Кейс: повысить продажи на 44% за счет работы с товарными стоками

Продукт

Клиент Easy Commerce занимается производством продуктов питания в нескольких категориях — от кондитерских изделий до приправ и соусов. Кроме торговых сетей, товары бренда продаются на маркетплейсах и через сервисы доставки, в том числе — в Яндекс Лавке (на ее примере мы опишем принцип работы с товарными остатками).

 Задача

Товары клиента еженедельно доставляются более чем на 300 складов (дарксторов) в Москве. Перед Easy Commerce стояла задача выявлять склады, где заканчиваются товары, и определить набор товаров, которые нужно поставить.

Важно было работать на снижение метрики OOS (out of stock, товара нет в наличии), чтобы бизнес не терял деньги из-за того, что товары в дарксторах закончились. И одновременно растить метрику InStock (товар в наличии).

Контекст

Данные по остаткам на складе в штуках отдают не все платформы: чаще они ограничиваются статусами «много» или «мало». Это усложняет работу со стоками: без дополнительных инструментов продавцу сложно определить количество отдельных наименований и рассчитать, когда товары закончатся.

Мы подходим к этой проблеме с нескольких сторон:

• с помощью инструмента CAT собираем данные, которые помогают обнаружить системные проблемы с поставками и товары, заканчивающиеся чаще всего;
• на основе данных от клиента управляем стоками онлайн;
• создаем модели для прогноза, на каком складе закончится тот или иной товар и когда именно это произойдет.

Данные для работы со стоками собираются в разбивке по всем складам и дарксторам, которые есть у маркетплейса в городе или группе городов.

Такой подход помогает понять, какой товар и в каком объеме есть на каждом складе.

Реализация

Клиент поставляет товары в распределительный центр Яндекс Лавки по средам — оттуда платформа самостоятельно развозит их по дарксторам. Со стороны продавца поставки и остатки на складе курирует КАМ-менеджер, который самостоятельно следит за стоками, — подробных данных об остатках платформа не предоставляет.

Каждую среду клиент отдавал данные по объемам поставок с детальной разбивкой на виды товаров и их остатки на 234 складах в штуках. Адреса складов мы получили тремя способами: часть — через API маркетплейса, часть предоставил клиент, а остальные — путем перебора. В последнем случае бот подставляет улицы города, пока количество SKU в наличии не меняется, и определяет все зоны доставки и адреса складов.

Было выделено 11 фокусных товарных позиций, и раз в сутки по ним собиралась статистика с помощью инструмента CAT. Итоговая выгрузка выглядела так:

Данные помогли КАМ-менеджеру сформировать заказ на поставку с учетом остатков и сформировать точечные поставки товаров на нужные склады. В таблицах ниже — остатки на складах до и после поставки:

Результат

Несмотря на то, что в новой схеме расчета поставок участвовали не все склады, метрика InStock (товар в наличии) с октября 2023-го по февраль 2024-го выросла с 42% до 69%.

На графике выше видно, что товары клиента почти не заканчивались на складе Яндекс Лавки. Эти изменения непосредственно отразились на продажах:

Кроме общих продаж, мы рассчитывали ежедневные — на основании уходимости стоков по формуле разницы между стоком SKU за вчерашний день и сегодняшний, умноженной на актуальную цену в Яндекс Лавке. При расчете учитываются допоставки, чтобы в итоговом отчете не было отрицательных продаж, а результаты сравниваются с клиентскими данными.

Итог

Основным бизнес-результатом стал рост продаж на 44%. В конце октября 2023 года продажи по 11 наблюдаемым SKU в неделю составляли 22 700 рублей, а в конце февраля 2024 года — уже 52 000 рублей.