator itu sendiri.
Fakta ini menjelaskan kepada kita tentang perlunya membagi studio menjadi 2 kategori: terdaftar di aggregator saat membuka studio foto ("baru") dan setelah waktu yang lama ("lama"). Ini akan menjadi tugas kita selanjutnya.
Mengidentifikasi studio foto baru
Studio foto mana yang bisa dianggap baru? Yang baru saja dipromosikan dan mendapatkan klien. Analisis visual dari kalender pemesanan dari saat pembukaan menunjukkan bahwa studio mendapatkan aliran pelanggan yang stabil dalam beberapa bulan.
Ternyata untuk membedakan studio foto baru dari yang lama (yang tidak langsung bergabung dengan agregator), Anda perlu membandingkan pendapatan setengah bulan pertama sejak "pembukaan" dengan periode yang sama setahun kemudian. Pendapatan studio baru harus tumbuh secara signifikan sepanjang tahun, sedangkan studio lama harus tetap pada level yang sama.
Pertama, mari gabungkan semua tabel dan sisakan hanya jam yang sudah dipesan
# merge all tables
data = (booking
.merge(halls, left_on = 'hall_id', right_on = 'hall_id', how = 'inner')
.merge(studios, left_on ='studio_id', right_on = 'studio_id', how = 'inner')
)
data = data[data['is_working_hour'] == 1]
data['date'] = pd.to_datetime(data['date'])
data
Kemudian kami menghitung pendapatan dalam setengah bulan pertama pengerjaan studio foto
first_month = (data[data['date'] <= [x + datetime.timedelta(days = 15) for x in data['established_date']]]
.loc[:, ['studio_id', 'price', 'duration']]
)
first_month['income'] = first_month['price'] * first_month['duration']
first_month = first_month.groupby('studio_id').agg(np.sum)
first_month
Dalam setengah bulan setelah setahun
month_after_year = (data[(data['date'] >= [x + datetime.timedelta(days = 365) for x in data['established_date']])
& (data['date'] <= [x + datetime.timedelta(days = 365 + 15) for x in data['established_date']])
]
.loc[:, ['studio_id', 'price', 'duration']]
)
month_after_year['income'] = month_after_year['price'] * month_after_year['duration']
month_after_year = month_after_year.groupby('studio_id').agg(np.sum)
month_after_year
Kami akan membagi indikator dalam satu tahun dengan yang serupa di pembukaan
month_diff = (month_after_year.merge(first_month, left_on = 'studio_id', right_on = 'studio_id', how = 'inner')
.merge(halls.groupby('studio_id').count()
, left_on = 'studio_id', right_on = 'studio_id', how = 'inner')
)[['income_x', 'income_y', 'is_hall']]
month_diff['income_diff'] = (month_diff['income_x'] / month_diff['income_y']) ** (1 / month_diff['is_hall'])
month_diff.sort_values('income_diff')Menerima tingkat pertumbuhan pendapatan setelah satu tahun. Indikator untuk studio yang berbeda didistribusikan dari 0,75 hingga 2,1 tanpa lompatan tajam. Ini menunjukkan bahwa studio dapat terhubung ke aggregator segera setelah pembukaan, setelah seminggu, sebulan, setahun, dll.
Untuk menentukan studio foto baru, kami mengambil nilai kondisional dari tingkat pertumbuhan pendapatan pada nilai median: 1,18. Itu. jika pendapatan studio foto untuk tahun tersebut telah tumbuh lebih dari 18%, maka kami akan menganggap studio foto ini sebagai baru. Ada 22 studio seperti itu.
Di bulan apa lebih baik membuka studio foto?
Kami telah menghitung studio foto yang telah terdaftar di agregator segera setelah dibuka. Oleh karena itu, hari pembukaan dan hari pembukaan sebenarnya, menurut data kami, akan dianggap sama untuk studio-studio ini.
Untuk perhitungannya, kami akan mengambil studio foto baru, menghitung pendapatan sebagai jumlah harga pemesanan dari semua jam yang dipesan, dikelompokkan berdasarkan kamar (dengan mempertimbangkan bulan pembukaannya), menghitung pendapatan tahunan rata-rata dengan bulan buka.
Perhitungan pendapatan rata-rata untuk tahun tersebut tergantung pada bulan pembukaan
new = studios['is_new'].reset_index().merge(data, left_on = 'studio_id', right_on = 'studio_id', how = 'inner')
new = new[new['is_new'] == 1]
new = new[new['date'] <= [x + datetime.timedelta(days = 365) for x in new['established_date']]]
new['est_year'] = [x.year for x in new['established_date']]
new['est_month'] = [x.month for x in new['established_date']]
new['income'] = new['price'] * new['is_booked']
mean_income = (new
.groupby(['hall_id', 'est_year', 'est_month']).agg('sum')['income'].reset_index()
.groupby('est_month').agg('mean')['income']
plt.bar(range(1, 12), mean_income)
plt.show()
)
Histogram menunjukkan hubungan yang jelas:
- bulan terbaik untuk membuka studio foto adalah awal tahun (Januari-April)
- juga bulan yang baik untuk buka adalah September-Oktober;
- bulan terburuk adalah Mei-Juni.
Akan menarik untuk membandingkan data ini dengan musim pasar.
Penentuan musim bisnis
Musiman - perubahan jumlah pesanan tergantung pada periode. Mari kita analisis musim tahunan.
Untuk perhitungannya, mari kita ambil studio yang buka hingga 2018 dan lihat reservasi mereka untuk 2018-2020. Pendapatan studio didefinisikan sebagai jumlah harga untuk jam yang dipesan. Selanjutnya, kami menghitung pendapatan total semua studio untuk setiap bulan selama periode yang dipilih.
Perhitungan musiman
season = data[(data['open_date'] < '2018-01-01') & (data['date'] > '2018-01-01')]
season['income'] = season['price'] * season['duration']
season['year'] = [x.year for x in season['date']]
season['month'] = [x.month for x in season['date']]
incomes = season.groupby(['year', 'month']).agg(np.sum)['income']
incomes = incomes[incomes.index]
Merencanakan
incomes = incomes[: -3]
plt.figure(figsize = (20, 10))
plt.plot([str(x[0]) + '-' + str(x[1]) for x in incomes.index], incomes)
plt.xticks(rotation=60)
plt.grid()
plt.show()
Grafik menunjukkan pola musiman yang jelas: jumlah pesanan terbesar dari Oktober hingga April dan penurunan tajam dari Mei hingga September. Musiman cocok dengan logika bisnis. Di musim panas, orang berfoto di jalan, di taman. Di musim dingin, hal ini tidak memungkinkan, dan Anda harus mengatur sesi foto di dalam ruangan. Musiman dihubungkan dengan ini: di musim panas hanya ada sedikit klien, di musim dingin ada banyak. Puncak pesanan di bulan Desember. Ini mungkin karena Tahun Baru dan perasaan liburan yang ingin Anda abadikan dalam sebuah foto.
Bulan terbaik untuk buka terikat secara musiman. Lebih baik membuka studio selama musim atau sebulan sebelum dimulainya. Pada periode Mei hingga Agustus, studio tidak boleh dibuka, karena masuk ke musim sepi.
Perhitungan profitabilitas hall
Indikator penting untuk membuka usaha adalah pendapatan dari satu ruangan.
Untuk menghitung, kami mengelompokkan pendapatan berdasarkan kamar untuk setiap bulan, mengecualikan 2020 sebagai tahun yang tidak wajar karena karantina, dan melihat pemilihan pendapatan menggunakan fungsi .describe ().
Perhitungan profitabilitas 1 aula
hall_income = season.groupby(['studio_id','hall_id', 'year', 'month']).agg(sum)['income'].reset_index()
hall_income = hall_income[hall_income['year'] < 2020]
hall_income['income'].describe()count 648.000000
mean 184299.691358
std 114304.925311
min 0.000000
25% 95575.000000
50% 170350.000000
75% 256575.000000
max 617400.000000
Name: income, dtype: float64
Menerima pendapatan per aula dalam rubel.
Dari data persentil dapat dilihat bahwa pendapatan setengah aula berada dalam kisaran 95.000 rubel. hingga 256.000 rubel. dengan nilai median 170.000 rubel.
Dari data rata-rata dan deviasi standar, kami melihat bahwa, menurut aturan 1 sigma, dua pertiga aula menghasilkan 70.000 rubel. hingga RUB 300.000 dari tengah 184.000 rubel.
Ternyata aula rata-rata dapat mengandalkan pendapatan 170.000 - 180.000 rubel. ± 80.000 rubel
Besarnya spread ini karena pengaruh dari faktor-faktor lain yang akan kami coba tentukan kedepannya.
Berapa aula yang harus Anda buka di studio foto?
Untuk menghitung, kami akan menghitung profitabilitas bulanan rata-rata untuk setiap aula, menghitung profitabilitas rata-rata aula per studio foto, menghitung jumlah aula di studio foto dan mengelompokkan data dengan jumlah aula, menghitung profitabilitas rata-rata per aula.
Perhitungan profitabilitas aula tergantung pada jumlah aula di studio foto
(hall_income
.groupby(['studio_id', 'hall_id']).agg('mean').reset_index()
.groupby('studio_id').agg(['count', 'mean'])['income']
.groupby('count').agg('mean')
)mean
count
1 134847.916667
2 146531.944444
3 300231.944444
4 222202.604167
Menerima profitabilitas bulanan rata-rata 1 aula tergantung pada jumlah aula di studio foto. Mari perhatikan keteraturannya: semakin banyak aula, semakin banyak keuntungan. Profitabilitas maksimum untuk studio dengan 3 kamar.
Fenomena ini disebabkan karena dengan menggunakan satu ruangan studio foto, klien dapat melihat ruangan lain dan langsung memesannya. Jadi, satu ruangan di studio foto "mempromosikan" yang lain.
Ketergantungan pendapatan pada lokasi aula
Lokasi aula dapat sangat memengaruhi profitabilitas: di tengah, aula akan lebih mudah diakses oleh pelanggan, yang berarti pendapatan akan lebih tinggi. Mari kita periksa hipotesisnya.
Untuk kalkulasi, mari kita hitung pendapatan bulanan rata-rata aula, kelompokkan menurut kriteria "metro" dan urutkan dalam urutan naik.
Profitabilitas hall tergantung pada jarak dari pusat
data['income'] = data['price'] * data['duration']
data['year'] = [x.year for x in data['date']]
data['month'] = [x.month for x in data['date']]
(data
.groupby(['hall_id', 'metro', 'year', 'month']).agg('sum')['income'].reset_index()
.groupby(['hall_id', 'metro']).agg('mean')['income'].reset_index()
.groupby('metro').agg('mean')['income'].sort_values()
)[-59:]Kami mendapat data berikut:
metro
5016.666667
10485.264378
11925.000000
/ 18116.666667
, 19000.000000
21963.333333
30667.051729
31031.250000
37787.500000
/ 39357.142857
44354.375000
45888.888889
46566.666667
48541.666667
. , 49086.503623
55340.659341
, , 55944.444444
. / . 59771.111111
66780.000000
66847.058824
67692.545788
. 70090.341880
. 70337.676411
, 72974.494949
79987.083333
88800.000000
95550.000000
98326.086957
99216.279070
99925.000000
102835.622784
. , . , . \ 104956.521739
111050.684459
111090.000000
111909.090909
116426.892180
117450.000000
118382.236364
122626.500000
, 123258.518519
- 124557.894737
, 126300.000000
129222.916667
135281.642512
, 138945.454545
152246.883469
, 168484.500000
. 169079.381010
. 172618.798439
173777.659900
178254.545455
181041.818182
187283.444198
189140.857975
250975.000000
, , 252685.714286
, 264164.473684
- 277162.791991
556621.746032
Name: income, dtype: float64
Harap dicatat bahwa saya meninggalkan data metro apa adanya. Untuk gambaran yang lebih akurat, mereka perlu dibawa ke format umum, misalnya, "Baumanskaya, Elektrozavodskaya", "stasiun metro Elektrozavodskaya" dan "Electrozavodskaya" harus ditulis dalam satu nama.
Dari data tersebut kita melihat bahwa di daerah dengan real estate yang mahal, seperti Maryina Roshcha, Novye Cheryomushki, Krylatskoye, profitabilitas per hall lebih tinggi.
Berapa banyak ruang yang dimiliki studio yang bersaing
Berapa banyak ruang yang dimiliki studio di pasar? Untuk menjawab pertanyaan ini, mari lampirkan tabel dengan aula ke tabel studio, kelompokkan berdasarkan studio, hitung jumlah aula, dan buat histogram frekuensi.
Perhitungan jumlah aula di studio
hall_num = studios.merge(halls, left_on='studio_id', right_on='studio_id').groupby('studio_id').agg('count')['is_hall']
plt.hist(hall_num, range(np.min(hall_num), np.max(hall_num)+1))
plt.show()
hall_num.describe()
count 105.000000
mean 2.685714
std 2.292606
min 1.000000
25% 1.000000
50% 2.000000
75% 3.000000
max 13.000000
Dari data yang diperoleh, kami melihat bahwa sebagian besar studio foto (lebih dari 75%) memiliki tidak lebih dari 3 aula. Di seluruh pasar, biasanya studio memiliki tidak lebih dari 5 aula.
Dampak parameter lain pada pendapatan studio
Ketinggian plafon
Foto membutuhkan banyak cahaya, dan jendela besar di ruangan dengan langit-langit tinggi memberikan banyak cahaya alami. Selain itu, semakin tinggi langit-langit, semakin banyak cahaya tersebar, bahkan cahaya mencapai lantai. Oleh karena itu, ketinggian langit-langit dapat mempengaruhi profitabilitas studio foto. Mari kita periksa hipotesis ini.
Mari kita hitung pendapatan bulanan rata-rata tiap aula dengan menyimpan data ketinggian langit-langit, lalu hitung pendapatan rata-rata tergantung ketinggian langit-langit dan buat grafik.
Penghasilan balai tergantung pada ketinggian langit-langit dalam meter
halls_sq_ceil = (data
.groupby(['hall_id', 'ceiling', 'square', 'year', 'month']).agg('sum')['income'].reset_index()
.groupby(['hall_id', 'ceiling', 'square']).agg('mean')['income'].reset_index()
)
plt.bar(halls_sq_ceil.groupby('ceiling').agg('mean')['income'].index[:-2],
halls_sq_ceil.groupby('ceiling').agg('mean')['income'][: len(halls_sq_ceil) - 2]
)
plt.show()
Dalam data yang diperoleh, kami melihat bahwa hingga 6 meter ada ketergantungan langsung profitabilitas studio foto pada ketinggian langit-langit. Ketinggian optimal adalah 5-6 meter.
Area aula
Hipotesis: semakin besar area aula, semakin banyak pendapatan yang dihasilkan aula.
Kami menguji hipotesis. Kami menggunakan perhitungan sebelumnya, menghitung profitabilitas rata-rata tergantung pada area, membuat grafik.
Penghasilan balai tergantung wilayahnya
square = halls_sq_ceil.groupby('square').agg('mean')['income']
plt.bar(square.index[:-3],
square.iloc[: len(square) - 3]
)
plt.show()
Sebuah pola yang jelas terlihat pada grafik: semakin besar areanya, semakin banyak aula yang dibawa.
Harga pemesanan
Hipotesis: ada harga kamar optimal yang dibayar klien untuk hampir semua kamar. Pelanggan bersedia membayar harga yang lebih tinggi secara eksklusif untuk kualitas tinggi.
Untuk menguji hipotesis, pertama-tama pertimbangkan tingkat harga saat ini. Untuk melakukan ini, mari kelompokkan tabel pemesanan umum berdasarkan kamar, harga, tahun, bulan dan jumlahkan pendapatan. Kemudian kami akan mengelompokkan berdasarkan kamar dan harga pemesanan, menghitung pendapatan rata-rata. Selanjutnya, mari kita kelompokkan berdasarkan harga, menghitung pendapatan rata-rata. Menerima pendapatan bulanan rata-rata per studio tergantung pada harga pemesanan yang ditetapkan
Profitabilitas studio bulanan rata-rata tergantung pada harga pemesanan kamar
price = (data
.groupby(['hall_id', 'price', 'year', 'month']).agg('sum')['income'].reset_index()
.groupby(['hall_id', 'price']).agg('mean')['income'].reset_index()
.groupby('price').agg('mean')['income']
)
Berapa banyak kamar yang memiliki harga sewa per jam tertentu
plt.figure(figsize = (20, 10))
plt.hist(price.iloc[: len(price) - 5].index)
plt.show()
Dari histogram frekuensi, kami melihat bahwa sebagian besar studio menetapkan harga sewa dari 500 hingga 2000 rubel. Di bawah RUB 500 - jarang. Harga sewa maksimum aula adalah 3.500 rubel.
Grafik ketergantungan rata-rata pendapatan bulanan terhadap harga sewa balai
price = price[price > 10000]
plt.figure(figsize = (20, 10))
plt.scatter(price.index, price)
plt.show()
Grafik menunjukkan bahwa hingga 2.000 rubel. ada hubungan langsung yang jelas: semakin tinggi harga pemesanan ditetapkan, semakin banyak pendapatan studio. Dengan harga di atas 2000 rubel. pendapatan kamar bisa rendah atau tinggi. Rupanya, lebih dari 2.000 rubel. klien siap membayar hanya untuk layanan berkualitas tinggi yang diberikan: baik untuk lokasi yang nyaman, atau untuk peralatan, atau untuk area yang luas, atau untuk interior berkualitas tinggi, dll.
Area analisis pasar lainnya
Analisis peralatan
Situs ugoloc.ru memiliki informasi tentang peralatan studio foto: adanya latar belakang berwarna, merek flash, dll. Perlengkapan studio foto juga dapat mempengaruhi profitabilitas, oleh karena itu untuk kelengkapan analisa faktor ini juga harus diperhitungkan.
Tidak semua studio dapat menunjukkan adanya peralatan tambahan. Oleh karena itu, penilaian pengaruh faktor ini mungkin tidak akurat.
Analisis pengaruh beberapa parameter terhadap pendapatan
Parameter tidak mempengaruhi pendapatan dalam isolasi satu sama lain. Misalnya, ruang dan harga pemesanan saling terkait dan bersama-sama memengaruhi profitabilitas studio secara keseluruhan. Oleh karena itu, lebih masuk akal untuk mempertimbangkan pengaruh mereka bersama. Pengaruh beberapa parameter harus dipertimbangkan berdasarkan spesifikasi permintaan klien.
Pengumpulan data yang ditingkatkan
Studio foto di ugoloc.ru menyumbang kurang dari sepertiga pasar dalam hal kuantitas. Tidaklah mungkin untuk memperkirakan pangsa studio dari situs agregator ini menurut pendapatan dan segmen pasar. Untuk gambaran yang lebih akurat, ada baiknya mengumpulkan data dari AppEvent, Google Kalender, dan mungkin dari aplikasi pemesanan khusus.
Beban akuntansi
Anda mungkin telah memperhatikan bahwa seringkali tidak ada cukup biaya untuk menyelesaikan gambar. Misalnya, semakin besar area aula, semakin banyak pendapatan darinya. Kesimpulannya, tentu saja, bagus, tetapi seiring bertambahnya area, biaya menyewa aula meningkat. Oleh karena itu, akan berguna untuk merencanakan kenaikan biaya sewa sesuai jadwal. Dalam rasio optimal pendapatan dan biaya untuk parameter tertentu, profitabilitas proyek disembunyikan.
Biaya perbaikan juga tergantung pada areanya: semakin luas areanya, semakin mahal biaya perbaikannya.
Dengan peningkatan jumlah aula, biaya personel per aula menurun, sejak itu 1 administrator dapat melayani 1 aula dan 3.
Analisis jarak dari metro
Saat menilai dampak lokasi studio terhadap pendapatan aula, faktor penting yang belum dihitung adalah jarak dari metro. Anda harus meletakkannya secara manual, atau mereka yang terbiasa dengan Google API dapat mencoba mengotomatiskan tindakan ini.
Jarak dari pesaing
Paling sering, studio terletak berdekatan satu sama lain. Di Elektrozavod sendiri ada sekitar 40. Ada hipotesis bahwa kedekatan dengan studio foto lain meningkatkan profitabilitas. Tempat (gedung / pusat bisnis) mungkin sudah tidak asing lagi bagi pelanggan dan mereka dapat mempercayainya, yang akan berdampak positif pada semua studio foto di lokasi tersebut.
Beban kerja studio foto
Secara terpisah, Anda dapat menyelidiki beban kerja studio foto:
- berapa persen dari jam buka aula reservasi;
- bagaimana reservasi terkait dengan hari dalam seminggu (spoiler: mereka memesan lebih sering pada akhir pekan);
- apakah ada hari-hari yang tidak dipesan (di mana administrator tidak dapat pergi bekerja);
- jam berapa yang paling sering dipesan (sangat menarik untuk dilihat di hari kerja)
- dll.
Status studio foto di luar musim
Studio tutup lebih sering pada musim panas ketika tidak ada pesanan. Di saat yang sama, jumlah order beberapa studio foto tidak turun banyak. Apa keuntungan dari studio luar musim yang populer? Ini adalah area terpisah untuk dipertimbangkan.
Analisis profitabilitas pesaing
Memiliki informasi tentang biaya sewa tempat untuk studio foto dan gaji rata-rata staf, seseorang dapat menilai kondisi keuangan pesaing. Mungkin ternyata beberapa studio di ambang penutupan. Karenanya, Anda dapat mengidentifikasi kesalahan mereka dan mencoba menghindarinya.
Demikian pula, Anda dapat menjelajahi pengalaman studio foto yang paling menguntungkan dan memanfaatkannya di studio Anda.
Tahapan analisis
Analitik di atas merupakan langkah awal untuk memberikan gambaran kasar tentang pasar. Untuk analisis lebih lanjut, klien perlu memutuskan studio apa yang ingin dia buka, segmen harga apa, lokasi apa yang memungkinkan, berapa harga sewa, peralatan apa, dll.
Ideal: Mengidentifikasi beberapa opsi persewaan. Kemudian area, dan ketinggian langit-langit, dan perkiraan jumlah aula, dan biaya, dan pesaing terdekat akan ditentukan.
Dalam hal ini, analitik dapat dilakukan secara lebih substantif dan akurat.
Hasil
Dalam serangkaian artikel, kami membahas cara mengumpulkan data dari sumber terbuka, menyimpannya ke database, dan menganalisisnya. Hasil dari pekerjaan tersebut adalah pemahaman umum tentang pasar jasa studio foto.
Perhitungan di atas dapat diterapkan:
- dalam membuat rencana bisnis di sisi pendapatan. Dan ini akan menjadi data yang dikonfirmasi secara statistik;
- dalam menilai kelayakan dan profitabilitas proyek, membandingkan pendapatan dan pengeluaran untuk berbagai opsi pembukaan;
- mengoperasikan studio foto. Banyak studio foto menganggur tanpa perintah atau beroperasi merugi. Jadi mereka melakukan sesuatu yang salah. Analisis di atas dapat membantu studio mengidentifikasi penyebab kondisi mereka.
Saya menikmati mengerjakan proyek ini.
Saya memutuskan untuk membagikan pengalaman saya yang mungkin berguna bagi Anda.
Seberapa membantu informasi dalam ketiga artikel ini?
Bagikan pendapat Anda.
Anda dapat menemukan proyek yang sudah selesai di halaman github saya .