АВС-анализ клиентов. Лучшая статья недели (20-26.09) в 'Творчестве без купюр'

Артем Эмануэль

АВС-анализ – это один из самых доступных методов группировки клиентов по степени важности. В первую очередь, он полезен тем компаниям, где существуют сложности с обработкой данных специализированным программным обеспечением. Однако у начинающих специалистов, которые впервые столкнулись с необходимостью проанализировать продажи с помощью этого метода, он нередко вызывает массу вопросов. Попробуем разобраться, что именно приводит к сложностям и как их преодолеть.

Беглый анализ

АВС-анализ – это один из методов ранжирования клиентской базы на группы с разным удельным весом, в зависимости от того или иного критерия. В литературе чаще всего можно встретить примеры проведения АВС-анализа по показателям продаж в натуральном выражении, оборота или прибыли.

Одним из вариантов интерпретации АВС-анализа является диаграмма Паретто. Дело в том, что АВС-анализ базируется на принципе Паретто, который означает, что 20% усилий дают 80% результата, а остальные 80% усилий - лишь 20% результата. Однако при проведении АВС-анализа клиенты, как правило, распределяются не на две, а на три группы А – 75%, В – 20% и С – 5%. Откуда берутся эти цифры? «Из головы». На самом деле, число таких групп и процентные отношения между ними могут быть произвольными, в чем мы сможем убедиться чуть ниже.

Для макетолога, который является экспертом в своей отрасли, подобной технологии ранжирования клиента совершенно достаточно для общей оценки ситуации на конкретном предприятии. Но для специалиста, который только начинает свое знакомство с тем или иным рынком, может быть полезен более глубокий анализ. В этом мы имели возможность убедиться на собственном опыте. Вкратце объясним те сложности, с которыми мы и наши коллеги сталкивались при проведении анализа описанным выше методом.

Во-первых, при произвольном изменении процента покрытия групп «А», «В» и «С» меняется их состав, причем зачастую довольно существенным образом. Как с этим быть, какие выводы делать и какие рекомендации предлагать предприятию, становится непонятным. Кроме того, если использовать деление на группы для оценки «важности клиентов», на первый взгляд, очень сложно понять, почему группа «А» должна вносить вклад в размере 75%, а, например, не в размере 80%.

Во-вторых, если мы используем заданный процент для анализа динамики поступлений от клиентов в течение времени, может получиться так, что какой-нибудь отдельно взятый клиент с одним и тем же стабильным объемом покупок (или прибылью) попадает в разные группы, в зависимости от взятого  периода.

Пример такой ситуации приведен в группе таблиц №1. В ней мы рассматриваем реальную ситуацию, сложившуюся в компании, которая занимается продажей тканей, и приводим анализ пяти ее клиентов по критерию объема закупок в натуральном выражении за год. При этом в данном случае, проводя АВС-анализ, клиентов мы будем «разбивать» в соотношении 70:20:10.

Группа таблиц №1

А) Данные по продажам ткани в динамике: простой список клиентов

Клиент 2000 г. (метров) 2001 г.  (метров) 2002 г. (метров)
Клиент 1 3000 3200 3800
Клиент 2 700 700 700
Клиент 3 300 450 800
Клиент 4 50 180 1000
Клиент 5 0 10 000 12 000
Всего: 4050 14 530 18 300

Б) Данные по продажам ткани в динамике: ранжированный список клиентов

Клиент  2000 г. (метров)   2001 г. (метров)   2002 г. (метров)
Клиент 1 3000 Клиент 5 10 000 Клиент 5 12 000
Клиент 2 700 Клиент 1 3200 Клиент 1 3800
Клиент 3 300 Клиент 2 700 Клиент 4 1000
Клиент 4 50 Клиент 3 450 Клиент 3 800
Клиент 5 0 Клиент 4 180 Клиент 2 700

В) Предварительное распределение клиентов по группам

Группы 2000 г (метров) 2001 г (метров) 2002г (метров)
А - 70% 2835 10 171 12 810
В - 20% 810 2906 3 660
С - 10% 405 1453 1830

С какими проблемами мы сталкиваемся в данном примере? Проблема первая: анализируя ситуацию в динамике, невозможно точно отнести клиентов к той или иной группе. По данным на 2000 г., «Клиент №1» формирует группу «А», но также вносит свой вклад в долю группы «В». Но в следующие два года «Клиент №1», наоборот, вносит очень незначительный вклад в группу «А», хотя при этом у него наблюдается положительный рост объема продаж. Неопределенной является ситуация и с «Клиентом №2»: в первый год он попадает в группу «В», а в третий - в группу «С», хотя объем его закупок не изменился.

Конечно, можно обратить внимание на то, что в 2001 г. у компании появился новый клиент – «Клиент №5», который существенным образом повлиял на расклад ситуации. Поэтому можно попытаться решить проблему «миграции» групп путем раздельного анализа старых и новых клиентов, но и это позволяет решить имеющуюся проблему лишь частично.

Проблема номер два: если нам, к примеру, понадобится проанализировать историю клиентов и по объемам продаж, и по показателям прибыли, и по срокам погашения дебиторской задолженности, то мы не сможем этого сделать. В данном примере невозможно анализировать клиентов по нескольким параметрам одновременно, хотя такой многомерный анализ является сутью грамотного разбиения клиентов на группы.

Таким образом, описанный нами вариант ранжирования клиентов по фиксированному проценту покрытия оптимален, когда нам необходимо провести анализ клиентов в рамках одного периода. А вот анализ показателей в динамике в этом случае затруднен.

Как обойти описанные выше сложности? Это возможно, если за основу для разбиения по группам взять не заданный процент, а фиксированный объем продукции в натуральном выражении. Вернемся к нашему примеру. Предположим, мы хотим, чтобы в группу «А» были включены клиенты, чей годовой объем закупок превышает 1000 м, в группу «В» – клиентов с закупками от 100 до 999 м, а в группу «С» – клиентов, покупающих менее 100 м ткани.

Тогда по итогам 2000 г. в группу «А» войдет клиент №1, в группу «В» – клиенты №2 и №3, а в группу «C» – клиент №4. Как видно, этот вариант разбиения клиентов снял проблему невозможности четко определить, в какую группу относится клиент. Также отсутствует проблема «перехода» клиента из одной группы в другую без реального изменения объема продаж. Но возникает ряд других сложностей. В 2001 г. в группу «А» вошли клиенты №1 и №5, в группу «В» – №2, №3 и №4. В 2002 г. в группу «А» попали клиенты №4, №1 и №5, в группу «В» – №3 и №2. Как это повлияло на распределение процентных долей наших групп? Данные представлены в таблице №2.

Таблица №2. Данные по продажам ткани и ранжирование клиентов исходя из фиксированных показателей объема закупок

  2000 г.     2001 г.     2002 г.  
Клиент 1 3000 А Клиент 5 10 000 А Клиент 5 12 000 А
Клиент 2 700 В Клиент 1 3200 А Клиент 1 3800 А
Клиент 3 300 В Клиент 2 700 В Клиент 4 1000 А
Клиент 4 50 С Клиент 3 450 В Клиент 3 800 В
Клиент 5 0   Клиент 4 180 В Клиент 2 700 В
                 
Всего: 4050     14 530     18 300  
  Процент     Процент     Процент  
А 74%   А 91%   А 92%  
В 25%   В 9%   В 8%  
С 1%              

Вводя фиксированный объем закупок в качестве границ для групп, мы можем увидеть, насколько существенно различается вклад каждой группы из года в год. При этом определение базовых объемов закупок, которые берутся за основу для разделения клиентов на группы, будет критичным для анализа.

Углубленный анализ

Метод, о котором мы рассказали в предыдущем разделе, хорош для быстрого, поверхностного анализа динамики клиентов. Предположим, нам надо посмотреть, как менялась структура клиентов по заданному параметру (например, объем продаж) в течение нескольких лет. Сначала мы проводим анализ последнего года[i] по первому методу, то есть исходя из заданного процента покрытия групп (70:20:10). Потом мы анализируем группу «А» и выбираем базовый объем продаж. В нашем случае в качестве базового периода был принят 2000 год, а исходя из беглого анализа клиентов, мы пришли к выводу, что критичными являются объемы продаж в 1000 и 100 метров.

И, наконец, проводим разбиение с использованием выбранного критического значения нужного параметра по всем годам (в приведенном примере это объем продаж в натуральном выражении). Видно, что группа «А» существенно увеличила свой вклад в объемы продаж фирмы.

Кстати, этот же анализ можно провести с учетом дополнительных параметров «новый клиент», «старый клиент», «потерянный клиент» и «вернувшийся клиент». Но об этом мы расскажем чуть позже. А пока посмотрим, как можно повысить качество ранжирования, если обосновать выбор критических значений.

Мы предлагаем один из самых простых и интуитивно понятных способов решения этой задачи – будем разбивать клиентов с использований квартилей[ii]. А сделаем мы это на примере случайной выборки из 22 клиентов компании (данные представлены в группе таблиц №3).

Группа таблиц №3.

А) Исходные данные: продажи по клиентам

Клиент Объем покупок (в метрах)
  1. Клиент 1
30000
  1. Клиент 9
7000
  1. Клиент 2
5000
  1. Клиент 10
3600
  1. Клиент 17
2300
  1. Клиент 3
1000
  1. Клиент 18
860
  1. Клиент 11
700
  1. Клиент 7
680
  1. Клиент 21
620
  1. Клиент 8
590
  1. Клиент 16
510
  1. Клиент 20
470
  1. Клиент 19
350
  1. Клиент 14
320
  1. Клиент 4
250
  1. Клиент 12
200
  1. Клиент 6
180
  1. Клиент 13
170
  1. Клиент 16
170
  1. Клиент 5
140
  1. Клиент 15
50
Итого 55160

Б) Распределение значений

Максимальное значение Минимальное значение Среднее значение Нижний квартиль Медиана Верхний квартиль
30000 50 2507,2727 212,5 550 965

Интуитивно можно предположить, что пороговыми значениями будет 1000 и 10 000.

Проверим. Вычисляем выбросы по формуле:

Выброс = «Верхний квартиль» + 1,5 * (Верхний квартиль - Нижний квартиль) = 2093,75.

То есть, все числа, превышающие 2093,75, - выбросы.

Нижние выбросы в данном случае нас не интересуют. На практике они часто не учитываются, потому что:

Нижний выборос = Нижний квартиль - 1,5 * (Верхний квартиль - Нижний квартиль) = - 410.

В) Рассматриваем продажи по клиентам, попавшим в верхние выбросы

Клиент 1 30000
Клиент 9 7000
Клиент 2 5000
Клиент 10 3600
Клиент 17 2300

Нижний квартиль Верхний квартиль Выбросы
3600 7000 12100

Г) Итоговое разбиение клиентов

Группа Клиент Продажи Продажи по группе Процентная доля
А Клиент 1 30000    
      30000 54%
В Клиент 9 7000    
  Клиент 2 5000    
  Клиент 10 3600    
  Клиент 17 2300    
      17900 32%
С: Клиент 3 1000    
  Клиент 18 860    
  Клиент 11 700    
  Клиент 7 680    
  Клиент 21 620    
  Клиент 8 590    
  Клиент 16 510    
  Клиент 20 470    
  Клиент 19 350    
  Клиент 14 320    
  Клиент 4 250    
  Клиент 12 200    
  Клиент 6 180    
  Клиент 13 170    
  Клиент 16 170    
  Клиент 5 140    
  Клиент 15 50    
      7260 13%

Несколько пояснений к расчетам. Приведенный список клиентов сортируется по мере уменьшения объемов покупок. После этого для приведенных показателей определяются: среднее значение, медиана, нижний и верхний квартиль[iii]. Все эти вычисления можно делать с помощью стандартных функций «КВАРТИЛЬ» и «СРЗНАЧ» в Microsoft Excel.

Если посмотреть на значения из списка бегло, можно предложить разбить клиентов на группы по следующему принципу:

  • Группа А – от 10 000 м,
  • Группа В – от 1 000 до 9 000,
  • Группа С – от 999 и ниже.

Теперь считаем выборосы и получаем, что критическим значением для верхнего выбороса является (округленно) число 2094. Благодаря этому вычислению мы можем для начала разбить клиентов на две группы: в первую попадут те, чей объем покупок выше указанного значения, во вторую - те, чей объем ниже. В приведенном примере первая группа будет обеспечивать 87% всех продаж в натуральном выражении (общая сумма продаж равняется 55 160 метрам, а на первую группу приходится 47 900 из них). Мимоходом заметим, что подобная ситуация характерна для сырьевых рынков и рынков расходных материалов.

Что теперь? Проведение дальнейшего анализа зависит от поставленных задач. В целом можно пойти двумя путями. Можно первую полученную группу назвать группой «А», а оставшуюся часть, при необходимости, разбить еще на две группы - это уже субъективное решение. А можно полученные выбросы опять проанализировать с помощью квартилей, как мы и поступили. В некоторых случаях это дает очень полезные данные. К примеру, в нашем случае был выделен один клиент, чей объем продаж сильно отличается от всех остальных (см. таблицы 3-В и 3-Г).

По итогам анализа мы видим, что в группу «А» вошел только один клиент. Если мы встречаемся с такой ситуацией на практике, мы всегда стараемся понять, откуда взялся такой клиент, который вносит целых 54% в продажи и по сути формирует собой целую группу. Для начала мы советуем обратиться к исходным данным и проверить, нет ли там ошибки.

Но в данном случае все проще. Специфика деятельности взятого нами сырьевого рынка в том, что на нем действительно присутствует небольшая группа клиентов, которая обеспечивает непропорционально высокий вклад в продажи. Отметим, что в данном случае мы имеем дело с небольшой выборкой из 280 клиентов компании, а на самом деле таких крупных заказчиков, как в группе «А», у нее 7 и они обеспечивают 88-процентный вклад в продажи.

Так как анализ с помощью квартилей и выбросов помогает выделить клиентов, чей объем продаж сильно отличается от общей группы, повторный анализ этим методом позволяет определить клиентов, к которым надо относиться ОЧЕНЬ внимательно. На практике мы часто проводим повторный анализ с помощью квартилей, чтобы выделить клиентов в особую группу VIP, которую мы добавляем  к традиционным А, В и С.

Теперь пойдем дальше. К настоящему моменту мы осуществляли общий анализ вклада клиентов в продажи. Теперь же рассмотрим выборки клиентов за три года и проанализируем показатели в динамике (данные представлены в группе таблиц №4).

Группа таблиц №4

А) Показатели продаж в динамике, исходные данные

Клиент 2000-й г. (м) 2001-й г. (м) 2002-й г. (м)
Клиент 1 30000 35000 32000
Клиент 10 3600   2800
Клиент 11 700 650 8000
Клиент 12 200 600  
Клиент 13 170 350 240
Клиент 14 320 2000 600
Клиент 15 50    
Клиент 16 510 600 800
Клиент 16 170 4000 7000
Клиент 17 2300 500 410
Клиент 18 860 710 950
Клиент 19 350 1100 980
Клиент 2 5000 15000  
Клиент 20 470 800 970
Клиент 21 620 250 270
Клиент 22   2500 3200
Клиент 23   520 680
Клиент 24   1700 2200
Клиент 25   150  
Клиент 26   270 530
Клиент 27   40 150
Клиент 28   6800 9400
Клиент 29   380 570
Клиент 3 1000 460 980
Клиент 30   710  
Клиент 4 250 350 410
Клиент 5 140 270 250
Клиент 6 180   560
Клиент 7 680 240 950
Клиент 8 590 280  
Клиент 9 7000 6800 9400
       
Итого 55160 83030 84300

Примечание. Казалось бы, наблюдается явное несоответствие в группировке клиентов по годам, если мы будем осуществлять ее на основе анализа квартилей по каждому отдельно взятому году. В 2000 году в группу 'В' попадет любой клиент, чей объем покупок выше 3000 м, а в 2001 году - те, у кого объем продаж выше 4000 м. Но это лишь на первый взгляд.

Для начала проверим адекватность разбиения клиентов по группам. Для этого проведем описанный выше анализ для каждого года отдельно.


Б) Квартили и выбросы: анализ по годам

  2000-й г. 2001-й г. 2002-й г.
Нижний квартиль 212,5 332,5 530
Верхний квартиль 965 1775 2800
Выброс 1 2093,75 3938,75 6205
       
Нижний квартиль 3600 6800 8000
Верхний квартиль 7000 15000 9400
Выброс 2 12100 27300 11500

В) Ранжирование по группам

Клиент 2000-й г. Группа 2001-й г. Группа 2002-й г.  Группа
Клиент 1 30000 А 35000 А 32000 А
Клиент 9 7000 В 6800 В 9400 В
Клиент 28     6800 В 9400 В
Клиент 11 700 С 650 С 8000 В
Клиент 16 170 С 4000 В 7000 В
Клиент 22     2500 С 3200 С
Клиент 10 3600 В     2800 С
Клиент 24     1700 С 2200 С
Клиент 19 350 С 1100 С 980 С
Клиент 3 1000 С 460 С 980 С
Клиент 20 470 С 800 С 970 С
Клиент 18 860 С 710 С 950 С
Клиент 7 680 С 240 С 950 С
Клиент 16 510 С 600 С 800 С
Клиент 23     520 С 680 С
Клиент 14 320 С 2000 С 600 С
Клиент 29     380 С 570 С
Клиент 6 180 С     560 С
Клиент 26     270 С 530 С
Клиент 17 2300 В 500 С 410 С
Клиент 4 250 С 350 С 410 С
Клиент 21 620 С 250 С 270 С
Клиент 5 140 С 270 С 250 С
Клиент 13 170 С 350 С 240 С
Клиент 27     40 С 150 С
Клиент 2 5000 В 15000 В    
Клиент 30     710 С    
Клиент 12 200 С 600 С    
Клиент 8 590 С 280 С    
Клиент 25     150 С    
Клиент 15 50 С        

Г) Вклад каждой группы в продажи:

  2000-й г. 2001-й г. 2002-й г.
Итоговый объем продаж 55160 83030 84300
Кол-во клиентов 22 28 25
Средний объем продаж в пересчете на 1 клиента 2507,273 2965,357 3372
Группа А      
Объем продаж по группе за год 30000 35000 32000
В % от итогового объема продаж 54% 42% 38%
Кол-во клиентов 1 1 1
В % от всех клиентов 5% 4% 4%
Средний объем продаж в пересчете на 1 клиента - - -
S (стандартное отклонение в данной группе) - - -
Коэффициент вариации[iv] - - -
Группа В      
Объем продаж по группе за год 17900 32600 33800
В % от итогового объема продаж 32% 39% 40%
Кол-во клиентов 4 4 4
В % от всех клиентов 18% 14% 16%
Средний объем продаж в пересчете на 1 клиента 4475 8150 8450
S (стандартное отклонение в данной группе) 2012,254 4753,595 1170,47
Коэффициент вариации 45% 58% 14%
Группа С      
Объем продаж по группе за год 7260 15430 18500
В % от итогового объема продаж 13% 19% 22%
Кол-во клиентов 17 23 20
В % от всех клиентов 77% 82% 80%
Средний объем продаж в пересчете на 1 клиента 427,0588 670,8696 925
S (стандартное отклонение в данной группе) 1013,346 613,4471 840,0407
Коэффициент вариации 237% 91% 91%


Что мы сделали? В качестве исходных данных для анализа мы снова взяли реальные показатели продаж тканей за три года. Если информация о покупках для некоторых клиентов за какой-то год отсутствует, это означает, что в этот период они не купили ничего.

В таблице №4-Б представлены данные анализа клиентов по квартилям и разбросам за каждый год отдельно. Что можно сказать о динамике продаж без анализа новых, старых, упущенных и вернувшихся клиентов? Если посмотреть на объемы продаж, то мы видим резкий рост в 2001 году по сравнению с 2000, и примерно один и тот же уровень в 2002. Но если сравнить выбросы №1 и №2 за три года, мы видим, что их динамика отличается от общей динамики продаж. Это говорит о значительных изменениях в структуре клиентов компании (выбросы №2 в первом и третьем периоде практически одинаковы, а во втором – резко повышаются).

Если работать с таким относительно небольшим диапазоном данных, как в данном примере, такую тенденцию легко обнаружить невооруженным взглядом, даже без анализа динамики квартилей. Но если список клиентов исчисляется сотнями, то можно использовать рекомендованными нами несложный подход,  чтобы быстро оценить внутренние изменения клиентской базы за разные периоды.

Данные в таблице №4-Г интересно рассмотреть более детально. Из нее мы видим, что для данного примера в группу «А» входит только 1 клиент. Это нетипичная ситуация, и как объяснялось ранее, она возникла потому, что мы используем выборки из реальных данных сырьевого предприятия, а также разбиваем клиентов на группы с помощью повторного анализа выбросов. Если такая ситуация возникает на практике, то такого клиента (или очень малое число клиентов, значительно превосходящих по объемам продаж основную группу), полезно рассматривать отдельно, к чему мы еще вернемся.

Кроме того, из таблицы №4-Г можно заключить, что вклад группы «В» в общий объем продаж постепенно растет, хотя динамика последних двух лет незначительна, а количество клиентов не меняется. Повышается и средний размер покупки, хотя и здесь в два последние периода рост незначителен.

Если посмотреть на значения стандартного отклонения и коэффициента вариации, мы можем сделать вывод, что в 2002 году группа «В» по объему покупок достаточно гомогенна, а в 2001 году разброс объема продаж внутри группы наиболее выражен. Из этого мы можем сделать два предположения: либо мы имеем дело с различными сегментами клиентов, либо мы имеем дело с различной эффективностью работы нашей компании с этой группой клиентов. Забегая вперед, скажем, что для того, чтобы сделать окончательный вывод, нужно проводить несколько иной вид анализа, который мы рассмотрим позже.

В группе «С» ситуация иная. Внутри этой группы наблюдается значительный разброс по показателям продаж. С одной стороны, это может говорить о том, что разбиение клиентов на группы выполнено неверно. Но если мы уверены в корректности ранжирования, мы можем констатировать, что клиенты данного сегмента значительно разнятся между собой. Динамика по ее вкладу в продажи положительна, но с количеством клиентов такой четкой зависимости нет.

Итак, для наиболее полного анализа клиентов полезно совместить все три описанных выше подхода: первый – на основе заданного процентного вклада в группу, второй – на основе заданного вклада в абсолютном выражении, третий – на основе анализа распределения с использованием квартилей. Не вдаваясь в подробности, скажем лишь, что последний вариант разбиения клиентов хорошо подходит для относительного анализа динамики клиентов, но не может быть использован для отнесения клиентов в группы для того, чтобы использовать их как индикаторы «значимости» клиентов.

Нужно учитывать, что повторный анализ выбросов может сформировать очень небольшую группу клиентов. Тогда ее полезно выделить в отдельную группу VIP, а разбиение оставшейся части делать немного по-другому. Обычно, когда повторный анализ выбросов дает группу из очень небольшого числа клиентов, то структура продаж будет очень неоднородной. Этих клиентов стоит рассматривать отдельно и анализировать, почему возникла такая ситуация. Очень часто это может говорить о том, что компания «доросла» до нового этапа – для работы с очень крупными заказчиками и эта группа VIP сильно отличается от всех прошлых клиентов.

Возможны, конечно, и другие варианты. В общем случае, еще раз повторимся, эту группу надо рассматривать отдельно. Тогда на данном этапе у нас получатся только две основные группы. Первая – группа «А», которую мы выделили исходя из анализа выбросов первый раз. Чтобы «разбить» оставшуюся «внизу» группу на две части, полезно посмотреть, какой вклад в продажи вносит уже готовая группа «А». Если группа «А» занимает в структуре продаж больше 70%, то полезно пытаться разбить оставшуюся группу так, чтобы клиенты «В» занимали от 20 до 25%.

Тут возникает проблема, которой мы пока не касались. Предположим, у Вас есть список:

  • Клиент 1 – 800
  • Клиент 2 – 750
  • Клиент 3 – 600
  • Клиент 4 – 550
  • Клиент 5 – 500
  • Клиент 6 – 450
  • И т.д.

В такой ситуации разница между каждой парой клиентов очень невелика. И если мы скажем, что клиенты с 1 по 3 – это группа «В», а ниже – «С», то будет неясна разница между клиентом 4 и 3. Почему 4-й это уже группа «С», а 3-й еще «В»? Проблема действительно серьезная, потому что предполагается, что разбиение клиентов осуществляется не просто так. К тому же, разделив клиентов на группы, вы будете по разному к ним относиться и предлагать им разные условия работы. Возможный выход из ситуации – введение в анализ дополнительных данных по клиентам. В общем виде эти данные должны исходить из отдела маркетинга и представлять критерии разбиения клиентов на сегменты.

Очень часто полезен и такой подход. В качестве дополнительных двух критериев вы можете ввести потенциальный объем потребления клиентом вашего товара (за оцениваемый период) и его отраслевую принадлежность. Этот вариант особенно хорош, если вы занимаетесь продажами сырья или расходных материалов, то есть продукции, которую один и тот же клиент использует постоянно в своем производстве. Тогда менеджеры компании могут оценивать ориентировочные объемы продаж по данному клиенту, а кроме того – они довольно точно могут указать их отрасль.

Введение этих двух дополнительных параметров имеет ограничение: если каждый менеджер по продажам работает с сотнями клиентов, то получение подобной информации затруднительно. Как вариант, можно попросить их указать данные по потенциальным объемам продаж только для тех клиентов, которые могут покупать много, но в реальности покупают у вас мало. Но это уже несколько другой анализ.

На самом деле есть большая вероятность, что после разбиения клиентов на группы по признаку УЖЕ СОВЕРШИВШИХСЯ ПРОДАЖ – будь то прибыль, оборот в денежном или натуральном выражении, - вы совершаете одну большую неточность. Ведь среди ваших клиентов есть группа, которая у вас покупает МАЛО, но РЕАЛЬНО потребляет много. Этот особенно характерно для тех отраслей, где возможности дифференциации по продуктам низки, например, тех же сырьевых.

Чем выше степень коммодизации сырья, тем проблема актуальнее. К примеру, если вы торгуете биржевым товаром, то подобная проблема стоит особенно остро. В связи с этим мы рекомендуем все-таки проводить подобный анализ, где в качестве критерия анализа выступает степень покрытия потребности клиента вашей продукцией. В рамках такого анализа для каждого клиента необходимо высчитать коэффициент, который получается путем деления объема продаж вашей продукции этому клиенту на общую потребность клиента в этой продукции.

Пример. Допустим, вы продаете бумагу для типографий. Если вы продали типографии 100 тонн бумаги в год, а ее потребность – 1000 тонн в год, то коэффициент покрытия равен 0,1. То есть, вы обеспечиваете клиенту 10% его потребности в продукции. Почему так? Об этом стоит подумать. Возможно, этот клиент представляет не основной целевой сегмент компании (тогда стоит проанализировать перспективы выхода в этот сегмент), а может быть, это показатель неэффективной работы службы продаж.

Очень часто при проведении такого анализа возникает проблема – где взять данные о реальных потребностях клиентов? На это вопрос ответим кратко: если в вашем отделе продаж работают профессионалы, они ДОЛЖНЫ знать реальные потребности своих клиентов. Точка.

Итоги и рекомендации

Обобщим вышесказанное. На первом этапе АВС-анализа необходимо выбрать критерии для оценки. Это может быть один простой критерий (например, прибыль) или же некий обобщенный показатель. Какие критерии делать базой для анализа, решать только вам. Но именно от этого будет зависеть практическая полезность выводов, сделанных в результате итогового анализа.

Например, в ситуациях, когда менеджеры по продажам получают фиксированный процент от оборота, а для компании важна краткосрочная прибыль, те оценки значимости клиентов, которые дают менеджеры, могут не соответствовать целям организации. Часто бывает, что менеджеру важно просто заключить как можно больше контрактов и он будет давить и давить на руководство, требуя возможности снижения цен, предоставления отсрочек и т.д. Не вдаваясь в дискуссии на тему того, насколько приемлема эта ситуация, отметим: в таком случае может быть полезно проведение анализа клиентов на основе критерия «прибыль». Во-первых, это поможет лучше понять, к каким клиентам действительно нужно менять отношение (не полагаясь на субъективное мнение менеджеров). Во-вторых, это может стать фундаментом для разработки мотивационной схемы оплаты труда менеджеров, которая будет лучше подходить целям фирмы.

Как мы уже отметили, что у маркетологов также есть возможность использовать некий интегральный критерий ценности клиента, включающий в себя все другие. Предположим, нужно одновременно учесть и прибыль, и оборот, и скорость возврата дебиторской задолженности. Для этого следует присвоить каждому критерию свой весовой коэффициент и ввести для расчетов обобщенный показатель.

Приступая ко второму этапу анализа, важно понимать, что вы хотите получить на выходе. Если нужно проанализировать данные за один период, то достаточно воспользоваться простым процентным методом. Дополнительный анализ распределения показателей внутри каждой группы используйте для самопроверки, он позволит увидеть, насколько грамотно выбраны проценты разбиения долей.

Как бы то ни было, одна лишь эта группировка вряд ли даст вам сколько-нибудь значимые результаты, которые можно применить на практике. Поэтому анализ одного периода необходимо дополнить таким же анализом по степени покрытия клиентов, а также провести оценку в разрезе отрасли и менеджеров. В итоге, простой процентный анализ должен быть дополнен еще тремя-четырьмя.

В целом мы можем говорить о том, что в рамках АВС-анализа есть несколько необходимых видов ранжирования:

  • Обобщенный анализ, процентный метод. Вы смотрите несколько вариантов группировок – 75%, 20%, 5%.  80, 15, 5. 70, 25, 5 и т.д. вплоть до 80, 20. Анализ распределения и вариативности каждой группы а также обычный здравый смысл подскажет вам, какой вариант наиболее соответствует вашей ситуации. Результаты устраивают? Прекрасно. Тогда не надо больше тратить на это время. Есть потребность в более глубоком анализе данных? Идем дальше.
  • Попробуйте ввести параметр «Отрасль». Посмотрите, есть ли отрасли, которые попадают только в группу «С»? Только в «А»? Над этим стоит подумать. Такого нет? Все отрасли распределены примерно одинаково? А грамотно ли вы дифференцируетесь? Сделайте анализ для каждой отрасли отдельно.
  • Можно ввести параметр «Менеджер». Есть ли менеджеры, чьи продажи сосредоточены только в группе «С»? Только в «А»? Обдумайте это. Такой зависимости нет? Проведите анализ для каждого менеджера отдельно. Сделайте для всех такую же группировку клиентов по группам, какую вы уже делали для каждой отрасли. Это поможет проверить, насколько приоритеты, которые расставляют менеджеры для своих клиентов, соответствуют целям компании.
  • Все еще недостаточно данных? Сделайте все эти анализы для процента покрытия потребностей клиентов. Для этого попросите менеджеров оценить клиентов данного периода по уровню потребности в товаре, подобном вашему. (Или используйте доступные базы данных).
  • Если же Вы хотите посмотреть динамику клиентов, то для начала сделайте описанный выше общий анализ для каждого периода. Динамика средних, количества клиентов, вклада каждой группы и коэффициента вариации может многое сказать о том, как меняются ваши продажи.
  • Если вы хотите пойти более глубоко, анализ вариативности можно сделать для отраслей и менеджеров, или и для отрасли и для менеджера вместе. К примеру, вы сможете увидеть, что большинство клиентов из отрасли «Х» входят в группу «А». Но из этой отрасли есть клиенты, которые попали в группу «С». Может быть, с ними работает какой то конкретный человек?
  • Есть и более логичный подход – стройте распределения не на основе процентного метода, а на основе заданного общего для всех периодов количества проданной продукции в натуральном выражении (можно использовать значения, приведенные в денежном выражении, но у них есть свой недостаток – замучаетесь с поправками на инфляцию, курсы валют и т.п.). Здесь вы выбираете для каждой группы клиентов некое критическое значение, превышение которого позволяет отнести клиента к заданной группе.

Будьте осторожны с выбором порогов. Например, если вы относите к группе «А» клиентов, чей объем продаж за год превысил 100 единиц чего-либо, в группу «В» - купивших от 10 до 99 единиц, а в группу «С» - купивших менее 10, вам может быть довольно сложно объяснить, почему клиент с объемом 99 единиц – это группа «В», а с объемом 100 – уже «А».

Что делать? Для начала подойдет такой путь. Возьмите за основу для анализа данные за первый из рассматриваемых периодов (то есть, если вы хотите проанализировать продажи за пять лет – 2001, 2002, 2003, 2004 и 2005, - начните с 2001 года). Попробуйте проанализировать эти данные описанными выше методами (процентным и с помощью квартилей). Ваша цель – выявить критические точки для разбиения клиентов по группам. Помните, что, если вы воспользуетесь квартилями, это поможет вам разбить клиентов на две группы. Верхнюю группу полезно обозначить как «А», а оставшихся клиентов разбить вручную на «В» и «С».

Есть и другой вариант. Посмотрите на порядок значений, определяющих покупки самого крупного клиента. Предположим это 567.300 единиц продукции. Далее постройте ориентировочную гистограмму продаж. Если клиентов с объемами одного порядка – в данном случае от 100 000 и выше – будет хотя бы 5-10%, это будет группа «А». Далее ищите клиентов, чья объемы на порядок ниже. В данном случае это от 10 000 до 99 000. Если количество таких клиентов будет от 50 до 80%, перед вами группа «В». Оставшиеся клиенты будут составлять группу «С».

  • После определения критических значений для разбиения клиентов по группам, проведите анализ по всем рассматриваемым периодам, а также для каждого клиента укажите отрасль и менеджера, с которым он работает. Помимо этого, введите еще одну характеристику для каждого клиента за все периоды: «новый клиент», «старый клиент», «упущенный клиент» (если в течение одного из периодов он не сделал ни одной покупки) и «вернувшийся клиент».

Для каждого периода также подсчитайте общий объем покупок, средний объем покупок, количество клиентов и коэффициент вариации. Проделайте то же самое для каждой группы в каждый период. При всей кажущейся сложности, даже при использовании обычной офисной программы Excel, эти операции занимают не так уж много времени. В итоге у вас должна получиться таблица, похожая на таблицу №5.

Таблица №5: сводная (пример)

Продукт 2000 2001 2002 2003 2004 2005 2005vs2004
Метраж (вес и т.д.)              
Общее кол-во кл-в              
Сред              
S              
Коэф. Вар-ции              
Клиенты А              
Метраж (вес и т.д.)              
Кол-во              
% веса от общего              
% клиентов              
Сред              
S              
Коэф. Вар-ции              
Клиенты В              
Метраж (вес и т.д.)              
Кол-во              
% веса              
% клиентов              
Сред              
S              
Коэф. Вар-ции              
Клиенты C              
Метраж (вес и т.д.)              
Кол-во              
% веса              
% клиентов              
Сред              
S              
Коэф. Вар-ции              
Динамика клиентов              
Новые              
Старые              
Ушедшие              
Динамика А              
Новые А              
Ушедшие А (по предыдущему году)              
Старые А              
Динамика В              
Новые В              
Ушедшие В (по предыдущему году)              
Старые В              
Динамика С              
Новые С              
Ушедшие С (по предыдущему году)              
Старые С              
Рост              
CA              
CB              
BA              
Падение              
AB              
AC              
BC              
Неизм              
АА              
BB              
CC              

Пояснения к таблице:

1.      В поле, которое здесь названо «метраж», вы указываете объем покупок всех клиентов в натуральном выражении (это может быть кол-во единиц продукции в штуках, в тоннах, кг, метрах и т.д.)

2.      Для каждого периода указываете общее количество клиентов, средний объем покупки одного клиента, стандартное отклонение и коэффициент вариации.

3.      Проделываете то же самое для каждой группы отдельно.

4.      В полях «динамика» указываете движение клиентов по каждой группе (какое количество клиентов в данной группе пришло, ушло, было потеряно или было возвращено). При желании эти данные можно дополнить информацией по объемам продаж. Это даст возможность увидеть, насколько вы удерживаете клиентов.

5.      В полях «рост», «падение» и «неизм» вы указываете движение клиентов из группы в группу. В данном случае рассматриваются ТОЛЬКО старые клиенты по сравнению с прошлым годом. Здесь вы получаете информацию о том, как происходит изменение в динамике объема покупок клиентами, которые остаются с вами на протяжении хотя бы двух лет. По сути, эти поля являются более детальным анализом клиентов, формирующих поле «Старые» в полях «динамика».

Такие же таблицы можно сделать отдельно по отраслям и по менеджерам, а также по тем и другим одновременно. Помимо них, можно использовать любые макро- и микро-показатели, которые вы сочтете нужным – от географии клиентов до степени целевого использования продукции. Кроме того, полезно провести анализ покрытия потребности клиентов за каждый год. Единственное, что здесь клиентами группы «А» будут те, у кого коэффициент покрытия минимальный, ведь именно на них надо обратить пристальное внимание. По сути, дальнейшие действия полезно проводить совместно начальнику отдела продаж и начальнику отдела маркетинга.

Так, из полученных данных можно делать выводы о грамотности сегментирования клиентов или же искать группы клиентов, схожих между собой для проведения сегментации. Кроме этого можно смотреть на эффективность работы фирмы по отраслям, географии и любому другому признаку, а также проводить совместный анализ. Отдельный анализ по группам позволит понять динамику крупных, средних и мелких клиентов, а анализ новых и старых поможет увидеть более реальную картину происходящего. Логику возможных расчетов мы приводим в еще одном примере (группа таблиц №6).

Таблица №6

А) Сводная таблица продаж в динамике с разбивкой по отраслям, менеджерам и категориям клиентов

Клиент Отрасль Менеджер 2004 2005 NDOR АВС 04-05
1 1 м1   194 800 N -A
2 1 м1   80 500 N -B
3 1 м1 16 500 37 400 O BB
4 2 м1 25 19 325 O CB
5 2 м1 10 000 18 750 O BB
6 2 м2 16 800 18 500 O BB
7 3 м2 4 000 17 875 O CB
8 3 м3 1 125 17 825 O CB
9 3 м3   17 000 N -B
10 4 м3 25 16 900 O CB
11 4 м3 400 14 700 O CB
12 4 м2 10 004 12 150 O BB
13 5 м4 400 10 500 O CB
14 5 м4   10 400 N -B
15 5 м4 50 9 775 O CB
16 6 м4   9 500 N -B
17 6 м1 1 500   D C-
18 6 м2 1 100 6 350 O CC
19 7 м3 575 6 000 O CC
20 7 м4   5 000 N -C
21 7 м1 5 900 4 650 O CC
22 7 м2 6 750 4 000 O CC
23 7 м3   4 000 N -C

Пояснения.

  • В первом столбце вместо порядковых номеров вы проставляете названия клиентов, во втором – название отрасли, к которой клиент относится, в третьей – имя менеджера, который работает с данным клиентом.
  • Четвертый и пятый столбцы в данном случае отводятся под значения  оборота в натуральном выражении за соответствующий период.
  • Обозначения в шестом столбце: N – новый клиент (new), D – упущенный клиент (disappeared), O – старый клиент (old), R – возвращенный клиент (returned).
  • Седьмой столбец – динамика клиентов за два года по группам.

Б) Сравнительный анализ отраслей:

(отражает количество клиентов в каждой группе по каждой отрасли)

Отрасль A B C
1 1 2  
2   3  
3   3  
4   3  
5   2 1
6     2
7     4

В) Сравнительный анализ работы менеджеров:

(отражает количество клиентов каждой группы у каждого менеджера)

м1 м2 м3 м4
А-1      
B-4 В-3 В-4 В-2
С-1 С-2 С-2 С-3

Г) совмещенный анализ по менеджерам и отраслям:

(отражает, какие группы клиентов есть у данного менеджера в данной отрасли)

Отрасль м1 м2 м3 м4
1 А-1, В-2      
2 В-2 В-1    
3   В-1 В-2  
4   В-1 В-2  
5       С-1, В-2
6   С-1   С-1
7 С-1 С-1 С-2 С-1

Д) Анализ по NODR–клиентам:

  • в разрезе отраслей:

Отрасль N O D R
1 2 1    
2   3    
3 1 2    
4   3    
5 1 2    
6 1 1 1  
7 2 3    

  • в разрезе менеджеров

Менеджер N O D R
м1 2 4 1  
м2   5    
м3 2 4    
м4 3 2    

Как видно на приведенным примере, из данных таблицы №6-А можно получить еще три распределения. К этой информации можно добавить не просто количество клиентов, а количество клиентов разбитых по группам. Скажем, потеря клиента «С» намного менее значима, чем потеря клиента «А». То же и для привлечения: если менеджер привлек клиента в группу «А», это намного лучше, чем если он привлек клиента в группу «С».

Существенный вопрос - миграция клиентов между группами. В частности, полезно посмотреть, насколько менеджеры повышают покрытие клиентов. Если клиент был в группе «С», а попал в группу «А», менеджер сработал хорошо. Но это только в том случае, если повысился коэффициент покрытия потребностей клиентом.

Пример. В 2004 году клиент покупал у вас 100 единиц продукции и был в группе «С», а его потребность составляла 1000 метров. В следующем году он стал приобретать у вас 1000 единиц продукции и попал в группу «А», но при этом и его потребность повысилась до 10000 единиц. Говорит ли рост сбыта об эффективной работе с клиентом, - большой вопрос. Скорее всего, он стал покупать больше вовсе не благодаря хорошей работе менеджера.

Что еще? Результаты данного анализа можно использовать для установления конкретных целевых задач для каждого менеджера по удержанию клиентов в разных группах, по привлечению и возвращению утерянных клиентов. Также эти задачи можно конкретизировать в разрезе отраслей, регионов и т.п. Подобный подход можно использовать и для распределения клиентов между менеджерами. Может быть, Вы обнаружите, что тот или иной менеджер показывает низкую эффективность работы с отраслью «Х», но очень высокую в отрасли «Z». Или же один менеджер «работает» на привлечении новых клиентов, которые быстро уходят, а другой – на удержании старых, но не привлекает новых. 

Так или иначе, мы надеямся, что описанный здесь методологический подход будет полезен Вам.

Также мы будем признательны, если Вы поделитесь с нами ЛЮБОЙ критикой в адрес предложенного подхода, а также расскажите о Ваших успехах и неудачах с его применением.
e_artem@mail.ru.

Опубликовано в «Маркетологе»


[i] Или любого другого, который будет принят как базовый.

[ii] Квартиль - граница на шкале измеряемого показателя, отделяющая 25% испытуемых от общей выборки. Различаются три квартиля: Q1 - первые 25%, Q2 - 50% (медиана), Q3 - 75%.

[iii] При желании можно провести стандартный анализ разброса данных, но об этом – ниже.

[iv] Рассчитывается как стандартное отклонение, поделенное на среднее отклонение.

Эта публикация была размещена на предыдущей версии сайта и перенесена на нынешнюю версию. После переноса некоторые элементы публикации могут отражаться некорректно. Если вы заметили погрешности верстки, сообщите, пожалуйста, по адресу correct@e-xecutive.ru
Комментарии
Оставлять комментарии могут только зарегистрированные пользователи
Статью прочитали
Обсуждение статей
Все комментарии
Дискуссии
Все дискуссии
HR-новости
280 тысяч человек зарегистрировались как самозанятые в 2019 году

Подключиться к новому налоговому режиму можно в мобильном приложении «Мой налог».

Эксперты: 4-дневная рабочая неделя приведет к снижению зарплат

Закон не препятствует пропорциональному снижению ФОТ при переходе на четырехдневную рабочую неделю.

75% россиян не верят в пенсии

Три четверти россиян не верят в пенсии, показал опрос Райффайзенбанка. А те кто верят, полагают, что она составит всего 10-20 тыс. руб.

Японцы доказали, что при четырехдневной рабочей неделе производительность растет. В Microsoft сообщили о росте на 40%

Японское подразделение Microsoft подвело положительные итоги месячного эксперимента по переходу на четырехдневную рабочую неделю.