Когда цифры перестают быть просто цифрами

Я давно работаю с компаниями, у которых есть ассортимент из сотен или тысяч SKU. И каждый раз повторяется одна и та же сцена. Клиент показывает отчет по продажам и с видом мудреца произносит фразу: «Эти позиции продаются хорошо, а эти плохо».
И вот ты смотришь на таблицу и понимаешь, что с такими выводами можно смело идти выбирать лотерейный билет.

Задача у клиента была простая: понять, какие товары реально приносят прибыль, а какие просто занимают место на складе. Не хотелось тратить месяцы на сложные BI-проекты. Нужен был инженерный подход. Простой, честный и с минимальным количеством боли.

Личный опыт подсказывал: чем проще модель, тем быстрее клиент начинает принимать решения, а не спорить с таблицей. Поэтому мы и выбрали инженерный путь анализа. Он сухой, логичный и без романтики. Но работает.

Почему классический финансовый анализ SKU ломается на реальных данных

У клиента было больше 12000 SKU. У каждого были:

• разные условия поставки

• разная скорость оборачиваемости

• разный вклад в логистику

• разные маркетинговые затраты

• разные скидки, которые менеджеры выдавали по настроению

В обычных Excel-сводках это превращается в хаос. Особенно когда менеджер говорит фразу:

Но этот товар мы держим, чтобы не потерять лицо

Лицо, конечно, важно, но прибыль важнее.

Инженерный подход помогает убрать эмоции и оставить только факты. Он строится на принципе: «Если нельзя измерить, нельзя улучшить».

И да, иногда после измерения становится грустно.

Инженерная модель оценки прибыльности SKU: как мы упростили сложное

Когда мы начали работу, стало ясно: достаточно трёх уровней анализа. Все остальное можно добавить позже.

Уровень 1: Чистая маржа на SKU

Формула примитивная, но она сразу вскрывает половину правды:

• Цена продажи

• минус себестоимость

• минус прямые скидки

Клиент удивился: 30 процентов ассортимента, оказывается, продавались почти в ноль. А две позиции вообще уходили в минус, но всем казалось, что они «топовые».

Уровень 2: Стоимость оборота

Это момент, где инженерный подход особенно полезен.

Мы не просто смотрим, сколько SKU заработал. Мы смотрим, сколько денег он заморозил. Мы считаем:

• время хранения на складе

• стоимость логистики

• стоимость возвратов

• стоимость упаковки

• влияние на оборотный капитал

Получается, что товар может быть маржинальным, но «жирным», как анаболик.
Он много ест и мало двигается.

Уровень 3: Влияние SKU на маркетинг

Мы пробовали модель с использованием данных звонков и заявок через mepulse.
И оказалось, что часть SKU является «магнитами».
Они генерируют трафик, привлекают клиентов и повышают вероятность покупки по другому товару.

И наоборот: есть позиции, на которые маркетинг тратит деньги, но эти позиции не приводят клиентов вообще.

Что получилось в итоге и почему клиент сказал «Спасибо, но это больно»

После обработки данных мы получили четыре группы SKU.

Группа А: «Дойные коровы»

Прибыльные, быстро оборачиваемые, не требуют маркетинга.

Группа В: «Скрытые чемпионы»

Неочевидные, но очень выгодные. Обычно их никто не замечает.

Группа С: «Симуляторы бурной деятельности»

Продаются часто, приносят мало, но создают ощущение движухи.

Группа D: «Эмоции менеджеров»

Никто не мог объяснить, зачем они нужны. Но они были. И долго.

Расставаться с группой D клиенту было тяжело. Каждый SKU казался родным. Но инженерный подход беспощаден. Или SKU приносит деньги, или он музейный экспонат.

Почему инженерная логика выигрывает у интуиции

Интуиция полезна, пока ассортимент меньше 50 позиций. После 200 единственный способ сохранить прибыль - перейти на инженерный метод расчета прибыльности и оценки оборачиваемости. Мозг просто не удержит все параметры одновременно.

И в этом есть правда. Люди склонны переоценивать «любимые товары» и недооценивать тихих героев ассортимента.

Как я однажды ошибся в SKU, но это спасло проект

Один раз я сам провел анализ для своего проекта и сделал вывод: товар «Х» нужно выводить из ассортимента. Он был убыточным, медленным и тяжелым.

Перед выводом я решил ради интереса посмотреть, как он влияет на трафик.
И оказалось, что:

• именно по нему люди делали больше всего поисковых запросов

• он давал самый высокий CTR

• он был причиной 40 процентов обращений

То есть люди приходили ради товара «Х», но покупали совсем другой.

Тогда я понял простую вещь: инженерный подход надо дополнять поведенческими данными. Это и помогло при работе с клиентом из этой статьи.

Как повторить метод: пошаговая инструкция

Если вы хотите оценить прибыльность своего ассортимента без многомесячного внедрения BI, начните с малого.

Шаг 1. Выгрузите продажи

Вам нужны 6 колонок:

• SKU

• цена

• себестоимость

• скидки

• количество

• дата продажи

Шаг 2. Добавьте складские параметры

Хотя бы:

• срок хранения

• закупочная партия

• логистическая стоимость

Шаг 3. Дополните маркетингом

Посмотрите, какие SKU дают заявки или звонки.
Если есть системы аналитики вроде mepulse - используйте их данные.

Шаг 4. Постройте матрицу

Разделите SKU на 4 группы: А, В, С и D.

Шаг 5. Оцените последствия

По каждой группе решите:

• увеличить объем?

• сократить?

• заменить?

• продвигать сильнее?

• или убрать совсем?

Эта тема всегда вызывает дискуссии. Всегда есть человек, который скажет:
«Нет, этот товар нельзя убрать, он легенда».

И всегда найдется другой человек, который ответит:
«Легенда не платит аренду склада».

Инженерный подход помогает управлять ассортиментом, а не угадывать

Оценка прибыльности SKU - не финансовый отчет, а инженерная задача.
Она требует дисциплины, структурного мышления и готовности признать неприятные факты.

Но зато после такого анализа клиент впервые видит свой бизнес без иллюзий.
И это всегда начало роста.