Маркетплейсы / Улучшить товарную матрицу
Какие позиции оставить на маркетплейсе: используем ИИ для товарной матрицы
ИИ анализирует историю продаж, остатки, маржинальность и тренды, чтобы подсветить позиции, которые стоит оставить, сократить или развивать. Он не решает за вас, но дает прозрачную картину: какие товары приносят прибыль, а какие замораживают деньги в остатках.
Проблема
Почему это важно
Без системного подхода ассортимент на маркетплейсе растет хаотично: добавляются новые позиции, старые не выводятся, остатки копятся. В итоге деньги заморожены в неликвидных товарах, полки заняты, а прибыль съедают хранение и утилизация.
Почему возникает
- Решения о выводе товара принимаются по ощущениям или одному показателю (например, только по выручке), без учета маржинальности и оборачиваемости.
- Нет единой системы: данные по продажам, остаткам и закупкам разрознены, их сложно сопоставить вручную.
- Тренды меняются быстро, и вручную сложно отследить, какие категории растут, а какие падают.
Риски и потери
- Заморозка оборотных средств в неликвидных остатках.
- Упущенная выгода: полки и бюджет заняты товарами с низкой маржой, тогда как прибыльные позиции недополучают продвижение.
- Штрафы и убытки от утилизации или уценки просроченных товаров.
- Снижение рейтинга магазина из-за частых отмен или долгой доставки неходовых позиций.
Что влияет на результат
- Выручка и количество проданных единиц за период.
- Маржинальность каждой позиции (с учетом закупки, логистики, комиссии маркетплейса).
- Остатки на складе и скорость их оборота.
- Тренды спроса: рост или падение категории, сезонность.
- Конкуренция и цены на аналогичные товары.
Типичные ошибки ручного подхода
- Ориентация только на выручку: товар с высокой выручкой, но низкой маржой может быть убыточным после всех издержек.
- Игнорирование остатков: товар продается, но остатки растут из-за неравномерных закупок.
- Субъективная оценка трендов: решения принимаются на основе личного опыта, а не данных.
- Отсутствие регулярного пересмотра матрицы: ассортимент не обновляется, пока не возникнет кризис.
Определение
Что важно понимать
Маржинальность
Доля прибыли в выручке после вычета всех переменных затрат: закупка, логистика, комиссия маркетплейса, упаковка.
Показывает, сколько реально зарабатывает магазин с каждого рубля продаж, а не просто оборот.Оборачиваемость
Скорость, с которой товар продается и заменяется новым. Считается как отношение продаж к среднему остатку за период.
Низкая оборачиваемость означает, что деньги заморожены в товаре, который долго лежит на складе.ABC-XYZ анализ
Классификация товаров по вкладу в выручку (ABC) и стабильности спроса (XYZ).
Помогает выделить ключевые позиции, которые нужно всегда держать в наличии, и нестабильные, которые требуют осторожного заказа.Данные
Какие данные нужны
История продаж
База для расчета выручки, количества, динамики и трендов.
- SKU
- дата продажи
- количество
- цена продажи
- себестоимость
Остатки на складе
Показывает, сколько товара лежит и как быстро он продается.
- SKU
- склад
- текущий остаток
- дата поступления
Затраты на логистику и комиссии
Без них нельзя посчитать реальную маржинальность.
- SKU
- стоимость доставки
- комиссия маркетплейса
- упаковка
Данные о конкурентах и ценах
Для оценки конкурентоспособности и ценового позиционирования.
- SKU
- цена конкурентов
- наличие у конкурентов
Методология
Как ИИ помогает решить, какие позиции оставить
Принципы
- Решение принимается на основе комплекса показателей: маржинальность, оборачиваемость, динамика продаж, тренды.
- ИИ не заменяет управленческое решение, а предоставляет прозрачную аналитику и рекомендации.
- Матрица пересматривается регулярно, а не разово.
Допущения
- Данные по продажам и остаткам выгружаются из личного кабинета маркетплейса или учетной системы.
- Компания определила целевые значения по маржинальности и оборачиваемости (или ИИ помогает их подобрать).
Ошибки
- Смотреть только на выручку, игнорируя маржу.
- Не учитывать остатки и оборачиваемость.
- Принимать решения по одному месяцу без учета сезонности.
- Не обновлять матрицу после изменения цен или ввода новых товаров.
Роль ИИ
Как ИИ решает задачу
Классификация товаров по вкладу в прибыль и стабильности спроса
Данные на входе: История продаж по SKU, Остатки, Маржинальность
Что делает модель: Применяет ABC-XYZ анализ: группирует товары по доле в прибыли и вариативности продаж.
Результат: Список товаров с категориями (A, B, C и X, Y, Z) и рекомендациями по каждой группе.
Как используется: Менеджер видит, какие товары — основа ассортимента (AX), а какие — нестабильные или убыточные (CZ).
Выявление товаров с низкой оборачиваемостью и избыточными остатками
Данные на входе: Остатки, Продажи за период
Что делает модель: Рассчитывает оборачиваемость по каждому SKU и сравнивает с целевым значением.
Результат: Список позиций, где остатки превышают норму, с оценкой замороженных средств.
Как используется: Менеджер решает, по каким позициям снизить закупку или запустить акцию для распродажи.
Прогноз спроса на основе трендов и сезонности
Данные на входе: История продаж за 1-2 года, Календарь сезонности
Что делает модель: Обучается на исторических данных и прогнозирует будущие продажи по каждой позиции.
Результат: Прогноз продаж на следующий месяц/квартал с доверительным интервалом.
Как используется: Помогает решить, какие товары стоит развивать (растущий спрос), а какие выводить (падение).
Формирование рекомендаций по сокращению или развитию ассортимента
Данные на входе: Результаты ABC-XYZ, Оборачиваемость, Прогноз спроса
Что делает модель: Собирает все сигналы и формирует текстовые рекомендации: оставить, сократить закупку, вывести, развивать.
Результат: Список позиций с приоритетом действий и обоснованием.
Как используется: Менеджер получает готовый план действий, который остается утвердить.
Разбор
Как это работает
- 1
Вход: выгрузка данных по продажам, остаткам и затратам за последние 6-12 месяцев. Действие: система очищает и объединяет данные по SKU. Результат: единая таблица с показателями по каждой позиции.
- 2
Вход: таблица с продажами и маржинальностью. Действие: система рассчитывает долю каждой позиции в прибыли и стабильность продаж. Результат: присвоены категории ABC и XYZ.
- 3
Вход: остатки и продажи. Действие: система считает оборачиваемость и сравнивает с целевым значением. Результат: список позиций с избыточными остатками.
- 4
Вход: история продаж за 1-2 года. Действие: модель прогнозирует спрос на следующий период. Результат: прогноз по каждой позиции.
- 5
Вход: результаты ABC-XYZ, оборачиваемость, прогноз. Действие: система формирует рекомендации по каждой позиции. Результат: список действий: оставить, сократить, вывести, развивать.
- 6
Вход: рекомендации системы. Действие: менеджер проверяет спорные позиции и утверждает план. Результат: обновленная товарная матрица.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Маржинальность позиции
- Оборачиваемость
- Динамика продаж и тренды
- Остатки и замороженные средства
Какие риски учтены
- Вывод позиции может снизить общую выручку, если товар был популярен, но низкомаржинален.
- Сезонные колебания могут исказить картину, если смотреть только на короткий период.
- Резкое сокращение ассортимента может ухудшить восприятие магазина покупателями.
Какие варианты рассматривались
- Оставить позицию, но снизить закупку и запустить акцию для ускорения оборота.
- Пересмотреть цену или условия поставки, чтобы повысить маржинальность.
- Заменить позицию на аналогичную с лучшими характеристиками.
Выбран вариант, который максимизирует прибыль с учетом ограничений по складу и бюджету, а не просто максимизирует выручку.
Если у компании есть стратегическая цель поддерживать широкий ассортимент (например, для привлечения трафика), рекомендация может быть мягче: не выводить позицию, а оптимизировать закупки.
Результат
Что видит пользователь
Дашборд с товарной матрицей
Таблица со всеми позициями, цветовая индикация по категориям ABC-XYZ, маржинальности и оборачиваемости, а также рекомендации по каждой позиции.
Менеджер видит, какие товары требуют действий, и может сразу перейти к заказу или распродаже.Список рекомендаций
Перечень позиций с приоритетом: оставить, сократить, вывести, развивать, с обоснованием.
Менеджер утверждает план и передает его в закупку или маркетинг.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и объединение данных из разных источников (продажи, остатки, затраты).
- Расчет маржинальности, оборачиваемости, ABC-XYZ классификации.
- Прогноз спроса на основе истории.
- Формирование рекомендаций по каждой позиции.
Требует настройки
- Настройка целевых значений по маржинальности и оборачиваемости.
- Определение периода анализа (например, 6 или 12 месяцев).
- Настройка прав доступа для разных ролей.
Остаётся за человеком
- Утверждение рекомендаций по выводу или развитию позиций.
- Решение по стратегическим товарам, которые важны для имиджа магазина.
- Учет внешних факторов, которые не видны в данных (например, изменение законодательства).
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные по продажам и остаткам в Excel.
- Вручную рассчитать маржинальность и оборачиваемость по каждой позиции.
- Провести ABC-XYZ анализ с помощью сводных таблиц.
- Принять решение по позициям с наихудшими показателями.
Рабочая система
- Настроить автоматическую выгрузку данных из личного кабинета маркетплейса.
- Создать базу данных для хранения истории продаж и остатков.
- Разработать скрипты для расчета показателей и формирования дашборда.
- Настроить регулярное обновление рекомендаций.
Расширенный вариант
- Подключить прогнозную модель спроса с учетом сезонности и трендов.
- Интегрировать данные о конкурентах и ценах.
- Внедрить сценарный анализ: что будет, если вывести определенные позиции.
Подготовка
Чек-лист перед запуском
- 1
Определены цели: что важнее — выручка, прибыль или доля рынка.
- 2
Собраны данные по продажам, остаткам и затратам минимум за 6 месяцев.
- 3
Рассчитана маржинальность по каждой позиции с учетом всех издержек.
- 4
Определены целевые значения по маржинальности и оборачиваемости.
- 5
Проведен ABC-XYZ анализ.
- 6
Выявлены позиции с избыточными остатками и низкой оборачиваемостью.
- 7
Составлен прогноз спроса на следующий период.
- 8
Сформированы рекомендации по каждой позиции.
- 9
План утвержден ответственными лицами.
- 10
Назначена дата следующего пересмотра матрицы.
Вывод
Главное
Решение о том, какие позиции оставить, должно опираться на комплексный анализ прибыльности и оборачиваемости, а не на интуицию.
Основные данные — история продаж, остатки, затраты. Ключевые расчеты — маржинальность, оборачиваемость, ABC-XYZ классификация, прогноз спроса.
ИИ автоматизирует сбор и анализ данных, выявляет закономерности и формирует рекомендации, но финальное решение остается за человеком.
Начните с выгрузки данных по продажам и остаткам за последние 6 месяцев и расчета маржинальности по каждой позиции в Excel.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится вокруг пути: бизнес-проблема -> модель решения -> данные -> автоматизация -> интерфейс -> работающее решение. Практикум рассчитан на собственников, руководителей, аналитиков и менеджеров малого и среднего бизнеса без требования уметь программировать.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
ИИ не знает специфику моего товара, как он может советовать?
ИИ работает с вашими данными: продажи, остатки, затраты. Он не оценивает товар субъективно, а показывает объективные показатели: маржинальность, оборачиваемость, динамику. Финальное решение всегда за вами, ИИ лишь подсвечивает проблемные зоны.
У меня мало данных, ИИ не сможет ничего посчитать.
Даже с небольшим объемом данных можно начать с простых расчетов: маржинальность и оборачиваемость. Постепенно, накапливая историю, вы сможете подключать прогнозные модели. Главное — начать с регулярного сбора данных.
Это слишком сложно, я не программист.
Для старта достаточно Excel и базовых формул. На практикуме ReMetod вы научитесь автоматизировать такие задачи без программирования, используя готовые инструменты и логику.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться автоматизировать анализ товарной матрицы с помощью ИИ? Приходите на бесплатный вебинар ReMetod.