Как колебания в продажах влияют на оборот?



    Данная публикация — это реальный кейс от Datawiz.io, в котором мы расскажем, как найти товары и категории с большими колебаниями продаж, и как колебания продаж влияют на поведение клиентов.

    Производя анализ данных для торговой сети, мы столкнулись с проблемой: при почти равных количествах продаж в день в двух магазинах сети, оборот в одном магазине «Shop1» увеличивался, а в магазине «Shop2» — снижался.


    Предположили, что в магазин «Shop2» не завозят достаточное количество ключевых категорий товаров (товаров, с высокой частотой вхождения в чеки). Наша задача заключалась в том, чтобы найти такие категории.

    Потом посчитали коэффициенты вариации (V), для каждой товарной группы в обоих магазинах:

    V=std/avg, где

    std – среднее квадратичное отклонение по продажах за данный период;
    avg – среднее арифметическое по количеству продаж за данный период.

    Коэффициент показывает колебания продаж.

    Чем меньше коэффициент — тем меньше разброс в количестве проданных товаров, тем плавнее (стабильнее) выглядит график продаж за период.

    Чем выше значение коэффициента – тем нестабильнее продажи и на графике резко выделяются колебания и провалы в продажах.

    Посчитали коэффициенты вариации по продажах товаров всех категорий для двух магазинов за год. Но такой способ сравнительного анализа оказался неэффективным, так как продажи сезонных категорий товаров, сильно зависят от сезона(получился классический XYZ анализ). Нас же интересуют продажи категорий товаров, спрос на которые влияет на оборот вне зависимости от сезона.

    Затем мы провели сравнительный анализ колебания продаж в двух магазинах за последний месяц (в данном примере Сентябрь 2014г). И выявили для магазина “Shop2” наиболее проблемные категории товаров:
    image

    Наше предположение, что в магазин завозят недостаточное количество товаров их этих категорий, оказалось верным.

    Как видно из таблицы, при примерно равных средних продажах за месяц, в магазине “Shop2” очень большое среднеквадратичное отклонение по продажах (std), а соответственно высокий показатель коэффициента колебания продаж.

    Это значит, что в магазине были дни, когда товаров из ключевых категорий либо не было на полках, либо было недостаточное их количество.

    Детальнее рассмотрим категорию «Молочные изделия», так как продажи этой категории составляют большой процент от общего оборота. На графиках ниже отображена динамика продаж категории “Молочные изделия” по количеству проданных единиц за каждый день периода. image

    Для магазина «Shop1» коэффициент вариации продаж этой категории за месяц составляет 0,09 или 9,0% Такие продажи можно назвать однородными, так как колебания небольшие. Обычно, в FCMG допустимый коэффициент колебания продаж составляет 0,2 (20%) для категорий товаров, которые формируют основу покупательской корзины.

    Для магазина «Shop2» коэффициент вариации составляет 0,36 или 36,0%

    image

    Такие резкие колебания в продажах влияют не только на оборот, но и на поведение покупателя. Всякий раз, когда покупатель не находит нужный ему товар, это негативно сказывается на его лояльности, и как следствие может привести к потере постоянных покупателей. Поэтому каждый последующий провал в продажах будет глубже и выход из него будет длительнее, чем из предыдущего. Кроме того, каждый раз, когда покупатель не нашел в магазине ключевой товар, за которым он пришел в магазин, вероятность покупки других товаров, интересных для него, падает.

    Для определения возможных потерь в продажах взаимосвязанных категорий товаров, рассмотрим ключевую категорию товаров “Молочные изделия” в магазине “Shop2”, используя ассоциативные правила. При помощи алгоритма APRIORI выявляем все парные взаимосвязи с этой категорией. В таблице отображены все сопутствующие категории товаров, которые покупаются с ключевой.
    image

    Показатель “Достоверность” в таблице означает, что потребители, покупающие товар из категории “Молочные изделия”
    — в 34% случаев покупают товар из категории “Пром. товары”;
    — в 41% случаев — покупают товар из категории “Кондитерские изделия” и т.д.

    Например: покупатель 3-4 раза в неделю покупает молоко или кефир в ближайшем к его дому супермаркете. Зачастую при этом он покупает печенье и свежий хлеб, а также пакет на кассе. Первые несколько раз не найдя на полках нужных ему молочных продуктов, покупатель, возможно, будет продолжать покупать хлеб и кондитерские изделия в этом магазине. Но со временем предпочтет другой супермаркет, даже если он будет не так близко расположен.

    Ритейлерам с большими колебаниями продаж весьма трудно удержать постоянных покупателей, и тем более привлекать новых. Таким образом, магазин теряет в обороте не только из-за отсутствия ключевых товаров, но и значительно снижается покупка сопутствующих категорий. Решить эту проблему можно так:

    -ежедневный анализ данных;
    -выявление ключевых товаров и отслеживание их коэффициента вариации;
    -своевременное реагирование на изменения в динамике продаж;
    -использование ассоциативных правил для выявления сопутствующих товаров для повышения доходности.

    Это очень простой кейс, но с такой проблемой мы сталкиваемся в своей работе буквально каждый день. Даже большие ритейлеры не всегда своевременно реагируют на отсутствие товара в магазине.
    • +13
    • 12,1k
    • 8
    datawiz.io
    0,00
    Компания
    Поделиться публикацией

    Похожие публикации

    AdBlock похитил этот баннер, но баннеры не зубы — отрастут

    Подробнее
    Реклама

    Комментарии 8

      +2
      Это значит, что в магазине были дни, когда товаров из ключевых категорий либо не было на полках, либо было недостаточное их количество.

      А еще это может значить, что в один или несколько дней был весьма резкий рост продаж. Например: у нас за месяц (30 наблюдений) ежедневно наблюдается от 200 до 250 продаж. Тогда среднеквадратическое отклонение будет чуть меньше 15, если в один из дней число продаж становится равным 500, то среднеквадратическое отклонение увеличится примерно в три раза, а среднее арифметическое почти не изменится.
        0
        согласен, это случается когда-то кто-то затарился на свадьбу и тд. Но обычно падение продаж более вероятно чем прирост.
        0
        Достаточно полезно и информативно. Особенно к месту графики и таблица, чтоб уж точно все поняли, о чем речь идет.
          0
          спасибо
          0
          Статья хорошая, но тема сосисок не раскрыта: ритейлеры сами добиваются больших колебаний продаж, иначе не удержишь проходимость на должном уровне, а покупателям подавай что-нибудь новенькое.

          Хочется увидеть вдумчивый анализ корреляции продаж с товарным запасом, фейсингом, изменением планограмм, акциями (своими и конкурентов), проходимостью, национальными праздниками в т.ч. постом и разговеньем, температурой за бортом, курсами валют, датами выплат зарплат и погашения НДС…
            0
            Эта статья была только о нахождении колебаний продаж. Скоро напишем еще несколько статей о факторах которые влияют на продажи — наполнености товарных категорий, сезоности, ценевой политике и тд и т.п. Тут несколько наших кейсов datawiz.io/ru/blogs11/
              0
              На мой взгляд в презентации не хватает главного — цифр
              Придумайте какой-нибудь пример и визуализируйте эффект, покажите прогноз или нахождение неэффективности и т.д.
            0
            Было бы не плохо первым шагом нарисовать динамику продаж на графике и совместить это с графиком средней.
            Разброс бы был виден визуально.
            После этого уже в качестве подкрепления визуального анализа проводить математическое обоснование.
            Я понимаю, что это небольшой пример со стандартными (несезонными) товарами и за короткий промежуток времени, но при анализе на большом промежутке необходимо рассматривать такие вещи как сезонность продаж и тренд

            Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

            Самое читаемое