Главная » Решения Эксперт-BI на российских BI-платформах » Эксперт-BI для компаний-дистрибуторов » Анализ вторичных продаж: Sell-In, Sell-Out и остатки

Анализ вторичных продаж: Sell-In, Sell-Out и остатки

Анализ вторичных продаж связывает отгрузки, продажи следующего участника канала и остатки. Он помогает выяснить, где товар накапливается, где поставки отстают от продаж и какие данные ещё нужно проверить перед управленческим решением.

Что сравнивают Sell-In и Sell-Out

Для цепочки «производитель → дистрибьютор → магазин» примем Sell-In за отгрузки производителя дистрибьютору, а Sell-Out — за продажи дистрибьютора магазинам. Кассовые продажи магазина покупателю учитываем отдельно. Если в компании Sell-Out означает кассовые продажи, нужно использовать именно эту границу последовательно во всех расчётах.

Пример: продажи растут, но запас тоже увеличивается

Начальный остаток дистрибьютора — 200 единиц. За месяц он получил 1 000 и продал 800 единиц одного товара. Без других движений конечный остаток — 400 единиц. Разница отгрузок и продаж увеличила запас на 200 единиц. Это повод проверить план поставок, сезонность и полноту отчётности, а не автоматически объявлять товар неликвидом.

Показатель	Расчёт в примере	Ограничение
Отношение Sell-Out к Sell-In	800 / 1 000 = 80%	Одинаковые SKU, единицы, период и уровень канала; при Sell-In = 0 не рассчитывается.
Дни покрытия запасом	400 / (800 / 30) = 15 дней	Учебное окно в 30 дней; предполагается сохранение средней скорости продаж. Сезонность и пропуски данных меняют вывод.
Расхождение остатков	Фактический остаток − 400	Ненулевую разницу проверяют по возвратам, списаниям, перемещениям, датам и неполным загрузкам.

Далее — бизнес-задачи, объединение источников в хранилище данных и показатели дашборда. Сначала согласуйте смысл событий и справочники, затем выбирайте архитектуру и инструменты.

Бизнес-задачи анализа sell-in и sell-out

Sell-in	Sell-out
Продажа от производителя дистрибьютору	Продажа от дистрибьютора до конечной точки (магазин, клиент)

Основные задачи:

Сопоставление данных sell-in и sell-out
- Идентификация отклонений (overstock, недопродажи)
- Анализ оборачиваемости продукции
- Контроль выполнения условий контрактов, бонусов
Прогнозирование спроса
Использование sell-out как прокси для "реального" спроса
Обратная связь для планирования производства и логистики
Эффективность дистрибьюторов
ROI промо-мероприятий
Гео-аналитика по регионам/точкам продаж
Анализ эффективности каналов
Динамика остатков на складах партнёров
Упреждение OOS (Out-of-Stock) и overstock
Контроль цен и соблюдение рекомендованной розничной цены (RRP)
Анализ остатков

Архитектура данных: DWH и Lakehouse

Традиционное хранилище данных (DWH)

DWH — это централизованная платформа хранения структурированных данных, исторически использующая модель 3NF или звездчатые схемы (star schema). Основная идея — интеграция различных источников данных в единую модель, пригодную для анализа.

Особенности:

Используется для бизнес-критичной отчётности
Четко определенные витрины и схемы
Преобладает batch-подход

Примеры решений: Oracle DWH, Teradata, Greenplum, PostgreSQL + ETL (например, Talend, Informatica).

Архитектура Lakehouse

Lakehouse сочетает преимущества озёр данных (Data Lake) и DWH. Используются форматы хранения уровня Delta Lake, Apache Iceberg, Apache Hudi. Основная идея — отделение хранения и вычислений, горизонтальное масштабирование, обработка неструктурированных и полуструктурированных данных.

Плюсы Lakehouse в контексте sell-in/sell-out:

Хранение необработанных Excel/CSV из EDI
Потоковая загрузка данных (streaming ingestion)
Возможность анализа на "сырых" данных
Применение ML-алгоритмов прямо в слое хранения (например, через Spark)

Примеры платформ: Databricks, ClickHouse + Iceberg, Trino + S3.

Особенности ETL/ELT для sell-in/sell-out

Проблемы источников:

Разнородность форматов: от API до Excel и CSV
Неполнота данных: дистрибьюторы не всегда передают остатки или цены
Разные модели артикулов и клиентов: требуется сопоставление

Основные шаги пайплайна:

Ингестинг sell-in: из ERP (SAP, 1С, Oracle)
Ингестинг sell-out: файлы, API, загрузка портала
Стандартизация данных: SKU, GTIN, каналы, даты
Сопоставление клиентов и артикулов (MDM)
Расчёт остатков и оборачиваемости
Формирование витрин: SellIn, SellOut, Stock, Promo, RRP

Модели данных и витрины

На этапе формирования витрин основная цель — агрегировать, унифицировать и расчитать ключевые показатели, отражающие поведение товаров и каналов. Для анализа вторичных продаж ключевым является построение витрин по Sell-In, Sell-Out, остаткам (Stock), а также действиям по промо и ценам.

Основные таблицы фактов:

fact_sell_in: отгрузка производителя дистрибьюторам
fact_sell_out: продажи конечным клиентам по точкам
fact_stock: остатки по артикулу, каналу, времени
fact_promo: параметры акций
fact_price: цены реализации (RRP, фактические)

Измерения (dimension):

dim_product: SKU, GTIN, бренд, категория
dim_partner: дистрибьюторы, точки продаж
dim_time: календарь, недели, кварталы
dim_region: регионы, страны, территории
dim_channel: каналы продаж (offline, online, marketplaces)

Ключевые метрики:

Sell-In Volume: объём отгрузки
Sell-Out Volume: объём конечной реализации
Stock Level: остатки на складе партнёра
DOH: days on hand — оборачиваемость
Sell-Through %: отношение sell-out к sell-in
Promo Uplift %: прирост продаж на акции
Price Deviation %: отклонение от RRP

Метрика	Описание
Sell-In Volume	Кол-во, проданное дистрибьютору
Sell-Out Volume	Кол-во, проданное конечному потребителю
Остатки (stock)	Текущий уровень запасов у партнёра
Оборачиваемость (DOH)	Days of Holding Stock
Продажи по промо	Sell-out в период промо
Доля Sell-Out/Sell-In	Коэффициент sell-through

BI-аналитика и визуализация

Используемые BI-инструменты:

Power BI, Tableau, Qlik
FineBI, Yandex DataLens,PIX BI — для импортозамещения
Superset или Apache ECharts — для embedded BI

Основные дашборды:

Sell-in/Sell-out анализ:
- Диаграмма соотношения по SKU, каналам
- Воронка: поставка → остаток → продажа
Promo-эффективность:
Динамика продаж до/во время/после акции
ROI промо-активности
Карта sell-out по регионам
Heatmap по остаткам
Контроль RRP
Дискаунты по каналам
Гео-аналитика:
Анализ цен:

Drill-down примеры:

От SKU → к дистрибьютору → к региону → к точке продажи

Технические детали реализации

Инфраструктура:

Компонент	Технологии
Интеграция данных	Apache NiFi, Airbyte, Talend, OneBridge
Хранилище	Greenplum, ClickHouse, PostgreSQL, BigQuery
Lakehouse	DeltaLake (Databricks), Iceberg (ClickHouse, Trino)
Orchestration	Airflow, dbt, Prefect
BI	Power BI, Tableau, Superset, FineBI

Маппинг клиентов и SKU:

Использование MDM-систем (Ataccama, Talend MDM)
Fuzzy matching (Levenshtein, ML-модели)
Manual override + Data Steward UI

Практические кейсы

FMCG компания с сетью дистрибьюторов

Проблема: Sell-in растет, sell-out падает → overstock
Решение: Построен DWH с витринами по каналам, сделано сопоставление клиентских кодов, внедрён BI-дэшборд с цветовой индикацией риска OOS/overstock

Производитель электроники

Проблема: Нарушения ценовой политики у ритейлеров
Решение: Еженедельный мониторинг цен sell-out через парсинг + BI-контроль дельты с RRP, система алертов

Ритейлер аптечной сети

Проблема: Нет данных о sell-in, сложно планировать запасы
Решение: Внедрён запрос к ERP поставщиков, автоматическая загрузка в хранилище, построение витрин с DOH и прогнозируемым OOS

Типовые риски и меры

Риск	Что происходит	Как избежать
Данные от дистрибьюторов нестабильны	Формат меняется, задержки	Автоматизированный парсинг, контроль схемы
Несопоставимость артикулов	Разные коды у дистров	Использовать MDM, ETL-маппинг
Цепочка продаж не отслеживается	Нет связки sell-in ↔ sell-out	Использовать связующее поле: batch, serial, GTIN
Пропущенные продажи	Продажа есть, данных нет	Контроль полноты, GAP-аналитика
Дублирование или ошибки в агрегации	Повторная загрузка файла	Использовать watermark + deduplication logic

Анализ sell-in / sell-out — это не просто отчётность, а инструмент управления товарными потоками, каналами продаж и эффективности маркетинга. Построение сквозной аналитики требует:

Надёжной архитектуры DWH или lakehouse
Грамотного ETL/ELT
Сопоставления справочников и истории поставок
Мощной BI-системы с визуализацией, drill-down и алертами

Внедрение такой аналитики даёт ощутимые эффекты: снижение OOS, рост точности прогноза, снижение избыточных запасов и улучшение партнёрской прозрачности.

FAQ

Вопрос: Что такое Sell-In?

Ответ: Sell-In — это продажи или отгрузки от производителя дистрибьютору, оптовому партнеру или другому участнику канала. Эти данные показывают, сколько товара вошло в канал сбыта.

Вопрос: Что такое Sell-Out?

Ответ: Sell-Out — это продажи из канала дальше: от дистрибьютора к торговой точке, ритейлеру или конечному покупателю. Эти данные ближе к реальному спросу.

Вопрос: Зачем сравнивать Sell-In и Sell-Out?

Ответ: Сравнение помогает понять, где товар реально продается, где накапливаются остатки, где возникает дефицит, какие дистрибьюторы эффективны и насколько отгрузки соответствуют спросу.

Вопрос: Какие данные нужны для анализа вторичных продаж?

Ответ: Нужны данные об отгрузках, продажах, остатках, ценах, клиентах, точках продаж, регионах, SKU, промо-активностях, контрактах и календарях поставок.

Вопрос: Какую роль играют DWH и BI в анализе Sell-In/Sell-Out?

Ответ: DWH или Lakehouse объединяет данные из разных источников, очищает и приводит их к единой модели. BI-витрины и дашборды позволяют анализировать продажи, остатки, OOS, overstock, каналы и прогноз спроса.

Следующая статья →

Как BI и хранилища данных помогают реализовать стратегии EDLP и EDPP: архитектура, кейсы и риски

Решения

Клиенты

Электронный дискаунтер «Ситилинк» — один из крупнейших онлайн‑ритейлеров России (3‑е место по объему онлайн‑продаж в рейтинге Data Insight и Ruward 2016 года E‑commerce Index TOP‑100, 8 место в рейтинге Forbes «20 самых дорогих компаний Рунета — 2017»). На рынке работает 9 лет.

В ассортименте дискаунтера более 50 000 наименований компьютерной цифровой, бытовой и садовой техники, офисной мебели и других товарных категорий. Более 700 мировых брендов в портфеле. Около 4 000 сотрудников по всей России
ПАО «Ростелеком» — российский провайдер цифровых услуг и сервисов. Предоставляет услуги широкополосного доступа в Интернет, интерактивного телевидения, сотовой связи, местной и дальней телефонной связи и др. Занимает лидирующие позиции на российском рынке высокоскоростного доступа в интернет, платного ТВ, хранения и обработки данных, а также кибербезопасности
Российский филиал одного их ведущих мировых производителей и дистрибьютеров косметики Estee Lauder Companies Inc. выбрал аналитическую платформу Loginom для предиктивной аналитики продаж как в офлайн-, так и в онлайн-канале.
"Холодильник.ру" - крупнейший в России интернет-магазин бытовой техники и электроники. Компания была основана в 2003 году и за почти 20 лет работы завоевала лидирующие позиции на рынке онлайн ритейла. По данным исследовательского агентства Data Insight, "Холодильник.ру" входит в top-10 крупнейших интернет-магазинов России в категории "электроника и бытовая техника". Компания имеет развитую логистическую инфраструктуру и ежедневно осуществляет более 3500 доставок заказов по всей стране.