Transcription
[аплодисменты] [музыка]
Всем привет! Меня зовут Диёр Шага Зато, и я консультант Paper Planes.
Сегодня мы с вами поговорим про простую, но очень понятную модель анализа эффективности ассортимента.
Зачастую, когда вопрос становится анализом ассортимента, многие вспоминают про ABC модель, отражающую разные группы товаров с точки зрения маржинальности.
Вот зачастую к нему ещё приписывают так называемый XYZ анализ, и формируется вот такая вот матрица.
На пересечении которой есть у нас товары ABC и товары XYZ.
Данная модель, собственно, работает часто на разных рынках, но есть свои нюансы.
У неё зачастую возникает проблема, особенно на B2B рынках, так как когда есть очень разный цикл сделки, и как следствие, эта модель не решает проблемы и задачи, которые собственно на неё возлагаются.
В особенности случается так, что лучшие товары по критерию A и X покупаются всего лишь раз в год.
Да, они имеют высокую маржинальность, но с точки зрения условного разделения ассортимента на те, которые нужно брать под склад, и те, которые нужно брать под запрос, собственно, на этот вопрос данная модель не всегда может ответить.
Столкнувшись с такой проблемой, наше собственно агентство разработало новую модель, которую мы назвали RXL модель.
Исходя из названия, вы можете понять, что это пять критериев, которые по аналогии с ABC и XYZ анализом отражают реальный физический смысл, в особенности в B2B дистрибуции.
Вот давайте рассмотрим пример.
Представим, что мы купили 70 штук товаров по 3 рубля. В итоге мы получаем 210 рублей, да, как некая такая наша выручка.
Мы сделали вот эту сделку за год, и у нас клиенты, да, помимо семидесяти штук, запросили, да, собственно, 100 таких товаров.
Если переложить вот данные вводные на RXL модель, да, собственно, мы получим.
Давайте вот так: R расшифровывает, по сути, выручка.
И здесь, собственно, в данном примере мы получаем как бы 210 рублей. Всё довольно логично и понятно.
Собственно, дальше есть параметр A, отражающий количество товаров, которые клиенты запросили за определённый период.
То есть за год в данном случае это 100 штук.
Далее называем мы то есть конверсия.
То есть конверсия из запрошенных штук в проданные.
В данном случае мы видим, что если было запрошено 100, продано 70, конверсия составила условно 70%.
Первые три параметра модели отражают некую экономическую эффективность, да, нашего товара.
Есть ещё два параметра более важных, которые в особенности на B2B рынке отражают сезонность и распределённость погоды.
Собственно, так и параметр этот называется, да, то есть с английского, да, распределённость погоды.
Если мы представим, да, вот такой некий кружочек, да, собственно, это представим, что это год.
Вот в рамках этого года может быть, либо в неделю, да, это зачастую бывает такое, когда тендеры происходят, и все наши клиенты, условные перекупщики, начинают на одну неделю нагонять кучу-кучу запросов.
С точки зрения аналитики мы видим, что даже по собственно RXL, вот по части экономической эффективности, высокий товар, но с точки зрения распределённой по году это всё всего лишь один месяц.
Как следствие, мы не можем сделать такой вывод, что там условно брать этот товар постоянно на склад.
Собственно, S параметр, да, как раз-таки решает эту проблему, считая как раз-таки распределённость погоды.
То есть количество уникальных дней, то есть запросов, которые были в разные дни, и расстояние между этими днями.
Первый параметр, из которого S состоит, - это среднее количество уникальных запросов, да, то есть в днях.
Второй параметр, из которого это критерий состоит, - это, собственно, среднее расстояние, да, то есть среднее количество дней между этими запросами.
Давайте напишем: среднее количество дней между запросами.
Собственно, и третий параметр, да, который здесь не отражён и зачастую тоже не учитывается в моделях анализа, - это количество клиентов.
То есть сколько, собственно, людей сделали эти запросы.
Потому что, собственно, зная вот эти два параметра, мы можем сделать вывод, условно, что да, закупается товар как бы погоду отлично, но это сделали, там, не знаю, может быть, один клиент, два клиента, что тоже самое является как бы не очень валидно для нас.
Как следствие, мы вводим здесь ещё параметр, который называем количество уникальных клиентов, которые, собственно, совершили эти запросы.
Количество уникальных клиентов, как следствие, если мы собираем первую часть нашей RXL модели.
Давайте перевернём нашу страничку.
Да, мы получаем, что RXL часть, да, это как бы некая такая экономическая эффективность.
Собственно, S как раз-таки это аналогия XYZ анализа, но дополненная количеством клиентов и таким средним расстоянием между сделками.
Да, то есть это скорее как бы вот распределённой, или по-другому, как бы такой очень высокий коэффициент сезонности, который мы учитываем.
И в самом конце возникает ещё дополнительный параметр.
Да, почему он записан через дефис? Потому что он как бы стоит особняком и очень связан с параметром C - конверсия.
L, да, собственно, мы для себя расшифровываем на складе.
То есть клиент мог прийти к нам, запросить какой-либо товар, да, его могло бы не быть просто на складе, либо он был не согласен в те сроки, которые мы можем ему предоставить.
Товар купить наш, собственно, продукт, как следствие, показывает как раз-таки процент доли той конверсии, которую мы как бы проиграли.
То есть то, что мы недополучаем именно по причине того, что а) не было наличия, да, то есть нет наличия.
То есть самый лучший товар, который необходимо нам по сути держать на складе, и как следствие постоянно держать в таком неком наличии, да, это как раз-таки товары с самой высокой R.
То есть ревенью с самым высоким количеством запросов, с самой низкой конверсией, самой высокой распределённой погодой.
То есть как бы сезонность не влияет, скорее, да, и самой высокой как бы причиной отказа, где у нас не было наличия.
Почему это так? Почему именно конверсия низкая?
Потому что как раз-таки вот эти товары являются неким таким рычагом роста.
Потому что это те товары, которые запросили много, которые много как бы продавались, да, с точки зрения как бы выручки в целом.
То есть они дорогие, точнее будет сказать, они в целом запросы все вот эти были распределены по году, и как раз-таки конверсия низкая, поскольку этого товара не было в наличии.
Как следствие, да, ну, собственно, это является неким таким прямым доказательством того, что вот этот товар, то есть имеет такую комбинацию, нам точно нужно держать на складе.
Чтобы это считать, да, вы можете обратиться, собственно, в описание, в документ, где мы показываем конкретные просчёты, как это можно сделать.
Да, в целом базисно все вот эти параметры работают также примерно как и ABC модели.
Ну, ABC анализ, да, единственное, здесь используются центили.
Об этом подробнее можете почитать в описании.
На этом у меня всё. Всем спасибо!
Подписывайтесь на наш канал и до новых встреч.
[музыка]