Кейс: как доработать ABC/XYZ анализ, чтобы компания перестала терять деньги на ассортименте
Работая над интернет-магазинами и их интеграциями с ERP-системами для крупных дистрибьюторов и производителей, мы регулярно видим, какое влияние грамотное управление ассортиментом оказывает на финансовые показатели бизнеса. Например, если компании удается сократить срок обновления складских запасов, то это напрямую влияет на объем оборотного капитала, снижает затраты на хранение и повышает прибыльность бизнеса.
Основой принятия таких решений, как правило, становится ABC/XYZ-анализ, метод оценки ассортимента. ABC — показывает, какие позиции формируют основной объем продаж или прибыли, а XYZ — оценивает предсказуемость спроса, насколько стабильно покупатели приобретают конкретный товар. На основании этих данных компании определяют приоритеты хранения, рассчитывают необходимые остатки и принимают решения о развитии или сокращении товарных категорий.
В e-comEXPERT мы уже более 19 лет разрабатываем интернет-магазины и B2B-порталы и интегрируем их с ERP-системами для компаний с широким ассортиментом. За это время мы участвовали в проектах, где каталоги насчитывают сотни тысяч и миллионы товарных позиций. Значительная часть наших проектов связана с рынком автозапчастей и автотоваров.
И на практике видим, что эффективность данной системы определяется не столько самой методикой, сколько тем, насколько она адаптирована под особенности конкретного бизнеса. Пока ассортимент относительно простой, классического подхода обычно достаточно. Но по мере роста компании начинают появляться нюансы, которые стандартные алгоритмы уже не учитывают. Именно они постепенно становятся причиной избыточных запасов, дефицита востребованных товаров и менее точных закупочных решений.
Показательный пример — один из наших клиентов, крупный дистрибьютор автозапчастей, с несколькими филиалами и собственными складами.
У компании уже были автоматизированы закупки, регулярно пересчитывались складские остатки. Процессы работали эффективно, однако со временем стало понятно, что классический подход достиг своих ограничений: часть товаров продолжала залеживаться на складах, а сократить объем запасов до целевого уровня не удавалось.
После того как эти ограничения были учтены и анализ дополнили новыми правилами, компании удалось сократить срок обновления складских запасов с 12 до 4 месяцев и повысить оборачиваемость.
В этой статье разберем, какие ограничения классического ABC/XYZ-анализа мешали компании эффективнее управлять ассортиментом, какие доработки помогли их устранить и какие из этих подходов можно адаптировать под задачи вашего бизнеса.
Первое ограничение: анализ отдельных позиций без учета совместных закупок
Когда у клиента начали расти складские остатки, первой гипотезой стали ошибки в закупках. Обычно именно с ними связывают избыточные запасы, поэтому сначала проанализировали процесс принятия решений: какие показатели используются при закупках, как рассчитываются минимальные и максимальные остатки, как часто пересматривается ассортиментная матрица и каким образом система учитывает изменения спроса.
Затем проверили качество данных: обмен с ERP, историю продаж, остатки и синхронизацию между филиалами. Существенных отклонений не обнаружилось. Закупщики работали по понятным правилам, а ABC/XYZ регулярно обновлялся и корректно классифицировал товары.
Настоящее ограничение проявилось позже — при анализе структуры заказов. Выяснилось, что система принимала правильные решения для каждого отдельного товара, но не учитывала, как товары покупают.
Например, один из ремкомплектов стабильно находился в категории C. Его продажи были относительно небольшими, поэтому система регулярно рекомендовала уменьшать запас. Для отдельного SKU это выглядело абсолютно логичным решением.
Но если посмотреть, как формировались реальные покупки, картина менялась. Оказалось, что этот ремкомплект редко приобретали сам по себе. В большинстве случаев он входил в один заказ с дорогостоящим тормозным суппортом и несколькими другими комплектующими. Для покупателя это была не отдельная позиция, а обязательная часть ремонта.
Получалось, что система принимала решение по каждому товару отдельно, тогда как клиент принимал решение сразу по всему комплекту. Стоило закончиться одной недорогой детали — и компания теряла продажу всего заказа.
Именно тогда стало понятно, что по мере роста бизнеса классический ABC/XYZ-анализ потребовал развития. Он продолжал корректно классифицировать товары по объему продаж и стабильности спроса, однако для принятия ассортиментных решений его стали дополнять другими параметрами. Такой подход позволил учитывать факторы, которые невозможно оценить только на основе истории продаж.
Подобная ситуация характерна не только для автозапчастей. Например, при исследовании продаж электроники в одной из компаний выяснилось, что около 80% покупателей смартфонов приобретали хотя бы один аксессуар, а 60–70% таких покупок приходилось на чехлы и защитные стекла. При этом маржинальность аксессуаров составляла 25–40%, тогда как прибыльность основной техники была значительно ниже. Поэтому оценивать такие товары только по отдельным SKU было некорректно: часть позиций имела невысокие собственные продажи, но напрямую влияла на прибыльность всего заказа.
Это было лишь первое наблюдение. Дальше выяснилось, что похожие ограничения есть и в других частях системы управления ассортиментом.
Второе ограничение: стоимость хранения не учитывалась
После истории с комплектующими могло показаться, что вся история носит локальный характер. Возможно, достаточно скорректировать правила для нескольких товарных групп — и ситуация начнет улучшаться.
Однако по мере развития проекта стало очевидно: дело не в отдельных исключениях, а в самом подходе.
Практически все решения о пополнении запасов строились вокруг одного вопроса — насколько активно продается товар. При этом почти не учитывалось, во сколько компании обходится его хранение и действительно ли он должен находиться на собственном складе.
Хороший пример — крупногабаритные запчасти.
В ассортименте были бамперы для автобусов ПАЗ. Продажи у них оставались стабильными, поэтому система регулярно поддерживала необходимые остатки. Формально все выглядело правильно: товар востребован, значит он должен быть в наличии.
Однако во время работы над проектом стало понятно, что в расчетах отсутствовал еще один важный параметр.
Один такой бампер занимал столько же места, сколько несколько десятков небольших коробок с крепежом или фильтрами. Для него требовались отдельные зоны хранения, дополнительная погрузочная техника и больше времени сотрудников склада. Получалось, что два товара с одинаковой оборачиваемостью создавали совершенно разную нагрузку на логистику.
Именно здесь проявилось еще одно ограничение существующего подхода. Компания эффективно управляла ассортиментом, но практически не учитывала стоимость его хранения.
Это важный момент, который часто упускают при управлении запасами. Товар на складе — это не только закупочная стоимость. Это дополнительные расходы на площадь, оборудование, обработку, инвентаризацию и работу сотрудников. Даже при сохранении объема продаж изменение структуры запасов может существенно повлиять на финансовый результат.
В результате пересмотра ассортиментной модели после внедрения ERP общий показатель маржинальности нашего клиента вырос примерно на 20%. Это стало результатом комплексного изменения подхода: компания начала лучше понимать, какие позиции действительно обеспечивают прибыль, какие товары стоит продвигать, а какие категории требуют пересмотра условий закупки.
Вследствие чего товары разделили на две группы. Первая — позиции, которые действительно должны постоянно находиться на собственном складе. Вторая — товары, доступные под заказ со складов поставщиков или центрального распределительного центра.
Для покупателя ассортимент практически не изменился: нужный товар по-прежнему отображался на сайте и был доступен к заказу. Изменился только источник поставки и правила хранения.
Такой подход позволил пересмотреть работу с несколькими крупногабаритными категориями и освободить значительную часть складских площадей без сокращения ассортимента.
Аналогично были пересмотрены и параметры запасов в других категориях. Например, для одной группы товаров ранее использовалось фиксированное правило: минимальный остаток — 10 единиц, максимальный — 50. После расчета на основании реальных данных ERP и ассортиментной матрицы выяснилось, что для сохранения необходимого уровня доступности достаточно поддерживать запас в диапазоне от 5 до 15 единиц.
На уровне одной позиции такая разница может выглядеть незначительной. Однако когда подобный пересчет выполняется для тысяч SKU, эффект становится заметен уже на уровне всего бизнеса: снижается объем замороженного капитала, уменьшается нагрузка на склад, а доступность товаров для покупателей сохраняется.
Но следующий вывод оказался еще интереснее.
Третье ограничение: Продажи не всегда отражают реальный спрос
После изменений в логике хранения можно было ожидать более понятную картину спроса. Однако некоторые рекомендации системы по-прежнему выглядели странно.
Например, периодически она предлагала значительно увеличить запас отдельных позиций, хотя сотрудники отдела продаж не замечали устойчивого роста интереса со стороны клиентов.
При более детальном исследовании истории продаж причина стала очевидна.
Оказалось, что на рекомендации системы повлияли несколько крупных корпоративных сделок. Один клиент закупил большую партию аккумуляторов для обновления автопарка, другой — единовременно приобрел крупную партию расходных материалов в рамках тендера.
Для бизнеса это были успешные продажи.
Для алгоритма — сигнал о резком росте спроса.
Именно это и происходило на практике. Исторические пики продаж приводили к тому, что система автоматически увеличивала минимальные остатки, а спустя несколько месяцев часть таких товаров превращалась в неликвиды. После анализа ситуации компания отказалась от использования необработанных данных и перешла к «срезанию» подобных всплесков спроса при расчете ассортиментной матрицы.
Именно здесь проявилось еще одно ограничение. История продаж далеко не всегда отражает реальный спрос.
Продажа может быть следствием тендера, сезонной акции, разовой закупки или корпоративного проекта. Если такие события не отделять от регулярного спроса, ассортиментная матрица постепенно начинает адаптироваться не к рынку, а к случайным всплескам.
В результате в модель расчета были добавлены правила фильтрации аномальных сделок. Система перестала воспринимать единичные крупные закупки как изменение поведения рынка, а рекомендации по управлению запасами стали значительно точнее.
Почему пришлось пересмотреть правила управления ассортиментом
К этому моменту стало понятно, что выявленные ограничения были лишь следствием. Где-то система не учитывала комплектность товаров, где-то одинаково оценивала позиции с совершенно разной стоимостью хранения, где-то принимала разовые корпоративные закупки за изменение спроса. Однако постепенно стало очевидно, что все эти ситуации объединяет одна причина.
Данные в компании были. Более того, их было даже слишком много. Продажи, ABC/XYZ-анализ, остатки, статистика интернет-магазина, информация от поставщиков — каждый источник по отдельности давал вполне корректную картину. Проблема возникала в тот момент, когда компания пыталась принимать решения только на основании одного из этих источников.
Например, сотрудники ориентировались прежде всего на продажи и оборачиваемость, коммерческий отдел — на запросы клиентов и ширину ассортимента, логистика — на стоимость хранения, а финансовая служба — на объем оборотного капитала, замороженного в товарных запасах. Все подразделения действовали рационально, но каждое оптимизировало только свою часть процесса.
В результате компания пересмотрела сами правила управления ассортиментом. Вместо того чтобы принимать решения по отдельным показателям, их объединили в единую модель. Теперь при расчете учитывались не только результаты ABC/XYZ-анализа, но и совместные покупки, стоимость хранения, доступность товара у поставщиков, очищенная история спроса, особенности конкретного филиала и жизненный цикл товара.
Но и эта модель не осталась неизменной. По мере развития бизнеса она регулярно дополнялась новыми правилами и критериями. Примеры, описанные в статье, — лишь несколько наиболее показательных изменений. На практике таких доработок было значительно больше, поскольку система управления ассортиментом постоянно развивается вместе с компанией.
Вместо вывода: что в итоге изменилось
Эффект от изменения логики стал заметен уже на уровне складских запасов. При пересчете параметров для 22 000 SKU компания сократила объем запасов почти в два раза — с 60 млн до 30–40 млн рублей. При этом уровень доступности товаров для покупателей сохранился.
Самым важным результатом проекта стало не изменение объема ассортимента, а изменение принципов управления им. Для части товаров пересчитали минимальные остатки, часть перевели на поставку со складов партнеров, для филиалов появились собственные ассортиментные матрицы, а новые позиции начали добавлять не только после появления статистики продаж, но и на основании неудовлетворенного спроса.
По сути, компания перестала управлять отдельными SKU и начала управлять правилами, по которым эти SKU попадают в ассортимент и остаются в нем.
Этот кейс показывает, что ABC/XYZ-анализ — это не готовое решение, а инструмент управления. Его ценность определяется не только корректностью расчетов, но и тем, насколько регулярно пересматриваются правила его применения по мере изменения ассортимента, спроса и бизнес-процессов.
Чем сложнее становится бизнес, тем важнее не сами данные, а правила, по которым они используются для принятия решений.