Выявление неликвидных товаров - определение товаров с минимальными продажами
Неликвидные товары являются одной из ключевых проблем ассортимента любого ритейлера: они занимают место в складе и в системе учета, затормаживают оборачиваемость капитала и снижают общую эффективностьCategory Management. В условиях растущей конкуренции и усиления омниканальности важно научиться системно идентифицировать такие позиции на раннем этапе и принимать управленческие решения на уровне ассортимента, ценообразования и промо-активностей. Глава посвящена целостному подходу к выявлению неликвидных товаров на базе архитектуры BI DWH, методик расчета соответствующих KPI и практических сценариев внедрения.
Цель главы - описать, как правильно проектировать данные, какие метрики и алгоритмы применяются для идентификации неликвидности, какие технические решения поддерживают автоматизацию и мониторинг, и как превратить сигналы в конкретные действия по управлению запасами и ассортиментом. Особое внимание уделяется сочетанию теоретических основ и практических рекомендаций: от выбора источников данных и моделирования до реализации запросов, визуализации и организационных изменений.
Краткое содержание главы
- Определение неликвидности, KPI и пороговые правила для категорийного менеджмента
- Архитектура данных и потоки ETL/ELT, обеспечение качества и управляемость данных
- Методы идентификации неликвидности: пороговые правила, ABC-XYZ анализ, ориентированные на динамику продаж
- Реализация в BI/DWH: запросы, модели данных, примеры архитектурных решений и внедрение
Концептуальная рамка: неликвидность как характеристика ассортимента
Неликвидность трактуется как устойчивое или повторяющееся низкое потребление по отношению к доступности и потенциальной маржинальной ценности товара. В практическом смысле это означает отсутствие спроса на протяжении определенного периода, или спрос с высокой дисперсией, который не обеспечивает достаточной оборачиваемости и прибыли. Определение неликвидности не ограничивается одним KPI; оно складывается из набора связок метрик, учитывающих продажи, запасы, доходность и динамику спроса.
- Что считать неликвидным? Обычно применяются пороговые токи: sell-through за выбранный период ниже заданного уровня, DOS (days of stock) выше заданного порога, а также низкая маржинальная отдача по отношению к обороту (GMROI). В зависимости от категории пороги корректируются: скороплавкие товары обычно требуют агрессивной интерпретации сигналов, тогда как товары запасной группы могут иметь более мягкие пороги.
- Почему это важно для категорийного менеджмента? Неликвидные позиции не только «мезонируют» капитал, но и искажают ассортиментную стратегию: они мешают освобождению места для перспективных позиций, усложняют расчеты по промо-эффекту и ухудшают точность планирования спроса. Эффективное выявление позволяет перераспределить ресурсы в пользу товаров с высоким потенциалом роста и ликвидности, снизить риски перегрузки склада и улучшить чистую прибыль.
Потребность в методике состоит не только в точной идентификации, но и в обеспечении управляемости: повторяемость расчётов, прозрачность в отношении порогов и четкие правила реагирования для функций продаж, закупок и логистики. В рамках BI DWH задача состоит в том, чтобы связать данные по продажам, запасам и финансовым результатам с многоканальными источниками, обеспечить качество данных и предоставить бизнесу надежный алгоритм выявления, мониторинга и действий.
Архитектура данных и поток информации
Чтобы корректно выявлять неликвидность, необходима согласованная архитектура данных, охватывающая источники, трансформацию и готовые аналитические модели. В основе лежит концепция дамп-данных к чистой аналитической модели в виде звездной схемы или близкой к ней схемы.
- Источники данных: POS/ERP-системы (розничные продажи, закупки), данные интернет-торговли, данные по запасам, информация о промоакциях, цены и маржинальные параметры, данные по поставкам и возвратам. В омниканальной среде критично обеспечить согласование единиц измерения, товара и времени между системами.
- Модель данных: обычно применяется звездная схема с фактами продаж и запасов, связанными с размерной моделью по товарам (SKU), категориям, магазинам/каналам, времени, локациям. Дополнительно можно использовать факт-таблицу запасов (inventory) и факт по поставкам (purchases) для усиления анализа DOS и спроса.
- Потоки обработки: ETL/ELT-подходы должны обеспечивать прозрачность lineage и повторяемость. Для оркестрации широко применяются инструменты планирования задач и рабочих процессов (например, Apache Airflow). В обработке трансформаций эффективны инструменты моделирования данных (dbt) и подходы к качеству данных: дедупликация, консолидация единиц измерения, проверка полноты записей, согласование категорий и справочников.
- Архитектурные решения: для больших данных возможно использование гибридного подхода между хранилищами уровня Data Lake и Data Warehouse, где реже обновляемые наборы данных хранятся в озвученных хранилищах, а аналитические запросы выполняются на быстро доступной аналитической базе. В качестве аналитического слоя часто применяется столбцово-ориентированная база данных/хранилище: Snowflake, ClickHouse, Amazon Redshift или аналогичные решения. Для оперативной аналитики и визуализации применяются BI-платформы: Power BI, Tableau, Looker и т. п.
Почему важна интеграция и качество данных? Точность идентификации неликвидности напрямую зависит от полноты и точности продающих данных, корректной агрегации по временным периодам, единообразия справочников и консистентности между каналами продаж. Любая задержка или расхождение в данных приводит к ложным сигналам, излишним или недостаточным действиям по ассортименту. Поэтому архитектура должна предусматривать: нормализацию справочников, услуги по верификации дат, согласование мер измерения (единицы, валюта), контроль дубликатов и регламентированные процедуры обновления.
Технологический набор на практике может включать:
- хранилище детализированной информации и агрегаций, ориентированное на анализ продаж и запасов;
- инструменты оркестрации задач (например, Apache Airflow) для фиксации времени обновления и зависимости между источниками;
- инструмент трансформаций и моделирования данных (dbt) для поддержания повторяемых и документируемых моделей;
- аналитическую базу, поддерживающую быстрые запросы и сложные агрегации (например, ClickHouse или Snowflake);
- механизмы мониторинга качества данных и автоматических уведомлений при пропусках критичных полей.
Важной частью архитектуры является управление версиями моделей и согласование изменений с бизнес-архитектурой. Необходимо документировать lineage: какие источники → какие таблицы/модели → какие бизнес-показатели. Такой подход снижает риски валидации данных и упрощает аудит методик выявления неликвидности.
Методы идентификации неликвидности
Эффективная идентификация требует сочетания правил на основе бизнеса и динамических подходов к анализу данных. В практической реализации целесообразно применить несколько взаимодополняющих методов.
-
Пороговые правила (rule-based): простые и прозрачные, позволяют быстро отсечь явные неликвидные позиции. Примеры порогов:
- sell-through rate за неделя/месяц ниже фиксированного порога (например, менее 5%);
- DOS выше допустимого уровня (например, более 90-120 дней);
- GMROI ниже порога относительно средней маржинальности по категории.
Плюсы: понятность, легкость внедрения; минусы: жесткость порогов, не учитывают сезонность и потенциал восстановления.
-
ABC-XYZ анализ: сочетает классификацию по объему продаж и вариабельности спроса.
- ABC по объему продаж выделяет «главные» (A) и «непохожие» (C) позиции;
- XYZ оценивает вариабельность спроса: X - стабильный спрос, Y - сезонный, Z - редкий/нестабильный.
Неликвидные позиции - это часто товары типа B/C по объему, с неустойчивым спросом (Y/Z) и высоким DOS. Такой подход позволяет выделить неликвидность не только по текущей реализации, но и по устойчивости спроса.
-
Динамические методы и прогнозирование спроса: для устойчивой идентификации нужна динамика, а не статичные пороги.
- анализ временных рядов: тренд, сезонность, аномалии;
анализ временных серия-аномалий позволяет определить, уходят ли продажи в «низовую» зону по нескольким периодам подряд. - сравнение прогноза и факта: сигналы неликвидности усиливаются, если прогноз продаж заметно выше фактических продаж на протяжении нескольких периодов.
- анализ временных рядов: тренд, сезонность, аномалии;
-
Сводная скоринговая модель: комбинированный подход, где каждому SKU присваивается скоринг на основе набора факторов:
- sell-through, DOS, GMROI, валовая маржа, темп роста продаж, сезонность, промо-эффект и широкий функционал (например, запланированная промо-активность).
Формула может выглядеть как взвешенная сумма факторов: score = w1ST + w2DOS + w3GMROI + w4Margin + w5Trend + w6PromoImpact, где веса выбираются на основе исторических данных и бизнес-важности.
- sell-through, DOS, GMROI, валовая маржа, темп роста продаж, сезонность, промо-эффект и широкий функционал (например, запланированная промо-активность).
-
Пример синергии: сочетание порогов + ABC-XYZ + скоринга обеспечивает устойчивый сигнал к неликвидности на уровне конкретной категории и канала, с учетом сезонности и потенциального восстановления спроса.
Пример порогового расчета (псевдокод и концептуальная идея):
- Рассматриваем последние 6 месяцев продаж по SKU и рассчитываем sell-through rate и DOS.
- SKUs с sell-through <= 0.05 и DOS >= 120 дней помечаются как неликвидные.
- Далее применяем ABC-XYZ: если SKU относится к категории C по объему, и к X по вариабельности спроса, сигнал становится более надежным.
Для понятности можно привести упрощённый SQL-подход к определению неликвидности по последнему месяцу и DOS:
-- Пример 1: неликвидность по sell-through и DOS за последний месяц
SELECT
sku,
SUM(units_sold) AS sold_units,
SUM(units_received) AS received_units,
SUM(begin_inventory) AS begin_inv,
## SUM(end_inventory) AS end_inv,
(SUM(units_sold) / NULLIF(SUM(units_sold) + SUM(end_inventory), 0)) AS sell_through_last_month,
MAX(dos) AS max_dos_last_month
## FROM sales_inventory_summary
WHERE period = date_trunc('month', current_date) - interval '1 month'
## GROUP BY sku
HAVING (SUM(units_sold) / NULLIF(SUM(units_sold) + SUM(end_inventory), 0)) 120;
-- Пример 2: скоринг с учетом нескольких факторов
SELECT
sku,
score
FROM (
SELECT
sku,
(0.4 * (CASE WHEN sell_through_last_month 0 AND end_inventory = 0.6;
- В контексте архитектуры данные и расчеты лучше выполнять в рамках ELT-пайплайна, где бизнес-логика инкапсулируется в модели данных и материаловизируемых представлениях. Это обеспечивает повторяемость, прозрачность и возможность проведения корректировок порогов без изменения источников данных. В качестве примера можно использовать dbt-модели для трансформаций и материализованные представления для быстрых запросов в аналитическом слое.
Реализация в DWH: примеры запросов и архитектурные решения
Эффективная реализация требует сочетания корректной модели данных, устойчивых ETL/ELT-процессов и понятных бизнес-правил. Ниже приведены ключевые идеи и примеры подходов.
- Модели данных: основание - звезда или снежинка с фактами продаж, запасов и промо-активностей. Димы: товары (SKU), категория, магазин/канал, временной размер. Дополнительно можно ввести факт по возвратам и корректировкам запасов для более точного расчета DOS.
- Метрики и представления: создаются агрегаты по месяцам/неделям, где рассчитываются sell-through, DOS, GMROI, маржинальность. В идеале - отдельная материализованная представления для сигналов неликвидности.
- Эволюция и управление: регламентированное обновление моделей, контроль качества данных, регламент обзора порогов и переоценки модели на регулярной основе (ежеквартально или после сезонных изменений).
Пример архитектурной схемы внедрения (упрощенная логика):
- Входные источники данных → этапы чистки и согласования (единицы измерения, справочники) → агрегированные таблицы продаж/запасов → модель сигнала неликвидности → выдача сигналов через BI-дэшборды и оповещения.
Ключевые принципы реализации:
- прозрачность порогов и параметров модели: бизнес-правила должны быть задокументированы и доступны для аудита.
- адаптивность: пороги и веса скоринга должны поддаваться пересмотру в рамках периода стратегии ассортимента.
- повторяемость: все преобразования и расчеты должны быть документированы и версионированы.
Если хотят привести минимально необходимый пример кода, можно использовать представления dbt:
-- Пример dbt-модели, создающей базовый сигнал неликвидности
WITH sku_stats AS (
SELECT
sku,
SUM(sold) AS sold_units,
SUM(received) AS received_units,
SUM(begin_inv) AS begin_inv,
## SUM(end_inv) AS end_inv,
SUM(sold) / NULLIF(SUM(sold) + SUM(end_inv), 0) AS sell_through
## FROM {{ ref('sales_inventory_summary') }}
WHERE period >= date_trunc('month', current_date) - interval '6 month'
GROUP BY sku
)
SELECT
sku,
sell_through,
CASE
WHEN sell_through 120 THEN 1
ELSE 0
END AS is_low_sell_through
FROM sku_stats;
-
В качестве хранилища аналитики можно рассмотреть платформу вроде Snowflake или ClickHouse для скорости агрегаций на больших объемах данных. ClickHouse в ряде кейсов применяется как быстрый аналитический движок на российском рынке; Snowflake - как облачное решение, упрощающее управление данными и масштабирование.
-
Оркестрация: регулярные запуски пайплайнов и автоматизированные проверки качества данных. Apache Airflow позволяет задать зависимости между источниками данных, расписания и обработку ошибок. В контексте аналитики неликвидности это обеспечивает своевременное обновление списков неликвидных SKU и передачу сигнала к бизнесу.
-
Визуализация: BI-инструменты служат для передачи сигнала категориям менеджмента. Визуализация должна помогать бизнесу видеть «быстрые» исправления и «долгосрочные» тренды. Графики, таблицы и алерты должны дополнять друг друга: сигналы на уровне SKU, на уровне категории и по регионам.
Визуализация и оперативные действия
После того как сигналы неликвидности сформированы, важна трансформация их в управленческие решения. Визуализация должна соответствовать потребностям категорийного менеджмента и оперативному процессу replenishment.
- dashboards и дэшборды: отображают сигналы по категориям и складам, позволяют фильтровать по времени, каналу, брендам и промо-акциям; важна способность быстро увидеть «в зоне риска» SKU и понять контекст (промо-непроданные запасы, сезонные эффекты и т. п.).
- сигналы и уведомления: напоминания для смены ассортимента, корректировок цен, планирования промо-акций. Встроенная логика уведомлений позволяет выделить приоритеты и определить ответственных лиц в рамках цепочки поставок.
- сценарии действий: перераспределение запасов, изменение скидок, корректировка ассортимента в конкретном магазине или канале, планирование сезонных промо-акций.
Эта часть поднимает вопросы взаимодействия между отделами категорного менеджмента, логистики, закупок и маркетинга. Внедрение требует согласования процессов, чтобы сигналы не оставались на уровне индикаторов, а переходили в конкретные действия: перенос SKU между сегментами, скорректированные политики ценообразования и активизации промо.
Governance, мониторинг и эволюция методики
Этапы внедрения и последующей эксплуатации методики неликвидности требуют четко прописанных ролей, процессов и политики обновления. В идеальном сценарии ответственность за методику лежит на кросс-функциональной команде: Категорийный менеджер, Data Steward, BI/Analytics, Логистика и Финансы.
- Управление правилами: пороги и веса должны периодически пересматриваться (раз в квартал или после сезонных изменений), чтобы сохранять релевантность в условиях изменений спроса и ассортимента.
- Контроль качества данных: мониторинг полноты, точности и консистентности. Включает автоматические проверки пропусков, несоответствий справочников и дубликатов.
- Эволюция методики: методика неликвидности должна эволюционировать вместе с бизнес-стратегией. Включаются новые признаки (например, влияние промо, сезонные эффекты, новые каналы продаж) и дополнительные показатели (например, оборачиваемость по складам).
- Оценка влияния: связь сигналов неликвидности с реальными результатами бизнеса (изменения в запасах, экономия капитала, влияние на валовую прибыль). Важна обратная связь от бизнес-пользователей, чтобы адаптировать правила и SOP.
- Риски и управление изменениями: регламент по версии моделей, аудит изменений, документирование решений и обоснование каждого действия по управлению запасами и ассортиментом.
Эти принципы обеспечивают устойчивость методики в условиях рыночной динамики и технических изменений. Важным элементом является прозрачность: все бизнес-правила, вычисления и решения по действиям должны быть доступны для аудита и пересмотра, чтобы обеспечить доверие к системе и поддержать долгосрочную трансформацию процессов.
Key takeaways
- Неликвидность - комплексная характеристика ассортимента, требующая сочетания продаж, запасов, маржинальности и динамики спроса.
- Архитектура данных должна обеспечить согласование источников, качество данных и повторяемость расчетов в рамках ELT/ETL-пайплайнов, с использованием STAR- или близкой модели.
- Комбинация пороговых правил, ABC-XYZ и скоринговых моделей позволяет устойчиво идентифицировать неликвидные SKU и адаптировать пороги к категориям.
- Реализация в DWH должна включать прозрачные модели, документированные правила и повторяемые SQL/блоки трансформаций, поддерживаемые инструментами оркестрации и моделирования данных.
- Визуализация и управленческие процессы должны превращать сигналы в конкретные действия: перераспределение запасов, корректировку ассортимента и цен, планы промо и закупок.
- Эффективная governance обеспечивает устойчивость методики, постоянное совершенствование и согласование между бизнес-подразделениями и ИТ.
FAQ
- Что такое неликвидность в контексте категорийного менеджмента?
- Неликвидность отражает низкий уровень продаж по отношению к запасам и капиталу, что приводит к низкой оборачиваемости и потенциальной потере маржинальности. В рамках BI DWH это определяется через сочетание sell-through, DOS, GMROI и динамики спроса по SKU и каналам.
- Какие данные необходимы для выявления неликвидных товаров?
- Продажи по SKU по каналам и времени, запасы на начало и конец периода, информация о поставках и возвратах, данные по промо-акциям и ценам, маржинальность и структура категорий. Важно обеспечить согласование единиц измерения и справочников.
- Какие методы применяют для идентификации неликвидности?
- Пороговые правила, ABC-XYZ анализ, динамические методы спроса (временные ряды, аномалии, прогноз против факта) и скоринговые модели, объединяющие несколько факторов в единый сигнал.
- Какой архитектурный подход наиболее эффективен?
- Звездообразная или близкая к ней модель данных в DWH, с активно обновляемыми фактами продаж, запасов и промо. ELT-пайплайны, dbt-модели, и оркестрация через Airflow позволяют держать сигналы актуальными и повторяемыми.
- Какие примеры SQL-решений полезно иметь под рукой?
- Примеры расчета sell-through и DOS за период и фильтрации неликвидного набора SKU; примеры формирования скоринга на основе нескольких факторов. Важна ясная документация и возможность адаптации под конкретную бизнес-логику.
- Как осуществлять внедрение методики в организации?
- Включить кросс-функциональные рабочие группы, определить роли Data Steward и Category Manager, установить регламенты обновления порогов и периодический пересмотр методики. Обеспечить прозрачность расчётов и легкость аудита.
- Как оценивать эффективность принятых действий?
- Отслеживать изменение оборачиваемости запасов, уровень продаж по неликвидным SKU после перераспределения или изменений ассортимента, экономию капитала и влияние на GMROI. Проводить периодическую ретроспективу и обновлять правила.
- Какие инструменты стоит рассмотреть для внедрения?
- Для оркестрации - Apache Airflow; для трансформаций - dbt; в качестве аналитического хранилища - Snowflake или ClickHouse; для визуализации - Power BI или Tableau. В рамках отечественного рынка можно рассмотреть интеграцию решений, обеспечивающих быстрый доступ к аналитике без излишних задержек на обработку.
- Как учитывать сезонность и промо-активности?
- В моделях следует учитывать сезонные эффекты и влияние промо, разделяя анализ по периодам и используя сезонные индикаторы в прогнозах и сравнительных анализах. Это уменьшает риск ложных сигналов в периоды перенасыщения запасов.
- Что является наилучшей практикой для поддержания качества модели?
- Регламентировать обновления порогов и весов, держать в актуальном виде документацию по lineage и бизнес-правилам, автоматизировать проверки качества данных, проводить периодические обучения бизнес-пользователей по интерпретации сигналов и действиям.
