На объем продаж в e-com влияет множество метрик: качество оформления карточки, цена, позиция в поиске, видимость для пользователей, отзывы и рейтинг. Но ни одна из них не поможет нарастить выручку, если товара нет на складе. Покупатель выберет аналог, который есть в продаже; другими словами, бизнес просто потеряет деньги.
На примере кейса клиента из категории FMCG рассказываем, как системная работа с товарными остатками помогла повысить продажи на 44%.
Продукт
Клиент Easy Commerce занимается производством продуктов питания в нескольких категориях – от кондитерских изделий до приправ и соусов. Кроме торговых сетей, товары бренда продаются на маркетплейсах и через сервисы доставки, в том числе – в Яндекс Лавке (на ее примере мы опишем принцип работы с товарными остатками).
Задача
Товары клиента еженедельно доставляются более чем на 300 складов (дарксторов) в Москве. Перед Easy Commerce стояла задача выявлять склады, где заканчиваются товары, и определить набор товаров, которые нужно поставить.
Важно было работать на снижение метрики OOS (out of stock, товара нет в наличии), чтобы бизнес не терял деньги из-за того, что товары в дарксторах закончились. И одновременно растить метрику InStock (товар в наличии).
Контекст
Данные по остаткам на складе в штуках отдают не все платформы: чаще они ограничиваются статусами «много» или «мало». Это усложняет работу со стоками: без дополнительных инструментов продавцу сложно определить количество отдельных наименований и рассчитать, когда товары закончатся.
Мы подходим к этой проблеме с нескольких сторон:
- с помощью инструмента CAT собираем данные, которые помогают обнаружить системные проблемы с поставками и товары, заканчивающиеся чаще всего;
- на основе данных от клиента управляем стоками онлайн;
- создаем модели для прогноза, на каком складе закончится тот или иной товар и когда именно это произойдет.
Данные для работы со стоками собираются в разбивке по всем складам и дарксторам, которые есть у маркетплейса в городе или группе городов.
Такой подход помогает понять, какой товар и в каком объеме есть на каждом складе.
Реализация
Клиент поставляет товары в распределительный центр Яндекс Лавки по средам – оттуда платформа самостоятельно развозит их по дарксторам. Со стороны продавца поставки и остатки на складе курирует КАМ-менеджер, который самостоятельно следит за стоками, – подробных данных об остатках платформа не предоставляет.
Каждую среду клиент отдавал данные по объемам поставок с детальной разбивкой на виды товаров и их остатки на 234 складах в штуках. Адреса складов мы получили тремя способами: часть – через API маркетплейса, часть предоставил клиент, а остальные – путем перебора. В последнем случае бот подставляет улицы города, пока количество SKU в наличии не меняется, и определяет все зоны доставки и адреса складов.
Было выделено 11 фокусных товарных позиций, и раз в сутки по ним собиралась статистика с помощью инструмента CAT. Итоговая выгрузка выглядела так:
Данные помогли КАМ-менеджеру сформировать заказ на поставку с учетом остатков и сформировать точечные поставки товаров на нужные склады. В таблицах ниже – остатки на складах до и после поставки:
Результат
Несмотря на то, что в новой схеме расчета поставок участвовали не все склады, метрика InStock (товар в наличии) с октября 2023-го по февраль 2024-го выросла с 42% до 69%.
На графике выше видно, что товары клиента почти не заканчивались на складе Яндекс Лавки. Эти изменения непосредственно отразились на продажах:
Кроме общих продаж, мы рассчитывали ежедневные – на основании уходимости стоков по формуле разницы между стоком SKU за вчерашний день и сегодняшний, умноженной на актуальную цену в Яндекс Лавке. При расчете учитываются допоставки, чтобы в итоговом отчете не было отрицательных продаж, а результаты сравниваются с клиентскими данными.
Итог
Основным бизнес-результатом стал рост продаж на 44%. В конце октября 2023 года продажи по 11 наблюдаемым SKU в неделю составляли 22 700 рублей, а в конце февраля 2024 года – уже 52 000 рублей.
