Кейс: как повысить продажи на 44% за счет работы с товарными стоками
И не терять деньги из-за того, что товар закончился на складе.
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 закажет аналог из наличия (у конкурентов), а бизнес потеряет деньги. На примере кейса клиента из категории FMCG рассказываем, как системно работать с товарными остатками.
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.
Задача
Товары клиента еженедельно доставляются более чем на 300 складов (дарксторов) в Москве. Требовалось снизить значение метрики OOS (out of stock), чтобы не терять деньги из-за того, что товары в дарксторах закончились.
Перед Easy Commerce стояла задача выявить склады, где заканчиваются товары, и тот набор товаров, которые требовалось на них поставить.
Реализация
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.
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.
Мы подошли к решению проблемы с двух сторон. С помощью инструмента CAT собирали данные, которые помогли обнаружить системные проблемы с поставками и товары, заканчивающиеся чаще всего. На основе данных выстроили систему онлайн-управления стоками и создали модель, которая помогает понять, на каком складе закончится тот или иной товар и когда именно это произойдет.
Было выделено 11 фокусных товарных позиций, по которым раз в сутки собиралась статистика. Итоговая выгрузка выглядела так:
Пример выгрузки по стокам
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 с октября 2023-го по февраль 2024-го выросла с 42% до 69%.
Сток товаров клиента на складах Яндекс Лавки с октября 2023 года по конец февраля 2024 года
На графике выше видно, что товары клиента на складе Яндекс Лавки почти не заканчивались. Эти изменения непосредственно отразились на продажах:
Продажи товаров клиента в стоке на складах Яндекс Лавки с октября 2023 года по конец февраля 2024 года
Кроме общих продаж, мы рассчитывали ежедневные. Для расчета использовалась формула уходимости стоков: разница между стоком SKU за вчерашний день и сегодняшний, умноженной на актуальную цену в Яндекс Лавке. При расчете учитывались допоставки, чтобы в итоговом отчете не было отрицательных продаж, а результаты сравнивались 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.