Любой менеджер по продажам небольшой или средней компании постоянно сталкивается с необходимостью анализировать товарооборот в территориально распределенных субъектах, будь то отдельные торговые точки, области, или целые регионы. Немаловажно, что следствием данного анализа является принятие решений по определению дистрибуционной политики в этих субъектах. Работнику приходится в постоянном режиме анализировать массу разноплановой информации и принимать на себя ответственность по отнесению того или иного субъекта к различным классам или сегментам, а чаще просто делать неформализованные умозаключения. 

Вполне естественно, что менеджер, обремененный грузом ответственности за свои решения и при этом не обладающий серьезной программной и теоретической аналитическими базами, постоянно ищет возможность облегчить свой труд и при этом точно описать модель поведения каждого субъекта.

С точки зрения руководства компании, складывающаяся ситуация несет в себе опасность как минимум недополучения прибыли, как максимум – потери реального контроля над субъектом. При этом сложившаяся ситуация приобретает поистине угрожающий характер в региональных компаниях, где доступ к информации осложнен различными техническими проблемами.

До настоящего времени перечень тех методов, которые могли бы оптимизировать подобного рода аналитические функции и существенно снизить риски операционного менеджмента компании, был достаточно ограничен. Зачастую и сами предлагаемые методы настолько сложны и не адаптированы для восприятия, что рядовой персонал предпочитает так и работать по старинке, со всеми вытекающими отсюда последствиями.

Все это, а также необходимость каким-либо образом получать описанные аналитические выкладки без использования специализированного аналитического инструментария, в результате привели к созданию универсального метода анализа товарооборота в территориально распределенных субъектах и последующей его трансформацию в матричную структуру.

Показатели, включенные в методику

Главной задачей при разработке инструментария было максимальное упрощение аналитических процедур. Поэтому из рассмотрения были исключены многие консолидированные показатели и в результате оставлены только два: реализация товара в ценах поставки и его оборачиваемость. Выбор обуславливается тем, что именно оборачиваемость, являясь зависимой от объема розничной реализации и уровня товарных запасов переменной, позволяет максимально внятно демонстрировать как тенденции отгрузок товара, так и тенденции его реализации. Именно это впоследствии (при проведении интерпретации) дает возможность проводить более тонкую градацию территориальных субъектов и формировать их гораздо более точную классификацию.

Методология

Вся работа по описанию целостной картины в рамках рассматриваемой здесь методологии проводится в два этапа. На первом проводится расчет необходимых показателей и построение диаграмм, на втором – интерпретация полученных графиков и отнесение субъекта к определенной ячейке матрицы.

Общая методология расчета:

1. Для расчета показателей изначально берутся данные по реализации в географических субъектах, в денежном выражении и по оборачиваемости продукции в них за интересующий период времени (например, один год WF=Y&ID=1957&type=publication&lang=ru&IBLOCK_ID=47&find_section_section=0#_ftn1" name="_ftnref1">[1]).).

2. После этого производится расчет совокупных значений реализации и средних значений оборачиваемости по всей совокупности субъектов и по каждому из них в отдельности с разбитием данных на принятые в конкретном случае временные периоды наблюдения (в случае годового периода будет логичным рассматривать один месяц).

3. Далее для каждого географического субъекта и в целом для их совокупности рассчитываются следующие относительные показатели на каждый из принятых временных периодов наблюдения:

·                    R=Q_t/Q_a-1

где R – значение получаемого коэффициента, демонстрирующего отклонение оборачиваемости к арифметическому среднему по субъекту и т.п., Q_t - среднее значение оборачиваемости за принятый период временного наблюдения (например, месяц), Q_a - среднее значение оборачиваемости за весь период (например, год).

·                    V=S_t/S_a-1

где V – значение коэффициента, демонстрирующего отклонение реализации к арифметическому среднему по субъекту и т.п., S_t - значение реализации в конкретный принятый временной период наблюдения, S_a - среднее значение реализации за весь период.

4. В качестве следующего шага для каждого из субъектов рассчитываются следующие относительные показатели:

·                    K=R_u - R_a

где K – значение коэффициента, демонстрирующего отклонение динамики оборачиваемости в самом субъекте от тенденции того же показателя, демонстрируемой всей совокупностью субъектов, R_u - значение коэффициента отклонения оборачиваемости к среднему по конкретному субъекту, R_a - значение коэффициента отклонения оборачиваемости к среднему по совокупности субъектов.

·                    D=V_u- V_a

где D – значение коэффициента, демонстрирующего отклонение динамики реализации в самом субъекте от относительных показателей динамики реализации во всей совокупности субъектов, V_u - значение коэффициента отклонения реализации к среднему по конкретному субъекту, V_a - значение коэффициента отклонения реализации к среднему по совокупности субъектов.

5. После расчета всех коэффициентов производится построение графиков по значениям коэффициентов R, V, K и D.

6. После построения графиков проводится интерпретация полученных кривых и отнесение отдельных географических субъектов к той или иной ячейке конечной матрицы (см. рисунок 1) в соответствии с нижеследующей классификацией. Хотелось бы обратить внимание, что проводить классификацию желательно только на последних отрезках кривых, величина которых устанавливается эмпирическим путем самим аналитиком (так предварительно следует внимательно изучить все диаграммы отдельных субъектов и по результатам изучения решить – какой именно период времени должен быть использован для интерпретации). Для отнесения к той или иной ячейке матрицы следует анализировать пары: R и V – показатели по отношению к средним значениям за рассматриваемый период самого территориального субъекта – горизонталь матрицы K и D – показатели отдельно взятого субъекта по отношению к общему тренду по совокупности территориальных субъектов – вертикаль матрицы. Рисунок 1. Шаблон матрицы

Типы классификации

Первый тип: регионы, демонстрирующие снижающиеся/низкие продажи (падение/низкие показатели кривой V или D) на фоне замедления оборачиваемости или ее стабильной динамики (рост/устойчивость кривой R или K) в относительных величинах – «Валящие продажи»;

Второй тип: регионы, демонстрирующие рост или стабильность показателей реализации (рост кривой V или D) на фоне снижения или низких показателей кривой оборачиваемости – «Тянущие»;

Третий тип: регионы, не демонстрирующие видимой динамики или находящиеся в «коридоре» – «Спящие»;

Четвертый тип: регионы со снижением кривой оборачиваемости и снижением реализации – «Страдающие»;

Пятый тип: Регионы, демонстрирующие рост реализации (рост кривой V или D) и нерезкое замедление или стабильность (умеренный рост/устойчивость кривой R или K) оборачиваемости продукции – «Успешные»;

Шестой тип: регионы со стабильной или положительной динамикой продаж (рост/устойчивость кривой V или D) и низкой или резко снижающейся (рост/высокие показатели кривой R или K) оборачиваемостью – «Перегретые».

Завершающая часть анализа

Несмотря на то, что расчет показателей и построение графиков, а также интерпретация данных и кодирование субъектов в матричном пространстве в целом исчерпывают методологический аппарат рассматриваемого способа анализа товарооборота, с точки зрения уже упомянутого работника или его руководителя ценность данного анализа заключается не в проводимой классификации, а в простоте применения полученных данных. Так, в ходе разработки этой методики, неоднократно наблюдались определенные затруднения в интерпретации самой матричной структуры, что, по всей видимости, было связано с необходимостью интерпретировать в пределах одной ячейки сразу четыре переменные, или две пары переменных, показатели которых порой бывают абсолютно разнонаправлены (например, сочетание классификационных типов «Валящие» и «Успешные»).

Из-за этих затруднений применение методики без описания наиболее распространенных моделей поведения в каждой из ячеек матрицы было бы довольно ограничено. Для решения этой проблемы ниже приводится тридцать шесть типовых моделей поведения, в которых можно найти как описания для каждой из ячеек полученной матричной среды, так и ситуации сложившейся в каждом из субъектов, отнесенных к той или иной ячейке. Однако следует учитывать, что предлагаемые вниманию читателя описательные модели не являются аксиомами, а только демонстрируют наиболее типичные тенденции, складывающиеся в территориально распределенных субъектах и соответствующие изучаемому типу распределения показателей.

Таблица 1. Общераспространенные модели поведения

Пример анализа

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании.

Шаг 1. Получение данных
Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2).

Шаг 2. Расчет V и R показателей
Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V_{июль 2008} = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R_{июль 2008} = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3).

Шаг 3. Расчет D и K показателей
Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D_{июль 2008 (Московская область)} = 0,2908 минус 0,1148 = 0,1759 и  и K_{июль 2008 (Московская область)} = -0,1193 минус -0,0744 = -0,0449.

Шаг 4. Построение диаграмм и интерпретация
После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3).

Шаг 5. Соотнесение кодификации по ячейке с описательной моделью
Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).

Таблица 2. Исходные данные

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании. Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2). Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3). Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D = 0,2908 минус 0,1148 = 0,1759 и  и K = -0,1193 минус -0,0744 = -0,0449. После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3). Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).

Таблица 3. Коэффициенты отклонения от арифметического среднего (V и R)

Таблица 4. Коэффициенты отклонения субъектов от совокупной тенденции (D и K)

Рисунок 2. Диаграмма по Челябинской области

Рисунок 3. Челябинская область в структуре матрицы

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании. Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2). Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3). Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D = 0,2908 минус 0,1148 = 0,1759 и  и K = -0,1193 минус -0,0744 = -0,0449. После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3). Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании. Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2). Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3). Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D = 0,2908 минус 0,1148 = 0,1759 и  и K = -0,1193 минус -0,0744 = -0,0449. После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3). Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании. Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2). Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3). Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D = 0,2908 минус 0,1148 = 0,1759 и  и K = -0,1193 минус -0,0744 = -0,0449. После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3). Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).

Для более тщательного рассмотрения ниже приводится пошаговый пример проведения подобного рода анализа для одного из регионов абстрактной дистрибуционной компании. Для реализации анализа по ряду регионов были взяты данные по объемам реализации в денежном выражении в ценах поставки и данные оборачиваемости продукции за временной интервал с июля 2008 года по июнь 2009 года (см. табл. 2). Далее, для каждого из регионов и для совокупных значений проводится расчет показателей отношения месячных данных к среднему значению по строке. Так, например, мы берем данные по Московской области за июль 2008 года и рассчитываем для начала отклонение товарооборота в данном месяце по отношению к среднему (V = 1100442,18 / 852544,48 - 1 = 0,2908). Аналогичным образом рассчитывается и R показатель – R = 6,20 / 7,04 – 1 = -0,1193 (результаты расчетов приведены в табл. 3). Затем вычисляется отклонение полученных коэффициентов отдельных субъектов от коэффициентов их совокупности. (D = 0,2908 минус 0,1148 = 0,1759 и  и K = -0,1193 минус -0,0744 = -0,0449. После проведения расчетов, для интерпретации данных их следует представить в графическом виде, ил, говоря иначе – в виде диаграммы (см. рисунок 2), после чего интерпретировать полученные данные и отнести их к той или иной ячейке матрицы (в данном случае, по горизонтали – «валящие продажи», по вертикали – «Спящие») (см. рисунок 3). Этот шаг, по всей видимости, не должен вызывать затруднений (в случае Челябинской области это модель «Снижающиеся показатели определяются общей тенденцией»).