Итальянский экономист Вильфредо Парето, в процессе своей научной деятельности, вывел правило, ставшее классическим, которое сформулировано следующим образом: «20% усилий дают 80% результата, а остальные 80% усилий дают 20% результата».
Универсальность правила Парето заключается в том, что область его применения находится не только в экономической плоскости, а применимо к любым исследованиям, где необходимо понять, какой фактор, из многих, является основополагающим, а какие второстепенными.
Данное правило не является твёрдым законом, а является всего лишь эмпирическим наблюдением.
Трактовка этого правила - основной объём работы реализуется при использовании не всего набора инструментов, а только небольшой его части, поэтому, для рационализации усилий, необходимо вычислить эту составляющую, которая обеспечит 80% результата.
- Ассортиментные, товарные матрицы;
- Рабочая базы (клиенты, поставщики, дебиторы, кредиторы и так далее);
- Любые другие массивы, в которых есть значения, которые надо упорядочить и выделить основное ядро, составляющее основу массива (80%).
Плюсы и минусы ABC анализа
|
Плюсы |
Минусы |
|
При работе с большими массивами данных становится понятно, какую долю занимает та или иная категория, eё вес в общем массиве |
Результат ABC-анализа является весьма условным, полезность результатов весьма сомнительна |
|
Продуктивный контроль ресурсов и бизнес-процессов |
Непонятная, особенно для новичка, методика расчёта |
|
Область применения правила Парето не ограничивается экономикой или статистикой. Возможность использования в повседневной жизни |
Не оценивает сезонные колебания |
|
Для проведения анализа, нужна большая история событий и показателей, информационный ресурс, откуда будут браться данные для расчетов |
Последовательность действий при поведении анализа
Обычно, правило Парето оперирует A и B-группами с показателями доли 80% и 20%, соответственно. Но более распространенное представление получила модель, в которой производится разделение всего массива на группы A (доля - 80%), B (доля - 15%), C (доля - 5%).
Основная задача при проведении анализа - произвести деление массива на A, B, C - группы. После этого, учитывая, что группа А должна составлять около 80% (в единицах измерения), необходимо оценить, сколько процентов данных (от общего объёма данных) образуют группу A.
Если 20% от общего количества номенклатуры массива составляют группу A и являются долей (от общего результата) в районе 80%, то правило Парето соблюдено и, такая модель, может считаться эталонной и сбалансированной.
Последовательность выполнения ABC-анализа
В качестве примера возьмём некий информационный массив - например, данные о реализации сельскохозяйственной продукции за какой-то период некой сбытовой компанией
Требуется произвести закупку продукции, но заказать необходимо только «хиты» продаж, т.к. объём финансирования ограничен. Как понять, что необходимо заказывать? Какие позиции являются «локомотивами» продаж. В данном примере массив данных небольшой, однако, когда номенклатура анализируемого массива исчисляется десятками тысяч позиций, визуально определить невозможно, нужен расчет.
- Производится ранжирование номенклатуры по количественному выражению (тоннам, в данном случае), в порядке убывания (от большего к меньшему):
.png)
- Производится измерение персонального удельного веса (доли) каждой позиции в общем объёме:
.png)
- Измеряется удельный вес (в %) нарастающим итогом, для понимания, какие позиции образовывают 80% общего объема массива. Для этого последовательно складываются доли:
.png)
- Далее, список маркируется по группам:
- A (80%)
- B (15%),
- С (5%).
Группа A ограничивается порогом 76% (в данном примере, не добравшись до эталонной отметки в 80%). Следом, (в рамках доли = 15%), до 95%, находится группа B и в интервале 95%-100% находится группа С.
В результате структура реализации разделилась на следующие группы:
.png)
- Самая «продаваемая» группа - (А). Товары, чей суммарный объём продаж составляет основной продуктовый портфель, «локомотивные группы»;
- Средние «устойчивые» продажи (B). Товары, показывающие средние продажи по объему, «твёрдые середнячки»;
- Самые низкие продажи (С). Это товары с малым показателем продаж, низкой оборачиваемостью.
В результате проведенного анализа, появляется очевидная информация, какие продукты продаются более активно, а какие - менее, каким группам предпочтительнее отдавать приоритет, а каким - не стоит торопиться.
В рассматриваемом примере, группа A достаточно обширная, так бывает не всегда, всё зависит от количества номенклатуры и итоговых числовых показателей по ней. Для того, чтобы выявить основные «хиты продаж» группы A - необходимо произвести в ней ABC-анализ по вышеописанной методике.
Теперь 100% реализации будет назначен суммарный оборот по группе A, в количественном выражении. Анализ группы A примет следующий вид:
.png)
Анализ показал, что самые продаваемые культуры - культуры категории A - A , их и необходимо закупать больше. Это группа с максимальной скоростью оборота, с точки зрения продаж.
Такие же действия целесообразно произвести также в группе B и C. На вершине рейтинга каждой группы находятся позиции, готовые, при малейшем изменении итоговых результатом, перейти в вышестоящую группу. И наоборот, например, позиция с рейтингом B-C - первый кандидат на переход в подгруппу C-A.
Практическое обоснование результатов анализа
Как определить, является ли сбыт, в рамках вышеуказанной задачи, сбалансированным, соответствующим формуле правила Парето?
Тезисно, в упрощенном варианте правило звучит так - «20% номенклатуры должны дать 80% реализации». В нашем случае, количество позиций товарного портфеля (наименования сельскохозяйственных культур) равняется 11.
Категория A (то есть 80% от общего объёма) - составляет 7 позиций, что соответствует 63,6%. В данном случае, модель сбыта считается несбалансированной, отдел продаж должен поработать над ней, так как 80% объема должны достигаться не 7 наименованиями, а всего 2-3 (20% от 11 позиций).
Применительно к нашему исследованию - в примере отсутствуют группы-лидеры; практически вся номенклатура продаётся равномерно. Необходимо развивать первые три товарные группы, концентрировать внимание на них, выводить в лидеры продаж. В результате таких действий, структура сбытовой модели изменится, достигнув требуемого баланса. Произойдёт переход некоторых позиций из A-группы в B-группу, а из B-группы - в C-группу.
В результате подобной реформации, продажи три товарных группы «Картофель», «Морковь», «Огурцы» суммарно будут составлять 80% общего объёма, являясь лишь 20% от общего продуктового портфеля. В таком случае, по Парето, - данная сбытовая модель будет сбалансирована и для того, чтобы сделать основной объем реализации, не необходимо будет прикладывать усилия для продажи 7 товарных групп, достаточно будет сосредоточить внимание на тройке ведущих, а остальные развивать параллельно, увеличивая итоговый результат.
Определение понятия «XYZ-анализ»
Процессуально, определяются коэффициенты варьирования для анализируемых признаков, характеризуется соотношение фактического значения и среднеарифметического (эталонного) за рассматриваемый период.
В результате, возможно сделать заключение о динамике (продаж, например), оценить стабильность процесса, выявить наличие каких-либо отклонений, произвести систематизацию.
Последовательность проведения XYZ-анализа
Имеются некие данные продаж продукта за определенный период времени. Требуется понять, какие группы товара наиболее стабильны в продажах, в какие продукты следует вкладывать инвестиции, покупая их в первую очередь.
.png)
- Высчитывается коэффициент вариации. Посчитать возможно несколькими способами. Первый - математически, вручную. По ряду данных (например, «Картофель») высчитывается среднее арифметическое значение. В нашем случае, несложно посчитать значение по данному продукту, равное 247. Дальше, находится величина отклонения ежемесячного значения реализации от «эталонного» 247, в процентах. Например, для января отклонение от эталона составит: 1-(240/247) = 2,83%. Также высчитывается значение для остальных месяцев. Среднее арифметическое коэффициентов отклонения и есть искомая величина итогового коэффициента вариации по продукту (например, «Картофель», 2,97% по полугодию).
.png)
- Программно, в «Экселе», эти действия производятся с помощью функций. Для вычисления «эталонного» значения по ряду данных применяем функцию СТАНДОТКЛОНП. Синтаксис приведён на графическом фрагменте решения данной задачи, ниже. Таким же способом считаем коэффициент вариации для других продуктов.
.png)
- Полученные коэффициенты вариаций ранжируются от меньшего значения к большему. В группе X находятся объекты с коэффициентом вариации от 0% до 10% - стабильные продажи, возможно более адекватно спрогнозировать их реализацию. Если отклонение составит от 10% до 25 % — это группа Y. Реализацию продуктов этой группы сложнее спрогнозировать, но этот параметр показывает некоторые отклонения (например, сезонность продукта). Группа Z характеризуется нерегулярным потреблением, отсутствием каких-либо тенденций и показывает коэффициент вариации более 25 %. Синтаксис эксель-формулы приведён в примере ниже:
.png)
В практике, продажи и доходность испытывают на себе воздействия многих факторов: сезонность, частоту цикла поставок, изменения ценообразования, маркетинговые активности, прочие факторы. Все это, с различными последствиями, резонирует в результатах продаж, приводя к высокой волатильности коэффициента вариации. Данным XYZ-анализа можно доверять в случае, если рассматриваемый период времени достаточно продолжительный. Величина оборачиваемости товара (в днях) должна быть существенно меньше (в разы) длительности анализируемого временного отрезка.
Все знают, что торговля зачастую представляет собой перепродажу, т.е. закупку товара и последующую его реализацию. Если вы можете заранее запастись товаром, спрос на который будет держаться на высоком уровне, то ваша торговля будет успешной. В противном же случае вы потратите массу денег на продукцию с низким спросом. Так, актуальные запасы компенсируют присущую торговому бизнесу неопределённость и приносят неплохой доход.
Сделать выводы относительно будущего состояния спроса покупателей на тот или иной товар позволяет XYZ-анализ. Никто не станет спорить, что всегда выгоднее закупаться теми товарами, на которые есть постоянный спрос и не тратить при этом бюджет на продукт, актуальность которого лишь временна. Что ж, давайте разберёмся, в чём заключается преимущество XYZ-анализа, как он связан с ABC-анализом и можно ли произвести его на дому при помощи офисных программ (типа Excel).
Что такое XYZ-анализ?
В сравнении с ABC (см. ), XYZ-анализ подразумевает деление всего имеющегося в наличии ассортимента на условные группы, главное различие которых – предсказуемость спроса. В то время как ABC-анализ определяет самый продаваемый товар, XYZ-анализ может показать равномерность спроса на всю продукцию.
Чтобы провести полноценный и точный XYZ-анализ, нужно составить подробный перечень товаров, находящихся на реализации, а так же собрать информацию об объёмах продаж. Полученные данные нужно занести в таблицу Microsoft Office Excel и найти коэффициент вариации для каждой позиции при помощи стандартных инструментов программы (формулы для вычисления см. ниже). Затем список сортируется по степени роста коэффициентов и разделяется на три группы – X, Y, Z.
Коэффициент вариации колеблется между 0 и 1. В состав группы X входят те товары, спрос на которые находится между 0 и 0,1.
Группа Y – для товаров с коэффициентом 0,1-0,25.
Все остальные товары (с коэффициентом выше 0,25) относятся к группе Z.
Подробный разбор
Итак, в категории X находится продукция с наименьшими показателями коэффициента вариации (КВ). Иными словами, спрос на такие товары практически не изменяется с течением времени. Объём их продаж спрогнозировать очень просто. Исходя из текущих показателей продаж, можно быть смело уверенным, что в следующем месяцы объёмы (а соответственно и доход) будет тем же.
Категорию Y занимают товары с так называемым «сезонным» спросом. Их востребованность регулярно изменяется, но не существенно и с течением времени всё возвращается. Спрос на эту группу товаров можно спрогнозировать примерно (опираясь на внешние факторы).
Наконец, в категории Z собраны товары с самым непредсказуемым спросом, который практически невозможно предугадать. Если в текущем месяцы вы реализовали n единиц такого товара, то в следующем можете продать как в двое больше, так и вообще ни одной. С такой продукцией весьма сложно иметь дело и, во избежание убытков, лучше проредить её ассортимент.
Таблица для ABC/ XYZ-анализа
Вы можете углубить свои познания об ассортименте и повысить эффективность своего предприятия, если используете методику совместного анализа (ABC и XYZ). Для этого вам нужно составить матрицу ассортимента, с помощью которой вы сможете выявить самые неликвидные и самые актуальные товары. Что для этого нужно? Предварительно проведите ABC и XYZ-анализ вашего ассортимента.
После этого создайте таблицу 3 на 3 клетки (9 в общей сложности). Получившиеся столбцы подпишите последовательно как A, B и C, а строки – X, Y, и Z.
Затем пройдитесь по списку ваших товаров и распределите их по ячейкам в зависимости от степени их влияния на общий доход (показатели ABC-анализа) и по прогнозируемости спроса (показатели XYZ-анализа). В соответствии с этими результатами вы сможете сформировать оптимальный ассортимент для своего магазина.
В ячейке AX будут находиться товары с наиболее стабильным спросом и приносящие максимум дохода. Это ниша лидеров рынка. Также заострите своё внимание на ячейках BX и AY (то есть, весь верхний левый угол таблицы).
В ячейках BY и CY будут расположены товары, имеющий некоторый потенциал, но нуждающиеся в активном маркетинговом продвижении. Наконец, станут отчётливо видны самые непредсказуемые в плане спроса и невыгодные в плане реализации товары. Они займут позиции BZ и CZ. Вы можете исследовать причины их непопулярности и, по возможности, вмешаться. Может быть, причина заключается в завышенных ценах или других факторах. Зачастую, от таких товаров нужно просто отказаться.
Как провести XYZ-анализ?
XYZ-анализ включает в себя несколько обязательных этапов, несоблюдение которых приведёт к неточным результатам и искажённой картине ожидаемой прибыли. Итак:
1. Выберете объект. Пусть это будут продукты питания, например.
2. Установите параметр – кол-во реализованных за месяц единиц продукции.
3. Определитесь с периодом. Больше всего для анализа подходят данные за год. Чем больше период, тем точнее будут результаты анализа.
4. Вычисление коэффициента вариации для каждой позиции из списка. КВ – это величина, наглядно показывающая различия между месячными продажами определённой продукции и среднестатистическими показателями продаж за взятый период времени.
Произвести ABC/XYZ-анализ можно в таблице Excel, использовав при этом следующие формулы:
Уловные обозначения:
V – коэффициент вариации.
σ – среднее квадратическое отклонение.
x с чертой – средний показатель объёма продаж за всё время.
x i - объём продаж определённого продукта за i период.
n – количество анализируемых промежутков времени (по количеству месяцев).
После вычисления КВ для каждого анализируемого товара, вам нужно будет только отсортировать их по мере роста коэффициента и разделить на категории, как это описывалось выше.
Если V больше 0,1, но не превышает 0,25 – группа Y;
XYZ-анализ на примере продуктового магазина
В качестве наглядного примере произведём конкретный ABC/XYZ-анализ ассортимента магазина продуктов питания. Разделим товары на соответствующие подгруппы: алкогольная продукция, мясная продукция, хлебобулочные изделия, кондитерские изделия, молочная продукция, консервы, замороженные продукты.
Произведя ABC-анализ, мы выясним, что группу A занимают молочные продукты и алкоголь – выручка магазина держится преимущественно на них. Группа B стала нишей для хлебобулочных и мясных изделий, в то время как в группе C нашлось место замороженным продуктам и консервам. Они продаются куда реже остальных и, следовательно, несут существенно меньше прибыли.
Проведём относительно того же ассортимента процедуру XYZ-анализа, чтобы выяснить продукты со стабильным и непредвиденным спросом. Здесь в категорию X попадает алкогольная и мясная продукция, пользующаяся неиссякаемым спросом. Категория Y представлена молочными, замороженной и хлебобулочной продукцией. Прогнозировать спрос на эти товары несколько сложнее. Самые непредсказуемые товары (категория Z) – кондитерские изделия и консервы.
Применив к полученным данным метод сдвоенного анализа (таблица 3х3), можно сделать вывод, что максимальное внимание следует уделить мясной, алкогольной и молочной продукцией, поскольку именно эти группы товаров приносят большую долю всей прибыли и стабильно пользуются спросом.
Советы по обращению с продукцией и разных групп
Итак, у вас есть таблица из девяти ячеек, с полностью распределённым ассортиментом. Ниже приведены некоторые советы относительно дальнейших действий с каждой группой товаров.
1. Продукция, занявшая столбцы A и B, обеспечивает ваше предприятие основным товарооборотом и приносит максимальную прибыль. Эти товары категорически не рекомендуется выводить из производства и/или продажи. Они должны быть всегда в наличии. В противном случае, вы лишитесь значительной доли прибыли и расположения клиентов, которые попросту обратятся в другой магазин или фирму.
2. Товары категории C требуют систематического контроля. Если вы не располагаете достаточным временем для тщательного планирования своего бизнеса, то можете уделять этим товарам минимум внимания.
3. В строке X будут представлены самые стабильно продаваемые продукты. Опираясь на результаты XYZ-анализа и количество реализованного в прошлом месяце товара, вы можете смело произвести или закупить ровно столько же единиц продукции. Можете быть уверены, что всё будет раскуплено. Добейтесь того, чтобы на вашем складе всегда имелся некоторый запас продукции данной категории.
4. Строка Y – зона товаров с колеблющимся спросом. Изучите данные товары на предмет подчинения сезонному спросу и делайте на них ставку непосредственно перед повышением. В остальное время можно значительно снизить объёмы закупок или темпы производства.
5. Товары, занявшие строчку Z, практически не поддаются прогнозированию, спрос на них падает и повышается вне зависимости от каких-либо обстоятельств. Поэтому, будет разумно запастись некоторым количеством «на всякий случай», а так же не держать его на складе, а предоставлять завоз при непосредственном заказе или при появлении спроса.
О товарах смежных групп
1. Продукция, разместившаяся в ячейках AX и AY, обеспечивает наиболее оптимальное соотношение ликвидности и прибыльности. Освободите большую часть бюджета на закупку товаров именно этой категории, снизив расходы на группу CZ, например.
2. Товары, находящиеся в ячейке BY, так же нуждаются в некотором запасе. Стоит обеспечить наличие их на складе.
3. В ячейках AZ и BZ картина несколько меняется. Данные товары неплохо продаются, но спрос весьма переменчив и не поддаётся прогнозированию. Чтобы не потерять потенциальный доход, но при этом не понести убытков, переведите данную группу на особую систему заказов. К примеру, вы можете завозить их довольно часто, но малыми группами, регулируя объёмы сбыта. Важно поручить работу с данной продукцией наиболее опытному менеджеру.
4. Страховые запасы товаров из ячейки CX следует снизить относительно прошлых показателей. Что касается CY, то этими товарами следует запасаться только при наличии свободных денежных средств.
Артем Эмануэль
АВС-анализ – это один из самых доступных методов группировки клиентов по степени важности. В первую очередь, он полезен тем компаниям, где существуют сложности с обработкой данных специализированным программным обеспечением. Однако у начинающих специалистов, которые впервые столкнулись с необходимостью проанализировать продажи с помощью этого метода, он нередко вызывает массу вопросов. Попробуем разобраться, что именно приводит к сложностям и как их преодолеть.
Беглый анализ
АВС-анализ – это один из методов ранжирования клиентской базы на группы с разным удельным весом, в зависимости от того или иного критерия. В литературе чаще всего можно встретить примеры проведения АВС-анализа по показателям продаж в натуральном выражении, оборота или прибыли.
Одним из вариантов интерпретации АВС-анализа является диаграмма Паретто. Дело в том, что АВС-анализ базируется на принципе Паретто, который означает, что 20% усилий дают 80% результата, а остальные 80% усилий - лишь 20% результата. Однако при проведении АВС-анализа клиенты, как правило, распределяются не на две, а на три группы А – 75%, В – 20% и С – 5%. Откуда берутся эти цифры? «Из головы». На самом деле, число таких групп и процентные отношения между ними могут быть произвольными, в чем мы сможем убедиться чуть ниже.
Для макетолога, который является экспертом в своей отрасли, подобной технологии ранжирования клиента совершенно достаточно для общей оценки ситуации на конкретном предприятии. Но для специалиста, который только начинает свое знакомство с тем или иным рынком, может быть полезен более глубокий анализ. В этом мы имели возможность убедиться на собственном опыте. Вкратце объясним те сложности, с которыми мы и наши коллеги сталкивались при проведении анализа описанным выше методом.
Во-первых, при произвольном изменении процента покрытия групп «А», «В» и «С» меняется их состав, причем зачастую довольно существенным образом. Как с этим быть, какие выводы делать и какие рекомендации предлагать предприятию, становится непонятным. Кроме того, если использовать деление на группы для оценки «важности клиентов», на первый взгляд, очень сложно понять, почему группа «А» должна вносить вклад в размере 75%, а, например, не в размере 80%.
Во-вторых, если мы используем заданный процент для анализа динамики поступлений от клиентов в течение времени , может получиться так, что какой-нибудь отдельно взятый клиент с одним и тем же стабильным объемом покупок (или прибылью) попадает в разные группы, в зависимости от взятого периода.
Пример такой ситуации приведен в группе таблиц №1. В ней мы рассматриваем реальную ситуацию, сложившуюся в компании, которая занимается продажей тканей, и приводим анализ пяти ее клиентов по критерию объема закупок в натуральном выражении за год. При этом в данном случае, проводя АВС-анализ, клиентов мы будем «разбивать» в соотношении 70:20:10.
Группа таблиц №1
А) Данные по продажам ткани в динамике: простой список клиентов
Б) Данные по продажам ткани в динамике: ранжированный список клиентов
В) Предварительное распределение клиентов по группам
| Группы | 2000 г (метров) | 2001 г (метров) | 2002г (метров) |
| А - 70% | 2835 | 10 171 | 12 810 |
| В - 20% | 810 | 2906 | 3 660 |
| С - 10% | 405 | 1453 | 1830 |
С какими проблемами мы сталкиваемся в данном примере? Проблема первая: анализируя ситуацию в динамике, невозможно точно отнести клиентов к той или иной группе. По данным на 2000 г., «Клиент №1» формирует группу «А», но также вносит свой вклад в долю группы «В». Но в следующие два года «Клиент №1», наоборот, вносит очень незначительный вклад в группу «А», хотя при этом у него наблюдается положительный рост объема продаж. Неопределенной является ситуация и с «Клиентом №2»: в первый год он попадает в группу «В», а в третий - в группу «С», хотя объем его закупок не изменился.
Конечно, можно обратить внимание на то, что в 2001 г. у компании появился новый клиент – «Клиент №5», который существенным образом повлиял на расклад ситуации. Поэтому можно попытаться решить проблему «миграции» групп путем раздельного анализа старых и новых клиентов, но и это позволяет решить имеющуюся проблему лишь частично.
Проблема номер два : если нам, к примеру, понадобится проанализировать историю клиентов и по объемам продаж, и по показателям прибыли, и по срокам погашения дебиторской задолженности, то мы не сможем этого сделать. В данном примере невозможно анализировать клиентов по нескольким параметрам одновременно, хотя такой многомерный анализ является сутью грамотного разбиения клиентов на группы.
Таким образом, описанный нами вариант ранжирования клиентов по фиксированному проценту покрытия оптимален, когда нам необходимо провести анализ клиентов в рамках одного периода. А вот анализ показателей в динамике в этом случае затруднен.
Как обойти описанные выше сложности? Это возможно, если за основу для разбиения по группам взять не заданный процент, а фиксированный объем продукции в натуральном выражении. Вернемся к нашему примеру. Предположим, мы хотим, чтобы в группу «А» были включены клиенты, чей годовой объем закупок превышает 1000 м, в группу «В» – клиентов с закупками от 100 до 999 м, а в группу «С» – клиентов, покупающих менее 100 м ткани.
Тогда по итогам 2000 г. в группу «А» войдет клиент №1, в группу «В» – клиенты №2 и №3, а в группу «C» – клиент №4. Как видно, этот вариант разбиения клиентов снял проблему невозможности четко определить, в какую группу относится клиент. Также отсутствует проблема «перехода» клиента из одной группы в другую без реального изменения объема продаж. Но возникает ряд других сложностей. В 2001 г. в группу «А» вошли клиенты №1 и №5, в группу «В» – №2, №3 и №4. В 2002 г. в группу «А» попали клиенты №4, №1 и №5, в группу «В» – №3 и №2. Как это повлияло на распределение процентных долей наших групп? Данные представлены в таблице №2.
Таблица №2. Данные по продажам ткани и ранжирование клиентов исходя из фиксированных показателей объема закупок
| 2000 г. | 2001 г. | 2002 г. | ||||||
| Клиент 1 | 3000 | А | Клиент 5 | 10 000 | А | Клиент 5 | 12 000 | А |
| Клиент 2 | 700 | В | Клиент 1 | 3200 | А | Клиент 1 | 3800 | А |
| Клиент 3 | 300 | В | Клиент 2 | 700 | В | Клиент 4 | 1000 | А |
| Клиент 4 | 50 | С | Клиент 3 | 450 | В | Клиент 3 | 800 | В |
| Клиент 5 | 0 | Клиент 4 | 180 | В | Клиент 2 | 700 | В | |
| Всего: | 4050 | 14 530 | 18 300 | |||||
| Процент | Процент | Процент | ||||||
| А | 74% | А | 91% | А | 92% | |||
| В | 25% | В | 9% | В | 8% | |||
| С | 1% |
Вводя фиксированный объем закупок в качестве границ для групп, мы можем увидеть, насколько существенно различается вклад каждой группы из года в год. При этом определение базовых объемов закупок, которые берутся за основу для разделения клиентов на группы, будет критичным для анализа.
Углубленный анализ
Метод, о котором мы рассказали в предыдущем разделе, хорош для быстрого, поверхностного анализа динамики клиентов. Предположим, нам надо посмотреть, как менялась структура клиентов по заданному параметру (например, объем продаж) в течение нескольких лет. Сначала мы проводим анализ последнего года по первому методу, то есть исходя из заданного процента покрытия групп (70:20:10). Потом мы анализируем группу «А» и выбираем базовый объем продаж. В нашем случае в качестве базового периода был принят 2000 год, а исходя из беглого анализа клиентов, мы пришли к выводу, что критичными являются объемы продаж в 1000 и 100 метров.
И, наконец, проводим разбиение с использованием выбранного критического значения нужного параметра по всем годам (в приведенном примере это объем продаж в натуральном выражении). Видно, что группа «А» существенно увеличила свой вклад в объемы продаж фирмы.
Кстати, этот же анализ можно провести с учетом дополнительных параметров «новый клиент», «старый клиент», «потерянный клиент» и «вернувшийся клиент». Но об этом мы расскажем чуть позже. А пока посмотрим, как можно повысить качество ранжирования, если обосновать выбор критических значений.
Мы предлагаем один из самых простых и интуитивно понятных способов решения этой задачи – будем разбивать клиентов с использований квартилей . А сделаем мы это на примере случайной выборки из 22 клиентов компании (данные представлены в группе таблиц №3).
Группа таблиц №3.
А) Исходные данные: продажи по клиентам
| Клиент | Объем покупок (в метрах) |
| 30000 |
| 7000 |
| 5000 |
| 3600 |
| 2300 |
| 1000 |
| 860 |
| 700 |
| 680 |
| 620 |
| 590 |
| 510 |
| 470 |
| 350 |
| 320 |
| 250 |
| 200 |
| 180 |
| 170 |
| 170 |
| 140 |
| 50 |
| Итого | 55160 |
Б) Распределение значений
Интуитивно можно предположить, что пороговыми значениями будет 1000 и 10 000.
Проверим. Вычисляем выбросы по формуле:
Выброс = «Верхний квартиль» + 1,5 * (Верхний квартиль - Нижний квартиль) = 2093,75.
То есть, все числа, превышающие 2093,75, - выбросы.
Нижние выбросы в данном случае нас не интересуют. На практике они часто не учитываются, потому что:
Нижний выборос = Нижний квартиль - 1,5 * (Верхний квартиль - Нижний квартиль) = - 410.
В) Рассматриваем продажи по клиентам, попавшим в верхние выбросы
Г) Итоговое разбиение клиентов
| Группа | Клиент | Продажи | Продажи по группе | Процентная доля |
| А | Клиент 1 | 30000 | ||
| 30000 | 54% | |||
| В | Клиент 9 | 7000 | ||
| Клиент 2 | 5000 | |||
| Клиент 10 | 3600 | |||
| Клиент 17 | 2300 | |||
| 17900 | 32% | |||
| С: | Клиент 3 | 1000 | ||
| Клиент 18 | 860 | |||
| Клиент 11 | 700 | |||
| Клиент 7 | 680 | |||
| Клиент 21 | 620 | |||
| Клиент 8 | 590 | |||
| Клиент 16 | 510 | |||
| Клиент 20 | 470 | |||
| Клиент 19 | 350 | |||
| Клиент 14 | 320 | |||
| Клиент 4 | 250 | |||
| Клиент 12 | 200 | |||
| Клиент 6 | 180 | |||
| Клиент 13 | 170 | |||
| Клиент 16 | 170 | |||
| Клиент 5 | 140 | |||
| Клиент 15 | 50 | |||
| 7260 | 13% |
Несколько пояснений к расчетам. Приведенный список клиентов сортируется по мере уменьшения объемов покупок. После этого для приведенных показателей определяются: среднее значение, медиана, нижний и верхний квартиль . Все эти вычисления можно делать с помощью стандартных функций «КВАРТИЛЬ» и «СРЗНАЧ» в Microsoft Excel.
Если посмотреть на значения из списка бегло, можно предложить разбить клиентов на группы по следующему принципу:
- Группа А – от 10 000 м,
- Группа В – от 1 000 до 9 000,
- Группа С – от 999 и ниже.
Теперь считаем выборосы и получаем, что критическим значением для верхнего выбороса является (округленно) число 2094. Благодаря этому вычислению мы можем для начала разбить клиентов на две группы: в первую попадут те, чей объем покупок выше указанного значения, во вторую - те, чей объем ниже. В приведенном примере первая группа будет обеспечивать 87% всех продаж в натуральном выражении (общая сумма продаж равняется 55 160 метрам, а на первую группу приходится 47 900 из них). Мимоходом заметим, что подобная ситуация характерна для сырьевых рынков и рынков расходных материалов.
Что теперь? Проведение дальнейшего анализа зависит от поставленных задач. В целом можно пойти двумя путями. Можно первую полученную группу назвать группой «А», а оставшуюся часть, при необходимости, разбить еще на две группы - это уже субъективное решение. А можно полученные выбросы опять проанализировать с помощью квартилей, как мы и поступили. В некоторых случаях это дает очень полезные данные. К примеру, в нашем случае был выделен один клиент, чей объем продаж сильно отличается от всех остальных (см. таблицы 3-В и 3-Г).
По итогам анализа мы видим, что в группу «А» вошел только один клиент. Если мы встречаемся с такой ситуацией на практике, мы всегда стараемся понять, откуда взялся такой клиент, который вносит целых 54% в продажи и по сути формирует собой целую группу. Для начала мы советуем обратиться к исходным данным и проверить, нет ли там ошибки.
Но в данном случае все проще. Специфика деятельности взятого нами сырьевого рынка в том, что на нем действительно присутствует небольшая группа клиентов, которая обеспечивает непропорционально высокий вклад в продажи. Отметим, что в данном случае мы имеем дело с небольшой выборкой из 280 клиентов компании, а на самом деле таких крупных заказчиков, как в группе «А», у нее 7 и они обеспечивают 88-процентный вклад в продажи.
Так как анализ с помощью квартилей и выбросов помогает выделить клиентов, чей объем продаж сильно отличается от общей группы, повторный анализ этим методом позволяет определить клиентов, к которым надо относиться ОЧЕНЬ внимательно. На практике мы часто проводим повторный анализ с помощью квартилей, чтобы выделить клиентов в особую группу VIP, которую мы добавляем к традиционным А, В и С.
Теперь пойдем дальше. К настоящему моменту мы осуществляли общий анализ вклада клиентов в продажи. Теперь же рассмотрим выборки клиентов за три года и проанализируем показатели в динамике (данные представлены в группе таблиц №4).
Группа таблиц №4
А) Показатели продаж в динамике, исходные данные
| Клиент | 2000-й г. (м) | 2001-й г. (м) | 2002-й г. (м) |
| Клиент 1 | 30000 | 35000 | 32000 |
| Клиент 10 | 3600 | 2800 | |
| Клиент 11 | 700 | 650 | 8000 |
| Клиент 12 | 200 | 600 | |
| Клиент 13 | 170 | 350 | 240 |
| Клиент 14 | 320 | 2000 | 600 |
| Клиент 15 | 50 | ||
| Клиент 16 | 510 | 600 | 800 |
| Клиент 16 | 170 | 4000 | 7000 |
| Клиент 17 | 2300 | 500 | 410 |
| Клиент 18 | 860 | 710 | 950 |
| Клиент 19 | 350 | 1100 | 980 |
| Клиент 2 | 5000 | 15000 | |
| Клиент 20 | 470 | 800 | 970 |
| Клиент 21 | 620 | 250 | 270 |
| Клиент 22 | 2500 | 3200 | |
| Клиент 23 | 520 | 680 | |
| Клиент 24 | 1700 | 2200 | |
| Клиент 25 | 150 | ||
| Клиент 26 | 270 | 530 | |
| Клиент 27 | 40 | 150 | |
| Клиент 28 | 6800 | 9400 | |
| Клиент 29 | 380 | 570 | |
| Клиент 3 | 1000 | 460 | 980 |
| Клиент 30 | 710 | ||
| Клиент 4 | 250 | 350 | 410 |
| Клиент 5 | 140 | 270 | 250 |
| Клиент 6 | 180 | 560 | |
| Клиент 7 | 680 | 240 | 950 |
| Клиент 8 | 590 | 280 | |
| Клиент 9 | 7000 | 6800 | 9400 |
| Итого | 55160 | 83030 | 84300 |
Примечание. Казалось бы, наблюдается явное несоответствие в группировке клиентов по годам, если мы будем осуществлять ее на основе анализа квартилей по каждому отдельно взятому году. В 2000 году в группу "В" попадет любой клиент, чей объем покупок выше 3000 м, а в 2001 году - те, у кого объем продаж выше 4000 м. Но это лишь на первый взгляд.
Для начала проверим адекватность разбиения клиентов по группам. Для этого проведем описанный выше анализ для каждого года отдельно.
Б) Квартили и выбросы: анализ по годам
В) Ранжирование по группам
| Клиент | 2000-й г. | Группа | 2001-й г. | Группа | 2002-й г. | Группа |
| Клиент 1 | 30000 | А | 35000 | А | 32000 | А |
| Клиент 9 | 7000 | В | 6800 | В | 9400 | В |
| Клиент 28 | 6800 | В | 9400 | В | ||
| Клиент 11 | 700 | С | 650 | С | 8000 | В |
| Клиент 16 | 170 | С | 4000 | В | 7000 | В |
| Клиент 22 | 2500 | С | 3200 | С | ||
| Клиент 10 | 3600 | В | 2800 | С | ||
| Клиент 24 | 1700 | С | 2200 | С | ||
| Клиент 19 | 350 | С | 1100 | С | 980 | С |
| Клиент 3 | 1000 | С | 460 | С | 980 | С |
| Клиент 20 | 470 | С | 800 | С | 970 | С |
| Клиент 18 | 860 | С | 710 | С | 950 | С |
| Клиент 7 | 680 | С | 240 | С | 950 | С |
| Клиент 16 | 510 | С | 600 | С | 800 | С |
| Клиент 23 | 520 | С | 680 | С | ||
| Клиент 14 | 320 | С | 2000 | С | 600 | С |
| Клиент 29 | 380 | С | 570 | С | ||
| Клиент 6 | 180 | С | 560 | С | ||
| Клиент 26 | 270 | С | 530 | С | ||
| Клиент 17 | 2300 | В | 500 | С | 410 | С |
| Клиент 4 | 250 | С | 350 | С | 410 | С |
| Клиент 21 | 620 | С | 250 | С | 270 | С |
| Клиент 5 | 140 | С | 270 | С | 250 | С |
| Клиент 13 | 170 | С | 350 | С | 240 | С |
| Клиент 27 | 40 | С | 150 | С | ||
| Клиент 2 | 5000 | В | 15000 | В | ||
| Клиент 30 | 710 | С | ||||
| Клиент 12 | 200 | С | 600 | С | ||
| Клиент 8 | 590 | С | 280 | С | ||
| Клиент 25 | 150 | С | ||||
| Клиент 15 | 50 | С |
Г) Вклад каждой группы в продажи:
| 2000-й г. | 2001-й г. | 2002-й г. | |
| Итоговый объем продаж | 55160 | 83030 | 84300 |
| Кол-во клиентов | 22 | 28 | 25 |
| 2507,273 | 2965,357 | 3372 | |
| Группа А | |||
| 30000 | 35000 | 32000 | |
| 54% | 42% | 38% | |
| Кол-во клиентов | 1 | 1 | 1 |
| В % от всех клиентов | 5% | 4% | 4% |
| Средний объем продаж в пересчете на 1 клиента | - | - | - |
| - | - | - | |
| Коэффициент вариации | - | - | - |
| Группа В | |||
| Объем продаж по группе за год | 17900 | 32600 | 33800 |
| В % от итогового объема продаж | 32% | 39% | 40% |
| Кол-во клиентов | 4 | 4 | 4 |
| В % от всех клиентов | 18% | 14% | 16% |
| Средний объем продаж в пересчете на 1 клиента | 4475 | 8150 | 8450 |
| S (стандартное отклонение в данной группе) | 2012,254 | 4753,595 | 1170,47 |
| Коэффициент вариации | 45% | 58% | 14% |
| Группа С | |||
| Объем продаж по группе за год | 7260 | 15430 | 18500 |
| В % от итогового объема продаж | 13% | 19% | 22% |
| Кол-во клиентов | 17 | 23 | 20 |
| В % от всех клиентов | 77% | 82% | 80% |
| Средний объем продаж в пересчете на 1 клиента | 427,0588 | 670,8696 | 925 |
| S (стандартное отклонение в данной группе) | 1013,346 | 613,4471 | 840,0407 |
| Коэффициент вариации | 237% | 91% | 91% |
Что мы сделали? В качестве исходных данных для анализа мы снова взяли реальные показатели продаж тканей за три года. Если информация о покупках для некоторых клиентов за какой-то год отсутствует, это означает, что в этот период они не купили ничего.
В таблице №4-Б представлены данные анализа клиентов по квартилям и разбросам за каждый год отдельно. Что можно сказать о динамике продаж без анализа новых, старых, упущенных и вернувшихся клиентов? Если посмотреть на объемы продаж, то мы видим резкий рост в 2001 году по сравнению с 2000, и примерно один и тот же уровень в 2002. Но если сравнить выбросы №1 и №2 за три года, мы видим, что их динамика отличается от общей динамики продаж. Это говорит о значительных изменениях в структуре клиентов компании (выбросы №2 в первом и третьем периоде практически одинаковы, а во втором – резко повышаются).
Если работать с таким относительно небольшим диапазоном данных, как в данном примере, такую тенденцию легко обнаружить невооруженным взглядом, даже без анализа динамики квартилей. Но если список клиентов исчисляется сотнями, то можно использовать рекомендованными нами несложный подход, чтобы быстро оценить внутренние изменения клиентской базы за разные периоды.
Данные в таблице №4-Г интересно рассмотреть более детально. Из нее мы видим, что для данного примера в группу «А» входит только 1 клиент. Это нетипичная ситуация, и как объяснялось ранее, она возникла потому, что мы используем выборки из реальных данных сырьевого предприятия, а также разбиваем клиентов на группы с помощью повторного анализа выбросов. Если такая ситуация возникает на практике, то такого клиента (или очень малое число клиентов, значительно превосходящих по объемам продаж основную группу), полезно рассматривать отдельно, к чему мы еще вернемся.
Кроме того, из таблицы №4-Г можно заключить, что вклад группы «В» в общий объем продаж постепенно растет, хотя динамика последних двух лет незначительна, а количество клиентов не меняется. Повышается и средний размер покупки, хотя и здесь в два последние периода рост незначителен.
Если посмотреть на значения стандартного отклонения и коэффициента вариации, мы можем сделать вывод, что в 2002 году группа «В» по объему покупок достаточно гомогенна, а в 2001 году разброс объема продаж внутри группы наиболее выражен. Из этого мы можем сделать два предположения: либо мы имеем дело с различными сегментами клиентов, либо мы имеем дело с различной эффективностью работы нашей компании с этой группой клиентов. Забегая вперед, скажем, что для того, чтобы сделать окончательный вывод, нужно проводить несколько иной вид анализа, который мы рассмотрим позже.
В группе «С» ситуация иная. Внутри этой группы наблюдается значительный разброс по показателям продаж. С одной стороны, это может говорить о том, что разбиение клиентов на группы выполнено неверно. Но если мы уверены в корректности ранжирования, мы можем констатировать, что клиенты данного сегмента значительно разнятся между собой. Динамика по ее вкладу в продажи положительна, но с количеством клиентов такой четкой зависимости нет.
Итак, для наиболее полного анализа клиентов полезно совместить все три описанных выше подхода: первый – на основе заданного процентного вклада в группу, второй – на основе заданного вклада в абсолютном выражении, третий – на основе анализа распределения с использованием квартилей. Не вдаваясь в подробности, скажем лишь, что последний вариант разбиения клиентов хорошо подходит для относительного анализа динамики клиентов, но не может быть использован для отнесения клиентов в группы для того, чтобы использовать их как индикаторы «значимости» клиентов.
Нужно учитывать, что повторный анализ выбросов может сформировать очень небольшую группу клиентов. Тогда ее полезно выделить в отдельную группу VIP, а разбиение оставшейся части делать немного по-другому. Обычно, когда повторный анализ выбросов дает группу из очень небольшого числа клиентов, то структура продаж будет очень неоднородной. Этих клиентов стоит рассматривать отдельно и анализировать, почему возникла такая ситуация. Очень часто это может говорить о том, что компания «доросла» до нового этапа – для работы с очень крупными заказчиками и эта группа VIP сильно отличается от всех прошлых клиентов.
Возможны, конечно, и другие варианты. В общем случае, еще раз повторимся, эту группу надо рассматривать отдельно. Тогда на данном этапе у нас получатся только две основные группы. Первая – группа «А», которую мы выделили исходя из анализа выбросов первый раз. Чтобы «разбить» оставшуюся «внизу» группу на две части, полезно посмотреть, какой вклад в продажи вносит уже готовая группа «А». Если группа «А» занимает в структуре продаж больше 70%, то полезно пытаться разбить оставшуюся группу так, чтобы клиенты «В» занимали от 20 до 25%.
Тут возникает проблема, которой мы пока не касались. Предположим, у Вас есть список:
- Клиент 1 – 800
- Клиент 2 – 750
- Клиент 3 – 600
- Клиент 4 – 550
- Клиент 5 – 500
- Клиент 6 – 450
- И т.д.
В такой ситуации разница между каждой парой клиентов очень невелика. И если мы скажем, что клиенты с 1 по 3 – это группа «В», а ниже – «С», то будет неясна разница между клиентом 4 и 3. Почему 4-й это уже группа «С», а 3-й еще «В»? Проблема действительно серьезная, потому что предполагается, что разбиение клиентов осуществляется не просто так. К тому же, разделив клиентов на группы, вы будете по разному к ним относиться и предлагать им разные условия работы. Возможный выход из ситуации – введение в анализ дополнительных данных по клиентам. В общем виде эти данные должны исходить из отдела маркетинга и представлять критерии разбиения клиентов на сегменты.
Очень часто полезен и такой подход. В качестве дополнительных двух критериев вы можете ввести потенциальный объем потребления клиентом вашего товара (за оцениваемый период) и его отраслевую принадлежность. Этот вариант особенно хорош, если вы занимаетесь продажами сырья или расходных материалов, то есть продукции, которую один и тот же клиент использует постоянно в своем производстве. Тогда менеджеры компании могут оценивать ориентировочные объемы продаж по данному клиенту, а кроме того – они довольно точно могут указать их отрасль.
Введение этих двух дополнительных параметров имеет ограничение: если каждый менеджер по продажам работает с сотнями клиентов, то получение подобной информации затруднительно. Как вариант, можно попросить их указать данные по потенциальным объемам продаж только для тех клиентов, которые могут покупать много, но в реальности покупают у вас мало. Но это уже несколько другой анализ.
На самом деле есть большая вероятность, что после разбиения клиентов на группы по признаку УЖЕ СОВЕРШИВШИХСЯ ПРОДАЖ – будь то прибыль, оборот в денежном или натуральном выражении, - вы совершаете одну большую неточность. Ведь среди ваших клиентов есть группа, которая у вас покупает МАЛО, но РЕАЛЬНО потребляет много. Этот особенно характерно для тех отраслей, где возможности дифференциации по продуктам низки, например, тех же сырьевых.
Чем выше степень коммодизации сырья, тем проблема актуальнее. К примеру, если вы торгуете биржевым товаром, то подобная проблема стоит особенно остро. В связи с этим мы рекомендуем все-таки проводить подобный анализ, где в качестве критерия анализа выступает степень покрытия потребности клиента вашей продукцией. В рамках такого анализа для каждого клиента необходимо высчитать коэффициент, который получается путем деления объема продаж вашей продукции этому клиенту на общую потребность клиента в этой продукции.
Пример. Допустим, вы продаете бумагу для типографий. Если вы продали типографии 100 тонн бумаги в год, а ее потребность – 1000 тонн в год, то коэффициент покрытия равен 0,1. То есть, вы обеспечиваете клиенту 10% его потребности в продукции. Почему так? Об этом стоит подумать. Возможно, этот клиент представляет не основной целевой сегмент компании (тогда стоит проанализировать перспективы выхода в этот сегмент), а может быть, это показатель неэффективной работы службы продаж.
Очень часто при проведении такого анализа возникает проблема – где взять данные о реальных потребностях клиентов? На это вопрос ответим кратко: если в вашем отделе продаж работают профессионалы, они ДОЛЖНЫ знать реальные потребности своих клиентов. Точка.
Обобщим вышесказанное. На первом этапе АВС-анализа необходимо выбрать критерии для оценки. Это может быть один простой критерий (например, прибыль) или же некий обобщенный показатель. Какие критерии делать базой для анализа, решать только вам. Но именно от этого будет зависеть практическая полезность выводов, сделанных в результате итогового анализа.
Например, в ситуациях, когда менеджеры по продажам получают фиксированный процент от оборота, а для компании важна краткосрочная прибыль, те оценки значимости клиентов, которые дают менеджеры, могут не соответствовать целям организации. Часто бывает, что менеджеру важно просто заключить как можно больше контрактов и он будет давить и давить на руководство, требуя возможности снижения цен, предоставления отсрочек и т.д. Не вдаваясь в дискуссии на тему того, насколько приемлема эта ситуация, отметим: в таком случае может быть полезно проведение анализа клиентов на основе критерия «прибыль». Во-первых, это поможет лучше понять, к каким клиентам действительно нужно менять отношение (не полагаясь на субъективное мнение менеджеров). Во-вторых, это может стать фундаментом для разработки мотивационной схемы оплаты труда менеджеров, которая будет лучше подходить целям фирмы.
Как мы уже отметили, что у маркетологов также есть возможность использовать некий интегральный критерий ценности клиента, включающий в себя все другие. Предположим, нужно одновременно учесть и прибыль, и оборот, и скорость возврата дебиторской задолженности. Для этого следует присвоить каждому критерию свой весовой коэффициент и ввести для расчетов обобщенный показатель.
Приступая ко второму этапу анализа , важно понимать, что вы хотите получить на выходе. Если нужно проанализировать данные за один период, то достаточно воспользоваться простым процентным методом. Дополнительный анализ распределения показателей внутри каждой группы используйте для самопроверки, он позволит увидеть, насколько грамотно выбраны проценты разбиения долей.
Как бы то ни было, одна лишь эта группировка вряд ли даст вам сколько-нибудь значимые результаты, которые можно применить на практике. Поэтому анализ одного периода необходимо дополнить таким же анализом по степени покрытия клиентов, а также провести оценку в разрезе отрасли и менеджеров. В итоге, простой процентный анализ должен быть дополнен еще тремя-четырьмя.
В целом мы можем говорить о том, что в рамках АВС-анализа есть несколько необходимых видов ранжирования:
- Обобщенный анализ, процентный метод. Вы смотрите несколько вариантов группировок – 75%, 20%, 5%. 80, 15, 5. 70, 25, 5 и т.д. вплоть до 80, 20. Анализ распределения и вариативности каждой группы а также обычный здравый смысл подскажет вам, какой вариант наиболее соответствует вашей ситуации. Результаты устраивают? Прекрасно. Тогда не надо больше тратить на это время. Есть потребность в более глубоком анализе данных? Идем дальше.
- Попробуйте ввести параметр «Отрасль». Посмотрите, есть ли отрасли, которые попадают только в группу «С»? Только в «А»? Над этим стоит подумать. Такого нет? Все отрасли распределены примерно одинаково? А грамотно ли вы дифференцируетесь? Сделайте анализ для каждой отрасли отдельно.
- Можно ввести параметр «Менеджер». Есть ли менеджеры, чьи продажи сосредоточены только в группе «С»? Только в «А»? Обдумайте это. Такой зависимости нет? Проведите анализ для каждого менеджера отдельно. Сделайте для всех такую же группировку клиентов по группам, какую вы уже делали для каждой отрасли. Это поможет проверить, насколько приоритеты, которые расставляют менеджеры для своих клиентов, соответствуют целям компании.
- Все еще недостаточно данных? Сделайте все эти анализы для процента покрытия потребностей клиентов. Для этого попросите менеджеров оценить клиентов данного периода по уровню потребности в товаре, подобном вашему. (Или используйте доступные базы данных).
- Если же Вы хотите посмотреть динамику клиентов, то для начала сделайте описанный выше общий анализ для каждого периода. Динамика средних, количества клиентов, вклада каждой группы и коэффициента вариации может многое сказать о том, как меняются ваши продажи.
- Если вы хотите пойти более глубоко, анализ вариативности можно сделать для отраслей и менеджеров, или и для отрасли и для менеджера вместе. К примеру, вы сможете увидеть, что большинство клиентов из отрасли «Х» входят в группу «А». Но из этой отрасли есть клиенты, которые попали в группу «С». Может быть, с ними работает какой то конкретный человек?
- Есть и более логичный подход – стройте распределения не на основе процентного метода, а на основе заданного общего для всех периодов количества проданной продукции в натуральном выражении (можно использовать значения, приведенные в денежном выражении, но у них есть свой недостаток – замучаетесь с поправками на инфляцию, курсы валют и т.п.). Здесь вы выбираете для каждой группы клиентов некое критическое значение, превышение которого позволяет отнести клиента к заданной группе.
Будьте осторожны с выбором порогов. Например, если вы относите к группе «А» клиентов, чей объем продаж за год превысил 100 единиц чего-либо, в группу «В» - купивших от 10 до 99 единиц, а в группу «С» - купивших менее 10, вам может быть довольно сложно объяснить, почему клиент с объемом 99 единиц – это группа «В», а с объемом 100 – уже «А».
Что делать? Для начала подойдет такой путь. Возьмите за основу для анализа данные за первый из рассматриваемых периодов (то есть, если вы хотите проанализировать продажи за пять лет – 2001, 2002, 2003, 2004 и 2005, - начните с 2001 года). Попробуйте проанализировать эти данные описанными выше методами (процентным и с помощью квартилей). Ваша цель – выявить критические точки для разбиения клиентов по группам. Помните, что, если вы воспользуетесь квартилями, это поможет вам разбить клиентов на две группы. Верхнюю группу полезно обозначить как «А», а оставшихся клиентов разбить вручную на «В» и «С».
Есть и другой вариант. Посмотрите на порядок значений, определяющих покупки самого крупного клиента. Предположим это 567.300 единиц продукции. Далее постройте ориентировочную гистограмму продаж. Если клиентов с объемами одного порядка – в данном случае от 100 000 и выше – будет хотя бы 5-10%, это будет группа «А». Далее ищите клиентов, чья объемы на порядок ниже. В данном случае это от 10 000 до 99 000. Если количество таких клиентов будет от 50 до 80%, перед вами группа «В». Оставшиеся клиенты будут составлять группу «С».
- После определения критических значений для разбиения клиентов по группам, проведите анализ по всем рассматриваемым периодам , а также для каждого клиента укажите отрасль и менеджера, с которым он работает. Помимо этого, введите еще одну характеристику для каждого клиента за все периоды: «новый клиент», «старый клиент», «упущенный клиент» (если в течение одного из периодов он не сделал ни одной покупки) и «вернувшийся клиент».
Для каждого периода также подсчитайте общий объем покупок, средний объем покупок, количество клиентов и коэффициент вариации. Проделайте то же самое для каждой группы в каждый период. При всей кажущейся сложности, даже при использовании обычной офисной программы Excel, эти операции занимают не так уж много времени. В итоге у вас должна получиться таблица, похожая на таблицу №5.
Таблица №5: сводная (пример)
| Продукт | 2000 | 2001 | 2002 | 2003 | 2004 | 2005 | 2005vs2004 |
| Метраж (вес и т.д.) | |||||||
| Общее кол-во кл-в | |||||||
| Сред | |||||||
| S | |||||||
| Коэф. Вар-ции | |||||||
| Клиенты А | |||||||
| Метраж (вес и т.д.) | |||||||
| Кол-во | |||||||
| % веса от общего | |||||||
| % клиентов | |||||||
| Сред | |||||||
| S | |||||||
| Коэф. Вар-ции | |||||||
| Клиенты В | |||||||
| Метраж (вес и т.д.) | |||||||
| Кол-во | |||||||
| % веса | |||||||
| % клиентов | |||||||
| Сред | |||||||
| S | |||||||
| Коэф. Вар-ции | |||||||
| Клиенты C | |||||||
| Метраж (вес и т.д.) | |||||||
| Кол-во | |||||||
| % веса | |||||||
| % клиентов | |||||||
| Сред | |||||||
| S | |||||||
| Коэф. Вар-ции | |||||||
| Динамика клиентов | |||||||
| Новые | |||||||
| Старые | |||||||
| Ушедшие | |||||||
| Динамика А | |||||||
| Новые А | |||||||
| Ушедшие А (по предыдущему году) | |||||||
| Старые А | |||||||
| Динамика В | |||||||
| Новые В | |||||||
| Ушедшие В (по предыдущему году) | |||||||
| Старые В | |||||||
| Динамика С | |||||||
| Новые С | |||||||
| Ушедшие С (по предыдущему году) | |||||||
| Старые С | |||||||
| Рост | |||||||
| CA | |||||||
| CB | |||||||
| BA | |||||||
| Падение | |||||||
| AB | |||||||
| AC | |||||||
| BC | |||||||
| Неизм | |||||||
| АА | |||||||
| BB | |||||||
| CC |
Пояснения к таблице:
1. В поле, которое здесь названо «метраж», вы указываете объем покупок всех клиентов в натуральном выражении (это может быть кол-во единиц продукции в штуках, в тоннах, кг, метрах и т.д.)
2. Для каждого периода указываете общее количество клиентов, средний объем покупки одного клиента, стандартное отклонение и коэффициент вариации.
3. Проделываете то же самое для каждой группы отдельно.
4. В полях «динамика» указываете движение клиентов по каждой группе (какое количество клиентов в данной группе пришло, ушло, было потеряно или было возвращено). При желании эти данные можно дополнить информацией по объемам продаж. Это даст возможность увидеть, насколько вы удерживаете клиентов.
5. В полях «рост», «падение» и «неизм» вы указываете движение клиентов из группы в группу. В данном случае рассматриваются ТОЛЬКО старые клиенты по сравнению с прошлым годом. Здесь вы получаете информацию о том, как происходит изменение в динамике объема покупок клиентами, которые остаются с вами на протяжении хотя бы двух лет. По сути, эти поля являются более детальным анализом клиентов, формирующих поле «Старые» в полях «динамика».
Такие же таблицы можно сделать отдельно по отраслям и по менеджерам, а также по тем и другим одновременно. Помимо них, можно использовать любые макро- и микро-показатели, которые вы сочтете нужным – от географии клиентов до степени целевого использования продукции. Кроме того, полезно провести анализ покрытия потребности клиентов за каждый год. Единственное, что здесь клиентами группы «А» будут те, у кого коэффициент покрытия минимальный, ведь именно на них надо обратить пристальное внимание. По сути, дальнейшие действия полезно проводить совместно начальнику отдела продаж и начальнику отдела маркетинга.
Так, из полученных данных можно делать выводы о грамотности сегментирования клиентов или же искать группы клиентов, схожих между собой для проведения сегментации. Кроме этого можно смотреть на эффективность работы фирмы по отраслям, географии и любому другому признаку, а также проводить совместный анализ. Отдельный анализ по группам позволит понять динамику крупных, средних и мелких клиентов, а анализ новых и старых поможет увидеть более реальную картину происходящего. Логику возможных расчетов мы приводим в еще одном примере (группа таблиц №6).
Таблица №6
А) Сводная таблица продаж в динамике с разбивкой по отраслям, менеджерам и категориям клиентов
| Клиент | Отрасль | Менеджер | 2004 | 2005 | NDOR | АВС 04-05 |
| 1 | 1 | м1 | 194 800 | N | -A | |
| 2 | 1 | м1 | 80 500 | N | -B | |
| 3 | 1 | м1 | 16 500 | 37 400 | O | BB |
| 4 | 2 | м1 | 25 | 19 325 | O | CB |
| 5 | 2 | м1 | 10 000 | 18 750 | O | BB |
| 6 | 2 | м2 | 16 800 | 18 500 | O | BB |
| 7 | 3 | м2 | 4 000 | 17 875 | O | CB |
| 8 | 3 | м3 | 1 125 | 17 825 | O | CB |
| 9 | 3 | м3 | 17 000 | N | -B | |
| 10 | 4 | м3 | 25 | 16 900 | O | CB |
| 11 | 4 | м3 | 400 | 14 700 | O | CB |
| 12 | 4 | м2 | 10 004 | 12 150 | O | BB |
| 13 | 5 | м4 | 400 | 10 500 | O | CB |
| 14 | 5 | м4 | 10 400 | N | -B | |
| 15 | 5 | м4 | 50 | 9 775 | O | CB |
| 16 | 6 | м4 | 9 500 | N | -B | |
| 17 | 6 | м1 | 1 500 | D | C- | |
| 18 | 6 | м2 | 1 100 | 6 350 | O | CC |
| 19 | 7 | м3 | 575 | 6 000 | O | CC |
| 20 | 7 | м4 | 5 000 | N | -C | |
| 21 | 7 | м1 | 5 900 | 4 650 | O | CC |
| 22 | 7 | м2 | 6 750 | 4 000 | O | CC |
| 23 | 7 | м3 | 4 000 | N | -C |
Пояснения.
- В первом столбце вместо порядковых номеров вы проставляете названия клиентов, во втором – название отрасли, к которой клиент относится, в третьей – имя менеджера, который работает с данным клиентом.
- Четвертый и пятый столбцы в данном случае отводятся под значения оборота в натуральном выражении за соответствующий период.
- Обозначения в шестом столбце: N – новый клиент (new), D – упущенный клиент (disappeared), O – старый клиент (old), R – возвращенный клиент (returned).
- Седьмой столбец – динамика клиентов за два года по группам.
Б) Сравнительный анализ отраслей:
(отражает количество клиентов в каждой группе по каждой отрасли)
В) Сравнительный анализ работы менеджеров:
(отражает количество клиентов каждой группы у каждого менеджера)
| м1 | м2 | м3 | м4 |
| А-1 | |||
| B-4 | В-3 | В-4 | В-2 |
| С-1 | С-2 | С-2 | С-3 |
Г) совмещенный анализ по менеджерам и отраслям:
(отражает, какие группы клиентов есть у данного менеджера в данной отрасли)
- в разрезе менеджеров
| Менеджер | N | O | D | R |
| м1 | 2 | 4 | 1 | |
| м2 | 5 | |||
| м3 | 2 | 4 | ||
| м4 | 3 | 2 |
Как видно на приведенным примере, из данных таблицы №6-А можно получить еще три распределения. К этой информации можно добавить не просто количество клиентов, а количество клиентов разбитых по группам. Скажем, потеря клиента «С» намного менее значима, чем потеря клиента «А». То же и для привлечения: если менеджер привлек клиента в группу «А», это намного лучше, чем если он привлек клиента в группу «С».
Существенный вопрос - миграция клиентов между группами. В частности, полезно посмотреть, насколько менеджеры повышают покрытие клиентов. Если клиент был в группе «С», а попал в группу «А», менеджер сработал хорошо. Но это только в том случае, если повысился коэффициент покрытия потребностей клиентом.
Пример. В 2004 году клиент покупал у вас 100 единиц продукции и был в группе «С», а его потребность составляла 1000 метров. В следующем году он стал приобретать у вас 1000 единиц продукции и попал в группу «А», но при этом и его потребность повысилась до 10000 единиц. Говорит ли рост сбыта об эффективной работе с клиентом, - большой вопрос. Скорее всего, он стал покупать больше вовсе не благодаря хорошей работе менеджера.
Что еще? Результаты данного анализа можно использовать для установления конкретных целевых задач для каждого менеджера по удержанию клиентов в разных группах, по привлечению и возвращению утерянных клиентов. Также эти задачи можно конкретизировать в разрезе отраслей, регионов и т.п. Подобный подход можно использовать и для распределения клиентов между менеджерами. Может быть, Вы обнаружите, что тот или иной менеджер показывает низкую эффективность работы с отраслью «Х», но очень высокую в отрасли «Z». Или же один менеджер «работает» на привлечении новых клиентов, которые быстро уходят, а другой – на удержании старых, но не привлекает новых.
Так или иначе, мы надеямся, что описанный здесь методологический подход будет полезен Вам.
Или любого другого, который будет принят как базовый.
Квартиль - граница на шкале измеряемого показателя, отделяющая 25% испытуемых от общей выборки. Различаются три квартиля: Q1 - первые 25%, Q2 - 50% (медиана), Q3 - 75%.
При желании можно провести стандартный анализ разброса данных, но об этом – ниже.
Рассчитывается как стандартное отклонение, поделенное на среднее отклонение.
Это инструмент, который позволяет изучить товарный ассортимент , определить рейтинг товаров по указанным критериям и выявить ту часть ассортимента,
которая обеспечивает максимальный эффект.
Ассортимент обычно анализируется по двум параметрам: объем продаж (реализованное количество) и получаемая прибыль (реализованная торговая наценка). АВС- анализ основан на правиле Парето , согласно которому 20% ассортиментных позиций обеспечивает 80% прибыли.
Практика показывает, что 10% позиций ассортимента (группа А) дают 80% товарооборота; 15% позиций ассортимента (группа В) дают 15% товарооборота; 75% позиций ассортимента (группа С) дают 5% товарооборота.
Учитывая это, весь ассортимент торгового предприятия можно разделить на группы по степени важности.
- Группа А – очень важные товары, которые всегда должны присутствовать в ассортименте. Если в качестве параметра в анализе использовался объем продаж, то в данную группу входят лидеры продаж по количеству. Если в качестве параметра в анализе использовалась торговая наценка, то в данную группу входят наиболее прибыльные товары.
- Группа В – товары средней степени важности.
- Группа С – наименее важные товары, это претенденты на исключение из ассортимента и товары-новинки.
Первым этапом проведения АВС- анализа является определение целей. Если целью является сокращение ассортимента, то в качестве основных параметров выбирается объем продаж, прибыль. Если целью является выявление и сокращение затрат на поддержание запасов, то в качестве основных параметров выбирается коэффициент оборачиваемости, объем неликвидов и занимаемая складская мощность. Если требуется исследовать рентабельность, то в качестве основного параметра выбирается коэффициент оборачиваемости, уровень рентабельности. Данные АВС-анализа помогают оптимизировать товарный ассортимент.
При всех многочисленных плюсах этого вида анализа существует один значительный минус: данный метод не позволяет оценить сезонные колебания спроса на товары.
XYZ анализ
XYZ–анализ - это инструмент, позволяющий разделить продукцию по степени стабильности продаж и уровня колебаний потребления .
Метод данного анализа заключается в расчете каждой товарной позиции коэффициента вариации или колебания расхода. Этот коэффициент показывает отклонение расхода от среднего значения и выражается в процентах.
В качестве параметра могут быть: объем продаж (количество), сумма продаж, сумма реализованной торговой наценки. Результатом XYZ –анализа является группировка товаров по трем категориям, исходя из стабильности их поведения:
- Категория Х, в которую попадают товары с колебанием продаж от 5% до 15%. Это товары, характеризующиеся стабильной величиной потребления и высокой степенью прогнозирования.
- Категория Y, в которую попадают товары с колебанием продаж от 15% до 50%. Это товары, характеризующиеся сезонными колебаниями и средними возможностями их прогнозирования.
- Категория Z, в которую попадают товары с колебанием продаж от 50% и выше. Это товары с нерегулярным потреблением и непредсказуемыми колебаниями, поэтому, спрогнозировать их спрос невозможно.
Совмещенный АВС/XYZ анализ
Сочетание АВС и XYZ анализов выявляет безусловных лидеров (группа АХ) и аутсайдеров (СZ). Оба метода хорошо дополняют друг друга. Если АВС-анализ позволяет оценить вклад каждого продукта в структуру сбыта, то XYZ–анализ позволяет оценить скачки сбыта и его нестабильность. Рекомендуется делать совмещенный анализ, где в АВС-анализе используются два параметра - объем продаж и прибыль.
Всего при проведении такого многомерного совмещенного анализа получается 27 групп товаров. Результаты такого анализа можно использовать для оптимизации ассортимента, оценки рентабельности товарных групп , оценки логистики, оценки клиентов оптовой компании .
Преимущества совмещенного АВС и XYZ – анализов
Использование совмещенного АВС и XYZ-анализов
имеет ряд значительных преимуществ, к которым можно отнести следующие:
- повышение эффективности системы управления товарными ресурсами ;
- повышение доли высокоприбыльных товаров без нарушения принципов ассортиментной политики;
- выявление ключевых товаров и причин, влияющих на количество товаров, хранящихся на складе;
- перераспределение усилий персонала в зависимости от квалификации и имеющегося опыта.
Формирование показателей ABC- И XYZ-анализов
Перед тем как совместить показатели ABC- И XYZ-анализов, необходимо провести ABC-анализ товаров по сумме полученного дохода или по количеству реализованной продукции за определенный учетный период, например, за год.
Затем осуществляется XYZ-анализ этих товаров за этот же период, например, по количеству ежемесячной реализации за год. После этого результаты совмещаются.
При совмещении определяется девять групп товаров:
| AX |
BX |
CX |
| AY |
BY |
CY |
| AZ |
BZ |
CZ |
Выделение девяти групп товаров при совмещенном АВС и XYZ-анализе
1) Товары групп А и В обеспечивают основной товарооборот компании , поэтому необходимо обеспечивать постоянное их наличие.
Как правило, по товарам группы А создается избыточный страховой запас, а по товарам группы В - достаточный.
Использование XYZ-анализа позволяет точнее настроить систему управления товарными ресурсами и за счет этого снизить суммарный товарный запас.
2) Товары группы АХ и ВХ отличает высокий товарооборот и стабильность. Необходимо обеспечить постоянное наличие товара, но для этого не нужно создавать избыточный страховой запас. Расход товаров этой группы стабилен и хорошо прогнозируется.
3) Товары группы AY и BY при высоком товарообороте имеют недостаточную стабильность расхода, и, как следствие, для того чтобы обеспечить постоянное наличие, нужно увеличить страховой запас.
4) Товары группы AZ и BZ при высоком товарообороте отличаются низкой прогнозируемостью расхода. Попытка обеспечить гарантированное наличие по всем товарам данной группы только за счет избыточного страхового товарного запаса приведет к тому, что средний товарный запас компании значительно увеличится. Поэтому по товарам данной группы следует пересмотреть систему заказов:
- перевести часть товаров на систему заказов с постоянной суммой (объемом) заказа;
- обеспечить по части товаров более частые поставки;
- выбрать поставщиков, расположенных близко к складу, тем самым снизив сумму страхового товарного запаса;
- повысить периодичность контроля;
- поручить работу с данной группой товаров самому опытному менеджеру компании и т. п.
5) Товары группы С составляют до 80% ассортимента компании. Применение XYZ-анализа позволяет сильно сократить время, которое менеджер тратит на управление и контроль над товарами данной группы
6) По товарам группы СХ можно использовать систему заказов с постоянной периодичностью и снизить страховой товарный запас.
7) По товарам группы CY можно перейти на систему с постоянной суммой (объемом) заказа, но при этом формировать страховой запас, исходя из имеющихся у компании финансовых возможностей.
8) В группу товаров CZ попадают все новые товары, товары спонтанного спроса, поставляемые под заказ и т. п. Часть этих товаров можно безболезненно выводить из ассортимента, а другую часть нужно регулярно контролировать, так как именно из товаров этой группы возникают