Бесплатный фрагмент - Краткий курс молодого менеджера по закупкам. Ликбез маркетолога-аналитика.

ОТ АВТОРА

Эта книга — переиздание версии 2014 года, с дополнениями.

Она будет полезна начинающим менеджерам в закупках и маркетинге. Состоит из двух частей: «Краткий курс молодого закупщика» и «Ликбез маркетолога-аналитика». В них кратко описано моё видение важных вопросов в практической работе менеджеров закупок и маркетинга. Разобраны часто встречающиеся ошибки и даны рекомендации.

Не претендую на истину в последней инстанции и не утверждаю, что досконально описал все детали. Тем не менее, могу заверить, что изложенное в данной книге представляет собой хорошую основу, имеет здравый смысл и может быть применено на практике.

Своё мнение, дополнения и замечания прошу отправлять мне по электронной почте или оставлять на моём сайте, они указаны на последней странице книги.

С Уважением,

Скородумов Алексей Анатольевич

КРАТКИЙ КУРС МОЛОДОГО ЗАКУПЩИКА

КАК СОСТАВИТЬ ЗАКАЗ НА СКЛАД

Заказ товара (или сырья, материалов) на склад обычно составляться под производство продукции, для оптовой торговли или для розничного магазина.

Заказ — это функция от прогноза продаж, ёмкости склада, логистики и сервиса. Чтобы сделать обоснованный заказ товара (или сырья) на склад под будущий период продаж (или производство), необходимо в первую очередь спрогнозировать продажи (или производство) на этот период. Расчётный заказ может быть скорректирован с учётом места и условий хранения, сроков годности и по другим причинам.

В упрощённом виде общая формула точного заказа на свой склад выглядит так:

Убедимся на примере, что формула считает Заказ на склад верно при разных условиях.

Дано: страховой запас 5 шт, прогноз продаж 1шт/день, после аномальной продажи 4 шт 2-го числа, 3-го числа менеджер решил сделать заказ:

1. Приход Заказа на склад через 2 дня. Минимальная партия 5 шт.

Заказ 3-го числа по формуле = 8 шт. 8 шт = 5 шт (Сток N. Страховой запас 5 шт) — 4 шт (на складе и в пути в момент заказа) +2 шт (=мин (4 (остаток +путь); 2 (прогноз продаж за 2 дня)) +5 шт (5дней *1 шт./ день. 5 дней пройдёт с момента n прихода Заказа 5-го числа до точки N прихода следующего заказа 10-го числа)

В таблице с динамикой показателей видим, что заказ 8 шт верный. Его как раз хватит для того, чтобы к моменту прихода следующего заказа в 5 шт иметь на складе именно страховой запас, не больше и не меньше.

2. Приход Заказа на склад через 12 дней. Минимальная партия 5 шт.

Заказ 3-го числа = 10 шт. 10шт = 5 шт (Сток N. Страховой запас 5 шт) — 4 шт (на складе и в пути в момент заказа) +4 шт (=мин (4 (остаток +путь); 12 (прогноз продаж за 12 дней)) +5 шт (5дней *1 шт./ день. 5 дней пройдёт с момента n прихода Заказа 15 числа до точки N прихода следующего заказа 20 числа)

3. Приход Заказа на склад через 12 дней. Минимальная партия 1 шт., заказ можно делать в любой день.

Заказ 3-го числа = 6 шт. 6 шт = 5 шт (Сток N. Страховой запас 5 шт) — 4 шт (на складе и в пути в момент заказа) +4 шт (=мин (4 (остаток +путь); 12 (прогноз продаж за 12 дней)) +1 шт (1 день *1 шт./ день. 1 день пройдёт с момента n прихода Заказа 15 числа до точки N прихода следующего заказа 16 числа)

В таблице с динамикой показателей видим, что заказ 6 шт. верный. Не нужно заказывать больше 1 шт. к страховому запасу 5 шт., если есть возможность подвозить по 1 штуке каждый день. Если делать следующие заказы своевременно и приходить они будут также вовремя, время в пути напрямую не влияет на заказ. Прошу обратить внимание на этот важный момент. На практике часто встречаются ошибочные формулы заказа, в которых Величина Заказа зависит от времени в пути.

Помимо формулы точного заказа, существует множество упрощённых моделей заказа. Наиболее распространены модель «МИН-МАКС» и близкая ей по логике модель «Заказ до нормы в точке заказа». Также широко встречаются «Заказ под норматив запаса», «Оптимальный заказ Уилсона». Все они имеют погрешность по сравнению с формулой Точного заказа, поэтому часто являются причиной излишков и дефицита. Тем не менее, их до сих пор используют на практике в силу ряда причин. Если встретите их и в своей практике — знайте, что Вам повезло: ведь при замене их на формулу точного заказа Вас ждёт экономический эффект. Коротко разберём, почему ошибается популярная модель МИН МАКС.

ПРОБЛЕМЫ модели МИН МАКС.

Принцип модели МИН МАКС — не выглядит ошибочным: сделать заказ до уровня МАКС (или Нормы) в момент, когда остаток (склад плюс путь) стал не больше точки МИН (или точки Заказа). Точка МИН обычно равна Страховой запас + Прогноз продаж за Цикл поставки. МАКС всегда больше точки МИН на периодичность между заказами. Разница между точками МИН и МАКС должна быть не меньше, чем кратность заказа.

Главная проблема модели МИН МАКС в том, что как продажи, так и приходы на склад — в реальности очень часто неравномерны. И если делать заказ до уровня МАКС в момент, когда уже произошло обнуление остатков — то получаем убытки от излишков. Ведь Вам совершенно не нужно, чтобы на склад сразу приехало товара = МАКС (или Норме)! Но именно так обычно происходит на практике и приводит к убыткам от излишка товара. Если прогноз = 1 штука в день, страховой запас 7 дней, периодичность заказов раз в неделю и цикл поставки 14 дней, то при нулевом остатке (склад +путь) Точный заказ будет равен 14 штук первый раз и по 7шт каждую следующую неделю. А в модели МИН МАКС точка МИН = 21 шт (14+7), точка МАКС = 28 шт (МИН+7), и Заказ при 0 остатке рассчитается как 28 шт.

Кроме того, программисты при внедрении МИН МАКС обычно оставляют пользователю возможность корректировать только Цикл поставки, а Периодичность любят «зашивать» в формулу МАКС как константу (например, как одну неделю) без возможности её корректировки пользователем (на две недели, месяц). Тем самым у пользователя обычно нет возможности учесть тот факт, что не каждый заказ может быть исполнен раз в неделю (часто не набирается минимальная отгрузка, машина). Поэтому, нажатие на кнопку заказа в точке МИН часто не приводит к появлению на складе через Цикл поставки того количества, которое необходимо, чтобы его хватило до следующего прихода. В результате этого неизбежно возникают убытки, но уже от дефицита, а не от излишков.

Совет начинающим: расчёт заказа возможен только после прогноза продаж. Какой бы метод или систему Вы не использовали, сначала определитесь: как (отталкиваясь от чего) будете прогнозировать продажи? После этого выбирайте формулу прогноза и инструмент для расчёта. Важно всегда помнить, что «универсальных» формул прогноза на все случаи жизни не бывает. Любая Формула прогноза ориентируется на определённые факторы, учесть которые Вы желаете в первую очередь. Поэтому нельзя всякую формулу, которую Вы встретили, применять и в Вашем случае. В некоторых случаях прогноз вообще не рассчитывается по формуле, а собирается опросом клиентов. Часто прогноз будущего сбыта рассчитывается на основе фактической статистики продаж прошлого периода с учётом таких факторов, как учёт потерянных продаж (учёт наличия на складе), профиля роста рынка, профиля сезонности, учёт проведённых акций и распродаж. Иногда он составляется сначала по группам товара и только затем переводится на конкретную номенклатуру из актуальной товарной матрицы.

Учесть в формуле прогноза ВСЕ факторы, от которых будет зависеть будущая продажа — НЕВОЗМОЖНО!

Не воспринимайте всерьёз слова тех, кто заявляет: «Хороший прогноз должен совпасть с фактом продаж на 100%». Не распыляйте силы на погоню за фантомом. Для обычной компании с малой долей на рынке, продающей товар со своего склада, нормальной считается формула прогноза, которая на основе анализа факта продаж (на основе прошлой статистики) даёт погрешность в пределах 30%. Иногда и такой уровень труднодостижим. Чтобы доказать этот резкий и неприятный тезис, достаточно просто взять любую формулу прогноза продаж — и применить её ретроспективой к прошлой статистике не за один, а за три-четыре периода. Результат отрезвляет, ведь с фактами трудно поспорить. Причина тут не обязательно в том, что Ваша формула «плохая». А в том, что любая формула, как и любая модель, способна учесть лишь часть из множества влияющих на продажу факторов.

Рассмотрим на простом примере, как анализируется статистика продаж и составляется заказ.

Представим, что бабушка продаёт горячие пирожки на проходной фабрики. Каждый день через проходную проходит примерно 50 человек. Каждый день примерно каждый второй покупает один пирожок, и бабушка давно убедилась на опыте, что когда она приносит 30 пирожков и больше — обычно часть пирожков у неё остаётся нераспроданной, а когда она приносит 20 пирожков и менее, обычно ей жалуются, что пирожков не хватает. Наша бабушка печёт пирожки не сама, а покупает их по утрам у своей соседки. Соседка выдаёт их в 7.30 утра, за наличные и точно под заказ. Ещё полчаса занимает путь от соседки до проходной. В корзинке пирожки остаются свежими до 12 часов, потом засыхают и никому не нужны.

Заказ без расчётов:

Попробовав несколько раз и так и этак, бабушка пришла к выводу, что всегда будет заказывать у соседки 25 пирожков, не больше и не меньше. В этом случае она и продаст больше 20, и много лишних не останется (самой бабушке эти пирожки и даром не нужны). То есть наша бабушка из этого примера — это образец закупщика, который без всяких программ Excel и прочих непонятных ему излишеств, составил ежедневный заказ = 25 штук на основе своего опыта.

Вопрос: Хороший ли это заказ? Можно ли составить лучше? Что для этого надо знать?

Изобразим графически наличие пирожков в корзинке (запас товара):

Аналитик обратит внимание на тот факт, что в понедельник и вторник пирожки продались без остатка к 10 часам (можно было бы продать больше, то есть имеются «потерянные потенциальные продажи»), в среду 5 шт осталось не проданными на 12 часов и засохли («потери товара из-за перезаказа»), а в четверг и пятницу пирожки продались без остатка и только к 12 часам (не было ни «перезаказа», ни «потерянных продаж»).

Итак, задача аналитика: спрогнозировать спрос и рассчитать заказ с учётом момента получения товара и страхового запаса.

Шаг 1. Спрогнозировать спрос (составить прогноз продаж). Это самая сложная и самая творческая часть работы. Для этого можно проанализировать статистику остатков и продаж прошлого периода. Этим обычно и занимается аналитик в закупках. Но можно оттолкнуться и от понимания «Емкости рынка и прогноза нашей доли на нём». Этим, как правило, занимается аналитик в маркетинге. Часто аналитики закупок и маркетинга работают над прогнозом продаж совместно.

Вернёмся к пирожкам. Тот факт, что в понедельник и вторник пирожки были распроданы за 2 часа, говорит о неудовлетворённом спросе (низкий уровень сервиса, потерянные продажи — эти термины имеют общую основу «неудовлетворённый спрос»). Почему же так вышло? Почему те же люди в понедельник и вторник покупали пирожки активнее? Причин может быть множество, и не все из них мы в принципе можем узнать. Но это не означает, что мы и не должны искать связь этих причин со спросом. Чем больше мы о них узнаем и учтём (и составим профили зависимости спроса от этих причин), тем лучше будет наш прогноз продаж и заказ.

На что рекомендую обратить внимание при прогнозе продаж:

— Однороден или нет анализируемый товар? Надо ли разбить его на подгруппы/виды?

В случае с пирожками может оказаться, что 25 пирожков не одного, а 5-ти разных видов по 5 штук: с яйцом, с мясом, с картошкой, с капустой и с повидлом. В этом случае желательно анализировать продажи каждого вида в отдельности, ведь может оказаться, что с картошкой хватают в первую очередь, а с повидлом раскупают в последнюю. В этом случае рекомендуется «перераспределить» корзину в сторону лидеров продаж, увеличив их долю по отношению к аналогам с меньшей скоростью продаж. Заказ каждого вида товара обычно делают пропорциональным его скорости продаж. Если пирожков с картошкой за первый час продаж продалось 4шт, а пирожков с капустой только 2шт, в следующий раз брать пирожков с картошкой нужно в два раза больше, чем с капустой. Расчёт скорости продаж желательно делать в отрезок, когда на складе есть все аналоги товара. Иначе есть риск не учесть «канибализирующие» или «замещающие» продажи (случаи, когда отсутствие популярной позиции повлекло за собой покупку менее популярного аналога).

— Есть ли цикличные или иные предсказуемые зависимости?

В случае с пирожками может оказаться, что по понедельникам и вторникам есть дополнительный спрос (приходят особо голодные студенты, например). А по средам традиционно устраивается совещание с бесплатным кофе-брейком, и на проходной меньше покупателей. Или в среду, четверг и пятницу работает буфет и столовая, которые закрыты в понедельник и вторник. Чем больше информации о влиянии подобных причин на спрос будет учтено, тем точнее можно спрогнозировать продажи и сделать заказ. Если фактор, который действует на спрос, цикличен (сезонность, всплески в праздничные дни), желательно составить профиль зависимости спроса от данного фактора (например, профиль сезонности).

— Каков потенциал продаж (ёмкость рынка и наша доля)? Можем ли мы увеличить продажи и что для этого можем предпринять?

Довольно часто продажи зависят и от времени прихода товара, и от продвижения товара (рекламы, презентабельной выставки, верной ценовой политики). В случае с пирожками, возможно, соседка бабули согласилась бы испечь пирожки к 7.00, и если их забирать не в 7.30 а в 7.00 и быть на проходной к 7.30, можно будет продать на 5—10 штук больше. Также может оказаться, что если упаковывать пирожки в пакетики, они дольше будут оставаться тёплыми и чистыми, и покупать их будут с большей охотой. Если спрос эластичен к цене товара, могут помочь скидка или акции «три по цене двух» по средам и тп.

В реальной торговой компании, прежде чем планировать рост продаж от акций типа дополнительной рекламы, снижения цены, лучшей упаковки или улучшения сервиса обслуживания, настоятельно рекомендуется обсудить и зафиксировать эти договорённости с коллегами из маркетинга. Ведь можно закупить товар, а денег на эти мероприятия у коллег не окажется, или потрачены они будут ими с меньшей, чем ожидалось, эффективностью. В результате на складе окажется лишний товар.

— Каким образом вычисляются «средние продажи». Учитывается ли при вычислении «средних продаж» доступность товара к продажам?

Довольно часто забывают учесть тот факт, что в принципе нельзя продать товар, которого не было в доступности. И считать «средними продажами» пирожков в понедельник и вторник по 25 штук — в принципе не верно. У нас было ещё 2 часа без продаж, которые не состоялись только по причине отсутствия товара. Но эти продажи были бы, если бы товар был в корзинке. И средние продажи в понедельник и вторник были бы больше 25 штук.

— Учитываются ли при составлении прогноза «единовременные акции» и «распродажи» по невыгодной цене.

В случае с пирожками может оказаться, что бабушка, узнав заранее о праздничном митинге у проходной, принесла втрое больше пирожков и все их с успехом распродала. Но ведь митинг не будет повторяться регулярно, и если она принесёт 75 пирожков в следующий раз, то большая часть пирожков пропадёт. С другой стороны, может оказаться, что в один из дней у неё оставалось 10 грязных пирожков, которые никто не брал, и чтобы не нести их обратно — она продала их по цене ниже закупочной. Учитывать такие продажи как «нормальные» нельзя. Рекомендуется учитывать только «очищенные» продажи. В настроенных автоматизированных системах продажам, осуществлённым по акциям или в распродажу, присваивают особые признаки, чтобы легче было «очищать» от них статистику.

Существует множество формул прогноза продаж на основе статистики. Наиболее часто встречаются простое скользящее среднее, метод средней взвешенной по Шрайбфедеру, экспоненциальное сглаживание (простое, двойное, метод Холта-Винтерса). Для примера возьмём формулу прогноза продаж в общем виде:

Подготовим необходимую статистику. Если продажа осуществляется со склада, необходимо иметь информацию не только о продажах, но и о складских остатках.

Как же получилось так, что имея максимум продаж 25 штук в день, средние продажи составили 28.32 пирожка? И почему мы рассчитали заказ на первый понедельник 20 штук, а на следующий 37 штук? Причина — в использовании профилей зависимости спроса и учёте потерянных продаж. Эти инструменты помогают, при недостатке статистики, дополнить фактические продажи «потерянными» (например, когда у нас не было товара в часы с 10 по 11 и с 11 по 12). «Потерянные продажи» состоялись бы при наличии товара.

Разобранный пример показывает, в чём польза анализа статистики. «Угадать» число 28, 20 или 37 без анализа трудно, а при ассортиментной матрице в тысячи позиций, практически невозможно.

Определившись с методом прогноза спроса, построив профили зависимости спроса от факторов и очистив статистику, можно приступать к непосредственному расчёту заказа по формулам.

Шаг 2. Рассчитать Страховой запас, Stock N (Safety Stock N).

Часто страховой запас (количество товара, которое по расчёту должно быть на остатках в момент прихода регулярного заказа) рассчитывают через Коэффициент запаса. Например, утверждают: остаток нашего склада в момент следующего прихода должен быть 10 дней продаж (15 дней продаж, 20 дней продаж) и точка.

Страховой запас как способ достижения целевого уровня сервиса.

Иногда ставят цель добиться определённого уровня сервиса (% выполнения запросов клиентов) и страховой запас рассчитывают в зависимости от этой цели. Чем выше целевой уровень сервиса — тем выше страховой запас. Тут важно не переусердствовать и не наплодить излишков.

Закупщик должен понимать, что страховой запас увеличивает склад, требует дополнительных затрат и часто снижает важнейший показатель «складская эффективность».

Чтобы обосновать высокий страховой запас, нужны сильные аргументы. Например, данный товар крайне необходим, а Вы не можете сменить поставщика или заставить поставщика исполнять заказ в срок, не можете сменить перевозчика или воздействовать на таможню (которые часто задерживают доставку товара). И тогда у Вас всего два выхода: либо постоянно «нарываться» на перебои с товаром на складе по этим причинам, либо формула заказа должна эти причины учесть в дополнительном страховом запасе.

Два основных подтипа страхового запаса — «страховка» на случай аномальных продаж и «страховка» на случай задержек транспорта в пути.

Для вычисления страхового запаса на случай аномально высоких продаж часто используют один из двух вариантов его расчёта:

1. SafeQ1 = МАX от продаж прошлого периода (перекрываем им максимальный возможный всплеск продаж). Прост в расчёте и удобен для короткого LeadTime (обычно до 3-х дней). Способ подходит не для каждого товара, может приводить к излишкам, так как всплески могут быть случайны.

2. SafeQ1 = функция от отклонения фактических продаж от средних. Чем больше это отклонение, тем больше создаётся запас. Иногда вместо расчёта уникального значения для каждой позиции товара, используют всего три коэффициента для трёх групп товара. Отношение конкретной позиции к той или иной группе определяют через XYZ метод. Способ часто приводит к большим погрешностям, особенно если плохо учтена сезонность.

Для вычисления страхового запаса на случай перебоев в поставках (отклонение факта Цикла Поставки (LeadTime) от плана) часто из максимального фактического времени исполнения заказа отнимают запланированное и умножают на прогноз продаж в день

Если максимальное фактическое время существенно превышает запланированное, часто пользуются «ограничителем». Например, ограничитель «не более 50%» от запланированного. Без такого ограничителя высок риск того, что из-за одной нестандартной задержки в прошлом, Вы будете всегда содержать завышенный страховой запас.

Самая частая ошибка при настройке страхового запаса.

Чаще всего ошибаются, увеличивая страховой запас по группе Z относительно группы Х только потому, что это «Z»! Рекомендую увеличивать страховой запас в группе Z только по очень ценным и выгодным товарам. Вообще, строго говоря, оценивать вариативность в отрыве от сезонности — некорректно. Многие Z — это вообще сезонные товары, на которые просто не наложили график сезонности или использовали ошибочный график сезонности. Я обычно рекомендую отталкиваться в начале настройки от такой формулы, без учёта XYZ: Страховой запас = Out of Stock Point (Средняя продажа, необходимое для продажи количество, минимальная выкладка) + Мин (15; Макс (1/2 цикла поставки; Периодичность)) * Прогноз (шт. в день). Для остро сезонного и редко продающегося товара, а также в моменты финансовых затруднений вообще возможен как исключение Страховой запас = 0*. *При этом Out of Stock Point всё равно лучше зафиксировать на карточке товара и учитывать с его помощью возможные потерянные продажи.

Идеальный страховой запас — самонастраивающийся.

Если есть возможность привлечь грамотных программистов — рекомендую автоматизировать корректировку Страхового запаса в зависимости от реальных потерянных продаж, наценки, платы за складское хранение и цены кредита. Использовать такой принцип: если увеличение страхового запаса на 1 день приводит к снижению убытков от потерянных продаж больше, чем дополнительная плата за дополнительный кредит и хранение, то увеличивать по таким товарам страховой запас автоматически на дополнительный 1 день. Если дефицита нет в период перед плановым приходом очередного заказа — то снижать автоматически Страховой запас на 1 день. И так постоянно регулярно автоматически корректировать Страховой запас, в границах от «Out of Stock Point» (в редких случаях — от 0) до «Максимум возможного по месту хранения (на полке, на складе) минус Прогноз продаж за периодичность». Если формула заказа будет содержать Страховой запас с перерасчётом таким образом, то самые ценные Z действительно получат повышенный страховой запас, но малоценные Z — не получат.

На что рекомендую обратить внимание при заказе «на склад»:

— Каков реальный срок исполнения заказа с момента его формирования и отправки поставщику до момента его появления на складе. Часто можно услышать «заказ привозим за 2 дня» но при этом не учитывают, что это только время в пути от склада поставщика до нашего склада. А могут быть дополнительные затраты времени. Например, время на производство и сборку, время на погрузку/разгрузку, время «на обработку» нашего заказа (проверки/утверждения и тп). И реальный срок исполнения заказа (обычно его обозначают Lead Time) оказывается больше. Именно полный Lead Time, а не какая-то его часть (время в пути) должен учитываться при заказе.

— Какова реальная периодичность составления заказов? В зависимости от того, с какой периодичностью мы реально отправляем заказ поставщику, зависит и размер заказа. Тот факт, что мы «теоретически можем» отправлять заказ каждый день, не означает, что мы реально делаем это. Часто не набирается минимально возможный объём отгрузки, нужны согласования с часто недоступными людьми и так далее. Именно реальная периодичность, а не теоретическая, должна учитываться при заказе.

— Учтены ли минимальные партии поставок (10000 руб, 1000 кг, паллет, машина и тп) и кратность поставки (упаковка, коробка и тп).

Например, есть требование: отгрузка может быть только кратно коробке (20 штук) объёмом не менее 100 коробок (можно 101, 99 нельзя). Эти ограничения должны быть прописаны на каждый вид товара. При необходимости, должны быть утверждены правила особого округления «расчётного заказа» в ситуации, когда он меньше минимальной партии. Например, если расчётный заказ составляет менее 30% от минимальной партии — правило «не отгружать», а как только он превышает 30% — правило «увеличить заказ до минимальной партии и отгрузить».

Основные параметры, участвующие в заказе (Lead Time, периодичность, страховой запас, минимальную выкладку) часто измеряют и в единицах времени (днях), и в единицах товара (штуках), и в деньгах, и в % от общего складского запаса. Фраза «Страховой запас составляет в среднем 5 дней» может означать то же что и «Страховой запас составляет в среднем 10% склада или 300 штук или 200 тыс. руб.».

Окончательный заказ может быть скорректирован с учётом различных требований. Например, логистических, с учётом минимальной отгрузочной упаковки.

Иногда вводят дополнительные правила при составлении заказов. Например, «Складской запас в днях продаж не должен превышать кредит поставщика». Или «Эффективность складского запаса не должна быть ниже x%».

Работа с поставщиками, предоставляющими нам возможность не платить за свой товар до момента его продажи, имеет важные особенности. Заказ товара по таким поставщикам может вообще не считаться формулой.

Основные две группы такого товара:

1.Агентский товар (мы продаём товар не с нашего склада, а со склада партнёра).

Заказ на такой товар поставщику-партнёру составляется только после получения заказа от нашего клиента.

2. Консигнационный товар (товар находится на нашем складе по договору хранения).

Заказ на такой товар партнёру часто составляется по принципу: «чем больше — тем лучше» или «возьмём столько, сколько дадут».

АВС-АНАЛИЗ

В основе АВС анализа лежит «правило Парето», смысл которого в том, что первые 20% выборки (товаров, марок, поставщиков) приносят 80% продаж. Это правило не является «математически точным», однако на практике, при большом количестве входящих в выборку позиций, часто удивительным образом оказывается верным. Применяют АВС анализ обычно для того, чтобы «оптимизировать» (чаще сократить) слишком широкое предложение ассортимента, слишком большое количество марок, поставщиков и тп., сконцентрировав усилия на наиболее ценных для компании. При малом количестве входящих в выборку позиций применять этот метод не рекомендуется. Положительный эффект от использования метода на практике сильнее в случае, когда анализируемых позиций сотни и тысячи.

При АВС — анализе обычно используют такую градацию:

«А» — наиболее ценная группа, примерно 20% ассортимента; 80% продаж

«В» — средняя группа, примерно 30% ассортимента; 15% продаж

«С» — нижняя, наименее ценная группа, примерно 50% ассортимента; 5% продаж

При проведении АВС анализа, обычно из выборки исключают «новинки», то есть товары, недавно появившиеся на складе и потому ещё не сумевшие набрать сопоставимую с прочим товаром статистику продаж. В зависимости от вида бизнеса, критерием отнесения товара к «новинкам» может считаться срок нахождения на складе от недели до нескольких месяцев.

На практике существует множество способов выделения групп АВС и назначения им % от продаж. Иногда к этим трём группам добавляют четвёртую группу «D». Группу D обычно отдельно выделяют с целью контроля быстрой распродажи этого товара. Например:

«А» — 70% — продаж

«В» — 20% продаж

«С» — 9% продаж

«D» — 1% продаж.

Иногда для определения границ АВС (D) групп используют графическую зависимость. По оси Х — отмечают позиции с продажами от максимальной к минимальной, по оси Y — сумма продаж по ним накопительным итогом, в % от общего объёма. На таком графике выявляют «точки изгибов» и по ним «назначают» границу А, В, С и тп. Таким образом, в группу А, например, вполне могут попасть позиции с итоговой суммой продаж 63%, в группу В 23% и группу С 14%.Если Вы используете не стандартный, а иной способ определения границ групп, необходимо отдельно акцентировать на этом внимание, чтобы не возникало путаницы. Если такой отдельной оговорки не будет, то ваш собеседник может предположить именно стандартную линейку 80;15;5.

Разберём пример расчёта и использования АВС анализа.

Предположим, для примера, что существует 10 видов товара, которым мы торгуем. И нам надо провести АВС анализ, чтобы выяснить, какова структура склада (пропорционален ли склад продажам или нет).

Чтобы определить группу АВС для каждой товарной позиции, нужно расположить товары в порядке убывания их продаж*. И по Доле продаж накопительным итогом назначить группу.

Из неё видно, что состояние структуры склада не идеально. Группа «А» должна иметь долю выше, а группа «С» ниже, чем в данный момент на складе.

В реальной практике вместо продаж при АВС-анализе часто используют маржу, и применяют формулы без необходимости сортировать массивов. Например:

XYZ-АНАЛИЗ

Метод XYZ анализа применяется для классификации ресурсов компании в зависимости от возможной точности прогнозирования потребности в них. Применительно к товарному запасу, эту точность прогноза вычисляют с помощью оценки отклонения фактических продаж от средних продаж. И в зависимости от результата товару присваивают ту или иную категорию XYZ. Чем меньше отклонение от средних продаж, тем в более высокую группу попадает конкретная товарная позиция. К Х-группе относят товарные позиции с самым незначительным отклонением от среднего. Отклонение рассчитывается по формуле:

Для этого метода важна корректная обработка статистических данных, учёт сезонности и других трендов (рост рынка, например), акций, дефицита на складе. Однако об этом часто не задумываются на практике (берут необработанную статистику), в результате чего получают сомнительный результат.

При обработке статистики важно правильно выбрать единицу периода статистического ряда (час, день, неделя, месяц) продажи за который участвуют в расчёте. Чем больше временной отрезок одной единицы ряда, тем меньше будет V, и наоборот. Обычно выбирают день, однако иногда возможны другие варианты. Рекомендую придерживаться правила: в выбранную Вами единицу времени (единицу статистического ряда) должно в среднем происходить не менее 5 единиц продаж. Если «час» практически не используется, то «неделя» и «месяц» вполне могут применяться для групп товара с относительно редкими продажами. Можно использовать и такой способ контроля: если почти весь Ваш товар оказался в одной группе Z, вероятно, единица времени выбрана Вами слишком мелкой, или же статистика не обработана.

Помимо правильного выбора единицы времени, статистика должна быть очищена от тех дней, когда товар был не в полной мере доступен к продажам:

Предположим, что есть некий товар, который имеет стабильный прогнозируемый сбыт 10 штук в день. Но в один из дней возник дефицит на складе (было всего 2 единицы). И Статистика продаж в такой день составила 2 штуки (всё, что было доступно в тот момент на складе). Если Вы не отбросите эту точку с дефицитом склада, то получите за последние 2 дня статистический ряд «10; 2».

Несмотря на то, что сбыт этого конкретного товара отлично прогнозируется (всегда равен 10) и относится к группе X (с 0 отклонением от средних продаж), Вы ошибочно сочтёте его группой Z с высоким отклонением и «непрогнозируемым сбытом».

Обработка статистических данных для XYZ должна проходить следующие этапы:

1) Из значений продаж убирают продажи по акциям

2) Из рассматриваемых дней выборки исключают дни с наличием на складе остатка меньше, чем максимум продаж. Иначе малые значения продаж из-за отсутствия товара на складе приведут к погрешности (как в разобранном выше примере).

3) К оставшимся данным применяют коэффициенты профилей (сезонности и прочих).

Оставшееся количество точек в выборке должно быть репрезентативным (обычно не менее 10).

Товару, не имеющему достаточную обработанную статистику по разным причинам, обычно присваивают категорию N (новинки, товар слишком быстро проданный, товар с малым количеством дней на складе и тп). Отмечу важность этой группы N. Почему-то часто о ней забывают, и товар с недостаточной статистикой «перемешивается» в группе Z вместе с действительно Z товаром (который действительно имеет неустойчивый сбыт). Выделять её нужно, так как меры по улучшению структуры склада применительно к группе Z отличаются от мер к группе N.

Обычно применяют следующие границы отнесения к группам по коэффициенту вариации:

Категория «X» — Значение коэффициента вариации в интервале от 0 до 10%.

Категория «Y» — Значение коэффициента вариации от 10 до 25%.

Категория «Z» — Значение коэффициента вариации свыше 25%.

В зависимости от вида товара и условий продаж, границы XYZ могут быть иными. Рекомендуется придерживаться правила, что диапазон Y = 1.5 X. Например, если Вы выбрали для своего товара для X диапазон от 0 до 20%, то для Y ожидается диапазон от 20 до 50%.

Практическое применение XYZ анализа обычно ограничивается регулярной оценкой структуры склада совместно с АВС анализом. То есть проводят регулярный мониторинг, какая часть внутри групп «А» «В» «С» товара имеет «X» или «Y» или «Z» или «N» точность прогноза по всем 12 группам (АX, AY, AZ, AN, BX, BY, BZ, BN, CX, CY, CZ, CN). И в случае ухудшения динамики применяют меры (например, часть Z товара заменяют на его X аналог, где это возможно). Получают, таким образом, экономию ресурсов.

Анализ «ABC-XYZ» на практике иногда применяют для выбора товара для продвижения. Группы AX, AY и BX имеют предпочтение при прочих равных (предполагается, что именно эти группы дадут максимальную отдачу от вложений в рекламу).

Иногда можно встретить использование XYZ метода при формировании заказов, когда Z-группе назначают повышенный коэффициент запаса по сравнению с X-группой при расчёте Safety Stock. Не рекомендую этого делать. Во-первых, совершенно не обязательно делить товар на группы XYZ на основе данных по отклонению фактических продаж от среднего, чтобы затем рассчитать Safety Stock. Ничто не мешает сразу рассчитать Safety Stock на основе точных значений коэффициента вариации, минуя звено группировки в XYZ, и добиться, таким образом, более точного результата. Во-вторых, страховой запас в большинстве случаев предпочтительнее определять с учётом рентабельности, а не просто по коэффициенту вариации.

БОСТОНСКАЯ МАТРИЦА (BCG matrix)

Бостонская матрица известна с 1960-х, но и по сей день используется как инструмент для стратегического анализа и планирования в маркетинге и закупках. Её автор, Брюс Д. Хендерсен, является основателем Бостонской консалтинговой группы, отсюда и название. Рекомендации на основе анализа BCG матрицы относятся скорее к корректировке существующей ассортиментной матрицы в будущем, к планированию маркетинговых компаний, чем к оперативным закупкам (которые осуществляют на основе данных текущего склада и текущих продаж)

Матрица в классическом варианте основана на гипотезе жизненного цикла товара в зависимости от роста рынка и доли на нём и классифицирует товар на четыре группы по последовательным этапам: 1. Трудные дети — 2. Звезды — 3.Дойные коровы –4.Собаки. Определив «точку» жизненного цикла товара на основе статистики продаж по нему сейчас, «предрекают» его завтрашнее состояние и дают рекомендации по инвестициям. Инвестиции рекомендуют делать из сегмента «Дойных коров» в сегменты «Трудных детей» и «Звёзд». «Собак» рекомендуют в лучшем случае «не трогать» а в худшем «пристреливать», выводить из ассортимента.

Если Ваша доля на рынке не высока, а динамика рынка не понятна, то в качестве оценки «доли» на рынке часто используют сравнение с главным конкурентом (или с группой конкурентов), а в качестве «роста рынка» динамику собственных продаж. Точку середины между «низкий» и «высокий» определяют либо эмпирически (например, низкая доля это меньше 1%, а высокая больше 1%; темп роста низкий это менее 5% а высокий более 5%) либо на основе собственной статистики (если рост по группе составил от 2% до 6%, берут за середину 4%).