Таблица эластичности: практический анализ спроса

Таблица эластичности: практический анализ спроса

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. 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:

В следующем месяце скидки были другие, и продажи выглядели так:

На основании имеющихся данных можно построить зависимость:

Полученная Таблица 3 и называется таблицей эластичности. Она применима для конкретного продукта (консервированных яблок ISOtope) в конкретном магазине (супермаркете «Лето»).

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 промо-акции 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:

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:

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.

Также в этом номере журнала «Мобильная Торговля» №59, 03/2016:

• Жалящая OSA
• Трансформация бизнеса: insights and inspiration 2020
• 4 точки роста FMCG-компании
• 5 заблуждений при запуске цифрового мерчандайзинга
• Прогнозируем сезонные промоакции правильно
• 6 ключевых трендов на рынке мерчандайзинга в 2020 году
• Soft skills или hard skills?
• БАТ: подключение сложного региона к глобальной экосистеме

Вам также могут быть интересны статьи:

• 
  Perfect Store Score: оптимизация продающей полки
• 
  Прогнозируем сезонные промоакции правильно
• 
  Машинное обучение в ритейле: как алгоритм борется за клиента
• 
  Как провести промо и не навредить самому себе
• 
  Прогнозирование временных кубов