Таблица эластичности спроса показывает, на сколько процентов вырастут продажи продукта при каждом проценте снижения цены. Ниже — практический разбор: как построить такую таблицу по данным корпоративной системы, как её читать и какие ошибки в расчете прироста продаж чаще всего допускают производители FMCG при оценке эффективности промо.
Таблица эластичности спроса: практический анализ
Что такое эластичность спроса
Эластичность спроса по цене — это мера того, насколько объем продаж реагирует на изменение цены. В повседневной практике трейд-маркетинга и планирования продаж под эластичностью понимают более прикладную вещь: соотношение процента снижения цены и процента прироста продаж на конкретной паре «продукт — торговая точка».
Такая зависимость всегда локальна. Один и тот же продукт в разных сетях и даже в разных магазинах одной сети реагирует на скидку по-разному: различаются трафик, конкурентное окружение, уровень регулярной цены на полке и поддержка акции. Поэтому «универсальной» эластичности не существует — таблицу приходится строить на собственных данных отгрузок.
Собранная в виде таблицы, эта зависимость становится рабочим инструментом: по ней планируют глубину скидки, прогнозируют объем под акцию и оценивают, окупится ли промо. Базовое определение самой акции разобрано в отдельном материале — что такое ценовая промоакция. Дальше мы исходим из того, что термин уже знаком.
С чего начать: данные корпоративной системы
Когда компания впервые проводит оценку эффективности промо, единственным источником информации становится корпоративная информационная система (КИС), которая фиксирует все операции, связанные с продажами. Но, с одной стороны, содержащейся в ней информации недостаточно, так как данные о поддержке промоактивностей, как правило, отсутствуют. С другой стороны, за неимением иного даже стандартные данные КИС помогут сделать первый шаг.
Пример: консервированные яблоки в супермаркете «Лето»
Компания ISOtope поставляет консервированные яблоки в супермаркет «Лето», регулярно проводит ценовые промоакции, снижая цену на яблоки для увеличения объема продаж. Процент снижения цены в нашем примере будет варьироваться от 10 до 50%. Это позволит нам построить кривую эластичности на достаточно широком интервале. Так как данные о датах проведения промо и их поддержке в явном виде в КИС отсутствуют, любое снижение цены, превышающее 5%, мы будем считать промоакцией.
Пусть продажи (отгрузки компании ISOtope в супермаркет «Лето») за месяц выглядели так:
Таблица 1. Цена и объем продаж консервированных яблок в течение первого месяца
Рис. 1. Цена и объем продаж консервированных яблок в течение первого месяца
В следующем месяце скидки были другие, и продажи выглядели так:
Таблица 2. Цена и объем продаж консервированных яблок в течение второго месяца
Рис. 2. Цена и объем продаж консервированных яблок в течение второго месяца
На основании имеющихся данных можно построить зависимость процента прироста продаж от процента скидки. Полученная Таблица 3 и называется таблицей эластичности. Она применима для конкретного продукта (консервированных яблок ISOtope) в конкретном магазине (супермаркете «Лето»).
Таблица 3. Таблица эластичности: зависимость процента прироста продаж от процента скидки
Рис. 3. График зависимости процента прироста продаж от процента скидки
Как читать таблицу эластичности
Читается таблица построчно: находим планируемую глубину скидки в левом столбце и получаем ожидаемый прирост продаж в правом. Скидка 30% дает прирост около 40%, скидка 45% — около 170%. Промежуточные значения берутся интерполяцией по кривой на Рис. 3.
Четыре вещи, которые важно держать в голове при работе с такой таблицей:
- Зависимость нелинейная. Удвоение скидки не удваивает прирост: на глубоких скидках кривая идет резко вверх, и небольшое увеличение глубины дает непропорционально большой объем.
- Слабые скидки почти не работают. Снижение цены в пределах 5% покупатель, как правило, не замечает, поэтому такие изменения мы вообще не считаем промо.
- Таблица привязана к паре «продукт — точка продаж». Переносить её на другой SKU или другую сеть без пересчета нельзя.
- Прирост считается относительно обычного уровня отгрузок, а не относительно дней непосредственно перед акцией. Почему это принципиально — в следующем разделе.
Понятно, что этот пример идеализирован и реальные данные выглядят далеко не так красиво. Обсудим их особенности.
Покупатели акционного товара
Не стоит забывать о том, что компания-производитель поставляет продукцию в магазин, а не конечным покупателям. Мы предполагаем, что магазин заказывает столько продукции, сколько сам продает. Но это не всегда верно, а точнее, верно только на длительных временных интервалах. Например, товар, на который производитель снижает цену, длительного срока хранения. Поскольку магазин знает о проведении промоакции заранее, он распродает остатки продукта, а новую партию не заказывает, ожидая снижения цены. Затем, когда акция началась (цена снижена), он закупает большое количество товара:
- чтобы пополнить страховой запас,
- чтобы обеспечить повышенный (в связи с акцией) спрос,
- чтобы обеспечить запас купленного по низкой цене товара на период после акции, когда цена для покупателя вернется на обычный уровень.
В результате фактические отгрузки в магазин могут выглядеть так:
Рис. 4. Отгрузки продукции в магазин до, во время и после промоакции
Как понять, насколько выросли отгрузки в магазин во время акции? По сравнению с обычным уровнем отгрузок (10 упаковок) они выросли в три раза (30 упаковок). Соотносить с уровнем отгрузок непосредственно перед акцией нельзя, так как их не было. А если сравнивать со средними отгрузками за 10 дней перед акцией (50 упаковок за 10 дней), то рост будет вообще в 6 раз. Поэтому потерянные до и после акции объемы нужно вычитать из прироста. Тогда мы получим прирост по сравнению с обычным уровнем отгрузок всего в два раза.
Часто сотрудники коммерческой службы, ответственные за работу с магазином, договариваются о приобретении конкретных объемов продукта при проведении акции. Например, возвращаясь к Рис. 4, сотрудник компании ISOtope мог договориться о том, что с 11-го по 20-е число супермаркет «Лето» приобретет 300 упаковок продукции. В этом случае убедить его в том, что прирост составляет не 300%, а всего 200%, будет довольно затруднительно. Единственная возможность — наглядно показать падение отгрузок до и после акции.
Факторы продаж
Как мы уже говорили, нам пока ничего не известно про поддержку промоакций. Это означает, что при одном и том же снижении цены эффект, в зависимости от поддержки, будет разный. Более того, эффект может быть разным и при одинаковой поддержке. Не будем забывать про такие факторы, как активность конкурентов, сезон (для продуктов с выраженной сезонностью это важный фактор), наконец, даже про погоду. Вполне вероятно, что реальные приросты продаж будут выглядеть так, как будто они вообще не зависят от процента снижения цены. Чтобы хотя бы приблизительно понять, какой прирост должен попасть в этом случае в таблицу эластичности, полученные данные нужно усреднять. График продаж при одинаковой скидке может выглядеть так:
Рис. 5. Различные приросты продаж при одинаковой скидке
Усреднение по дням дает нам прирост примерно в 60%.
Итак, если данных о различных промоакциях достаточно много, реальная зависимость прироста продаж от скидки будет выглядеть примерно следующим образом:
Усредняя полученные данные, а также выбрасывая явно нехарактерные точки, мы вновь получим примерно такую же зависимость, как и на Рис. 3.
В подтверждение сложности вычисления приростов добавим, что некоторые IT-компании, которые разрабатывают программное обеспечение для поддержки промоакций, открыто заявляют: «Количество факторов, влияющих на прирост продаж, настолько велико, что любые расчеты будут неудовлетворительными». Поэтому ввод приростов они оставляют «экспертам» — пользователям своего программного обеспечения.
И хотя точный расчет невозможен, об «интервалах точности» говорить все же нужно. Согласитесь, при реальном приросте 50% лучше спрогнозировать прирост 40%, чем 140% или чем вообще ничего не прогнозировать.
Что нужно, чтобы таблица эластичности была рабочей
Все расчеты выше упираются в одно: качество и полноту данных о вторичных продажах. Чтобы отделить промо-объем от обычного уровня отгрузок, нужна детализация по дням, торговым точкам и SKU, а также история регулярных цен на полке. Если данные собираются вручную и приходят с задержкой, таблица эластичности устареет раньше, чем по ней успеют спланировать акцию.
На практике такие данные консолидируют в системе автоматизации дистрибуции и анализируют в BI-инструментах: они дают срез отгрузок до, во время и после акции — именно то, что нужно для корректного расчета прироста. Подробнее об инструментах анализа — в разделе Аналитика для эффективного управления дистрибуцией и на странице комплексного решения ST Data Quality Engine.
Об авторе:
Игорь Гусаков — кандидат физико-математических наук, эксперт-практик в области планирования продаж, автор книги «Анализ и планирование продаж в компаниях рынка FMCG», директор по консалтингу компании GoodsForecast, ГК «Форексис».
