Выручка +32% у производителя парфюмерии и косметики

Местом вдохновения на разработку методики и ее тестирования стал крупный российский концерн по производству парфюмерно-косметической продукции, который работает на рынке более 70 лет.

На момент применения алгоритмов годовой оборот компании составлял более $200 млн, а количественная дистрибуция по многим направлениям достигала 100%. Продукцию данного предприятия продавали практически все торговые точки страны, однако количество ассортиментных позиций внутри точек находилось далеко от идеального.

Меня зовут Ирина Лукина, я совладелец и руководитель разработки AGATA algorithm. Во времена реализации данного кейса я пришла в концерн на должность бренд-директора направления зубные пасты. Тогда основная часть продукции этого направления была неликвидной. Сотрудники отдела не могли из всего ассортимента выделить локомотивные и базовые продукты, соответственно количество ассортиментных позиций определяли случайным образом. И, пока конкуренты Colgate и P&G стремились соответствовать спросу на новые вкусы и полезные свойства паст, ассортимент концерна расширялся без переоценки старых позиций.

При этом, новые продукты не могли предложить потребителям ничего нового, их отличие от старых было незначительным. Отдел маркетинга не мог аргументированно ответить на вопросы:

У концерна были рыночные данные от ACNielsen, по которым можно было проанализировать дистрибуцию, уровень знания, затраты на рекламу каждого конкурента и выявить взаимосвязи. Однако, на них смотрели только как на рейтинг:

«О! Мы по выручке на 5 месте, а по продажам на 3».

В глобальном смысле предприятию не хватало единого центра принятия решений, который подкрепит рыночными данными ответы на эти и многие другие вопросы:

• Сколько должно быть SKU?
• В каком объеме необходимо производить тот или иной продукт?
• Какая граммовка будет оптимальной?
• Нужно ли формировать более высокую ценовую категорию?
• Почему конкуренты тратят именно такое количество средств на рекламу?

Сперва стояла задача формирования идеального ассортимента по количеству SKU, продаж на 1 SKU, уровню знания, количественной и качественной дистрибуции. Мы начали ее решение с анализа внутренних и конкурентных данных, в результате которого разделили наш ассортимент зубных паст на три ценовые категории:

• низкий (3 SKU),
• средний (5 SKU)
• верхний сегмент среднего (4 SKU).

Далее рассчитали по каждой категории среднее значение SKU и продаж на 1 SKU – это были нормативы по всему рынку. При сравнении показателей нормативов рынка с нашим ассортиментом выяснили

Далее для создания новых SKU мы анализировали рыночный спрос. В то время покупатели отдавали предпочтение натуральным и полезным компонентам, как прополис у Colgate. Нам необходимо было попасть в тренд, но не повторять уже существующие на рынке продукты. Так появилась зубная паста с облепихой, продажи которой выросли настолько, что вкус стали копировать конкуренты.

Аналогичная ситуация и с верхним ценовым сегментом зубных паст. Тогда было актуально химическое отбеливание, а мы предлагали только механическое, поэтому доработали линейку соответствующими высоко-ценовыми продуктами.

При разработке новых рецептур перед нами стояла задача создать качественный актуальный продукт, при этом не опустить показатели маржинальной рентабельности ниже плановой. Мы начали детально подходить к выбору компонентов, сравнивая не только их свойства, но и условия поставщиков. Поскольку это была уже предметная работа, поставщики были только рады

Благодаря трансформации подхода к выбору компонентов, мы не просто обеспечили плановую маржу новинок, но и оптимизировали рецептуру всех остальных продуктов. Себестоимость совокупно по бренду стала ниже на 8%.

Именно алгоритмы нормативов рынка и планирования задали те самые жесткие рамки, на которые мы ориентировались.

В проекте концерна существовал и «исторически сложившийся» объем продаж зубных паст – 480 млн рублей в год*. Плановые показатели на год, с учетом данного объема, ставились с потолка: «Давайте, например, 520 млн сделаем*».

Опираться на данную цель мне показалось нерациональным решением, поэтому я посчитала план с помощью нормативов рынка и методики bottom-up.

По итогу расчета с применением алгоритмов плановый показатель объема продаж составил на 180 млн рублей* больше исторического значения. И это было воспринято руководством как шок! Меня спросили, как это возможно, и я показала математическую модель. Они посмотрели на расчеты и согласились. По итогу года мы действительно получили желаемые показатели выручки.

*в целях сохранения конфиденциальности значения показателей были изменены

Для разработки работающей математической модели мне потребовалось 3 года:

1-й год: знакомилась и разбиралась с ассортиментом и особенностями рынка
2-й год: начала искать взаимозависимости между показателями и выводить методики
3-й год: был занят реализацией плана

И да, в конечном итоге объем продаж составил на 180 млн рублей больше, как и планировали! Сейчас в AGATA algorithm заложены те самые математические модели, которые позволяют избежать 2 года на поиск зависимостей.

Все, что необходимо сделать – это внести внешние и внутренние данные вашего рынка, а далее только планировать и контролировать показатели в платформе.