Главная » Решения Эксперт-BI на российских BI-платформах » Эксперт-BI Склад: система бизнес-анализа для управления складом » Курс «Управление Out-of-Stock с помощью DWH и BI-систем» » Поведение покупателей при Out-of-Stock и его влияние на лояльность: аналитика, риски и автоматизация

Поведение покупателей при Out-of-Stock и его влияние на лояльность: аналитика, риски и автоматизация

Когда мы говорим об управлении Out-of-Stock (OOS), большинство специалистов фокусируется на потерях в продажах или логистике. Но на самом деле главная ценность, которую мы теряем при отсутствии товара, — это лояльность покупателя. Поведение клиента при столкновении с пустой полкой оказывает длительное влияние на его выбор магазина, бренда и даже всей категории товаров. Если эти реакции не анализировать, бизнес будет терять не только краткосрочную выручку, но и долю рынка в будущем.

В этой статье мы рассмотрим поведение покупателей при OOS, модели оценки лояльности, методики фиксации последствий и подходы к автоматизированному учету влияния на клиента в BI-системах и хранилищах данных (DWH).

Поведенческая модель клиента при столкновении с OOS

Исследование Gruen & Corsten (2008) выявило пять типичных стратегий поведения покупателей, столкнувшихся с отсутствием нужного товара:

Поведение	Доля случаев
Переключение на другой магазин	31%
Переключение на другую марку	26%
Переключение внутри марки	19%
Отложенная покупка	15%
Отказ от покупки	9%

Интерпретация:

Почти половина покупателей (31%) уходят в другой магазин, что напрямую влияет на выручку и долю клиента.
Переключение на другие бренды — угроза производителю.
24% (отложили или отказались) — это прямые потери спроса.

Модель оценки влияния OOS на лояльность

Чтобы измерять не только потери в штуках, но и влияние на поведение, вводится модель затрат покупателя (Customer Cost Model):

Три компонента:

Opportunity Cost — упущенная ценность покупки
Transaction Cost — затраты на поиск или перемещение
Substitution Cost — разница между предпочтительным и выбранным товаром

Пример оценки:

Покупатель хотел купить товар A (молоко любимого бренда, 70 руб), но купил B (аналог за 75 руб) или ушел без покупки.

Substitution Cost = 5 руб
Transaction Cost = 15 мин (время на поиск замены или поход в другой магазин)
Opportunity Cost = упущенное потребление (особенно в случае отказа)

Расчет Customer Impact Rate

Формула:

Customer Impact Rate = 1 – ((Ожидаемые корзины – Фактические корзины) / Ожидаемые корзины)

Где:

Ожидаемые корзины — сколько чеков с этим товаром должно было быть
Фактические корзины — сколько чеков реально зафиксировано

Пример:
Ожидаемые корзины: 100, факт: 82
→ Impact Rate = 1 – ((100 – 82) / 100) = 0.82 = 82%

Автоматизация: как измерять влияние на клиента в DWH и BI

Источники данных:

История чеков (POS)
SKU-level data: были ли попытки покупки
Данные о субститутах: по категориям
Лояльностные карты: история клиента

Алгоритмы:

Витрина dm_customer_reaction с полями:
- Customer_ID
- SKU_ID
- Store_ID
- OOS_Date
- Reaction_Type (переключился, ушел, заменил)
- Basket_Impact (да/нет)
Сценарии:
Покупатель не купил привычный SKU → купил похожий SKU? → реакция = "заменил"
Не купил ничего → "ушел"
Купил в другом магазине сети → "переключился по локации"
Флаг повторного появления покупателя в течение 7 дней

BI-примеры визуализации

Доля покупателей, ушедших без покупки по категории
Динамика реакции покупателей по SKU
Тепловая карта рисков потери клиента по магазинам
Кольцевая диаграмма реакций (по методике Gruen & Corsten)
Customer Lifetime Value до/после OOS

Кейс: влияние OOS на категорию молочной продукции

Ситуация:

Обычный уровень продаж SKU_123 = 80 упаковок/день
В течение 3 дней товар был в OOS

Наблюдения:

Общая выручка по категории упала на 18%
Покупатели переключились на SKU_789 — рост его продаж на 35%
12% покупателей не сделали покупку вовсе

Действия:

BI-алерт: если KVI-SKU в OOS → оценить падение категории
Предложение: поставить временную замену и запустить перекрестную акцию

Риски при работе с данными о реакции клиента

Риск	Как работать
Недостаток детализации чеков	Перейти на транзакционные POS-данные
Отсутствие истории по клиенту	Интеграция лояльностной системы
Сложность в интерпретации замены SKU	Применение дерева субститутов
Проблемы с замерами корзин	Использовать окна в 7–10 дней
Ошибки в привязке причин к поведению	Ввести вероятностную модель реакции

Решения

Клиенты

«Восток-Запад» – крупнейший поставщик продуктов в рестораны, кафе, гостиницы, кейтеринговые компании, столовые, комбинаты питания и кондитерские производства. 300+ городов регулярной доставки по всей территории России и странам СНГ; 3500+ товаров профессиональных брендов.
АО «Евросиб СПб–транспортные системы» – оператор контейнерных сервисов с широкой сетью маршрутов на внутрироссийских и международных направлениях. Имеет успешный опыт управления парком фитинговых платформ, а также организации ускоренных контейнерных поездов, в основе которых точное расписание, оптимальные сроки доставки груза и экономическая целесообразность.
Банк "Санкт-Петербург" - это универсальный коммерческий банк, предоставляющий полный спектр финансовых услуг для частных и корпоративных клиентов. Банк основан в 1990 году и имеет генеральную лицензию Банка России на осуществление банковских операций. Сеть банка включает более 170 офисов и отделений, а также свыше 1000 банкоматов и терминалов в Санкт-Петербурге, Москве и других регионах.
Группа компаний «Галакс» ведет свою деятельность с 2005 года, являясь в те годы дистрибьютором известных международных марок в ряде крупнейших торговых сетей России в сегменте аудио и видео аксессуаров. Активно работая в этом направлении и приобретая ценный опыт, начали создавать собственные торговые марки «GAL» и «VIXTER»