Формула прибыли

Основные параметры формулы прибыли

Cегодня в этой статье  мы с вами посмотрим, уже в который раз, на хорошо знакомую нам формулу прибыли, но уже немножко под необычным углом. На самом деле формула прибыли это не просто способ декомпозиции прибыли на каких-то показателей, это реальное отражение ваших бизнес-процессов и с ее помощью можно проводить между ними границы и т.д.

  И сегодня мы поговорим как раз о том, какие данные обязательно должны быть в вашей компании,  должны собираться в CRM или в каких то других системах. Для того, чтобы упростить для вас процедуры анализа вашей прибыли и выработки точек роста. Давайте попробуем разобраться.

  Напомню что в самом низу нашей формулы прибыли располагается охват и первая конверсия

-конверсия из узнавших в заинтересовавшихся.

  Очевидно, что сведения об охвате в основном накапливаются у вас, в случаи с онлайновыми каналами коммуникаций, в ваших рекламных кабинетах, а может быть  в системах сквозной аналитики. В случаи с оффлайновыми коммуникациями, возможно вы уже научились руками перебивать данные в системы сквозной аналитики, а возможно пока ещё и нет, но  наверняка где-то данные, ну скажем о расходах на выставки или на буклеты, или наружную рекламу, у вас в компании есть. Будет очень здорово, если вы эти данные начнёте прилежно и кропотливо собирать и в том числе учитывать в единой таксономии источники привлечения клиентов, допустим затраты на организацию той же выставки. Это позволит просчитывать отдачу не только от онлайновых каналов быта, контекстной рекламы и таргетированной  рекламы, но и от оффлайновых каналов, что конечно очень важно. Если у вас собираются эти данные, то у вас так же собираются данные и по лидам, но, а коль у вас собираются данные по лидам, то наверняка собираются данные и по клиентам    , ну а потому коль это так, то у вас точно также собираются данные и по конверсии. Здесь всё-таки у большинства компаний эксцессов в этом нет. И даже,  если учёт построен крайне косо, даже если он построен в Excel, все равно обычно проблем с этой частью не возникает. Проблемы возникают дальше.

  Напомним, что клиент недостаточная для нас метрика. Существует более важная для нас метрика, это так называемый успешный клиент. Напомним, что между успешным клиентом и клиентом разница состоит в таком показателе, который мы называем отток. И вот с оттоком, как правило, возникают проблемы. На самом деле отток, возможно уже знаете, бывает продиктован тремя основными причинами:

Первая причина это — Out-of-stock т.е это недостаток либо товара, либо услуги. Товара нет в наличии, длинная очередь, заняты все сотрудники, нет свободных столиков. Всё это как или иначе out-of-stock.

Вторая причина это техническая или логистическая причина. Допустим, клиент хотел оплатить картой, а у нас не работал терминал и сделка не состоялась.

И третья причина это Скоринг. Вы может не хотите продавать клиенту, даже если он очень хочет у вас купить, потому что он не рассматривается вами, как благонадежный или перспективный клиент. В этой связи для анализа конечно очень важно иметь в структуре базе данных:

Во-первых сведения о каждой ситуации out-of-stockа, ну а если мы говорим о розничном бизнесе, там мы знаем, что существуют сложные и дорогостоящие системы отслеживания out-of-stockа. Если у вас розничный бизнес пока ещё не очень большая компания наверное вам все таки не стоит инвестировать в отслеживании out-of-stockа. Но если вы холика, если у вас какая-то В2В компания, вы не можете в срок поставить из-за этого контракт срывается. Всё это в идеале нужно указывать в причинах, по которым в итоге не был заключён договор или не были получены деньги с теми, с кем вы предварительно ударили по рукам, т.е. сведения об out-of-stockе очень важны для анализа.

Во-вторых очень важно конечно в структуре базе данных иметь подробную мотивацию, подробное объяснение тому, почему именно та или иная модель скоринга была бы применена и какой скоринговый балл в идеале получил тот или иной клиент.

  Зачастую модели скоринговые оказываются настолько жесткими, что их основная задача уберегать компанию от рисков, не покрывает к сожалению с точки зрения терпимости, не терпимости к риску, не покрывает  и не обеспечивает задач компании по выручке. Просто алгоритмы скоринга приходится переделывать, перекраивать, пересчитывать и зачастую бывает так, что на самом деле кажущаяся демократизация скоринга на практике не ухудшает структуру рисков для компании, но при этом позволяет существенно больше денег зарабатывать. Поэтому данные о скоринге обязательно должны в ваших структуре данных быть.  

  С другой стороны напомним, что в любой компании обязательно должны иметься сведения об LТV, ну с этим обычно все худо-бедно справляются. Но даже, когда мы говорим об  LTV, очень важно отметить следующую деталь, особенно она касается B2B компаний. Для LTV, это не секрет, нужна таксонализация. В случаи с розницей мы не можем получить через внедрение программ лояльности, в случаи с В2В, как будто бы кажется, всё намного проще. Вроде как есть накладные, есть плательщик, получатель груза, получатель услуги и так далее. Однако практика показывает, что очень часто B2B-шные контрагенты приобретают в вас разных юрлиц. И да, возможно, сведения о том, что разные юр. лица это всё один конечный бенефициар, у кого-то есть голове, но этот кто то, к сожалению, может это забыть и в итоге LTV нельзя посчитать корректно. Именно поэтому так важно в структуре базы данных иметь не только сведения о контрагенте, но и сведения о том, как этот контрагент зафиировал с другими контрагентами в базе, чтобы этот параметр корректно рассчитывать.

  LTV  свою очередь распадаются на средний чек и количество успешных транзакций с одним клиентом. Начнём со среднего чека. С самим средним чеком особо нет проблем. Проблемы чаще бывают там, где средний чек и структуру базы данных невозможно разбить на среднюю стоимость этого товара и глубину чека, т.е. количество товаров в чеке. Напомним  чем это для нас с вами чревато. Давайте представим, что средний чек некого первого магазина, принадлежащего нам и и средний чек некого второго магазина или филиала так же принадлежащего нам. Представим себе, что в первом магазине люди приходят покупают в среднем 2 товара за сделку и каждый товар стоит 50 руб., в во втором магазине 4 товара со сделкой и каждый товар в среднем стоят 25 руб. Несложно структурировать, что средний чек в обеих точках будет 100 руб. Если у нас сама эта структура не отстроена, не отлажена, если нормальные сведения по этой структуре получить нельзя, то будет казаться, что эти две торговые точки они в общем в целом одинаковые. Хотя практика, конечно, говорит об обратном, что это две совершенно разных торговых точки.

  Многие проблемы возникают ещё и на этапе учёта успешных сделок. Напомним, что успешные сделки мы рассчитываем как количество сделок с одним клиентом минус возвраты. И вот здесь тоже возникают сложности и нюансы, они связаны с тем, что с одной стороны в некоторых системах учета возврат, обмен-возврат выглядит как вообще отдельная транзакция и подчас невозможно отследить, если это заранее не было помечено. Проверьте вдруг у вас так, потому что это впоследствии огромные проблемы, огромные сложности при анализе. С другой стороны очень часто бывает так, что возвраты возлагаются на средний чек. Условно, человек пришел купил товар за 1 рубль, за 3руб. и за 5 руб. итого 9 руб. это средний чек, но пришёл товар за 3 руб. вернул. Некоторые альтернативно одаренные предприниматели и аналитики, к сожалению, не будут засчитывать это как одну сделку с возвратом 0,33 (возвращено 3 руб. из 9 руб.). А будут считать это как одну сделку со средним чеком 6 руб. т.е.  купил на 9 руб. на 3 руб. вернул, итого средний чек 6руб. Проблема такого подхода отнюдь не в арифметике, арифметически разницы не будет никакой. Проблемы такого подхода в возможностях анализа. Дело в том, что если мы не размыкаем возвраты, таким образом, и не считаем, что это одна сделка за 9 — 0,33 возврата, то мы не можем грамотно понять, где мы получаем и где теряем деньги. Где начинается и где кончается ответственность коммерческая блока и где начинается и кончается ответственность, ну на пример блока пост продажного обслуживания, который очевидно отвечает за управление возвратами.

  В формуле есть ещё расходная часть. Там есть структура издержек и т.д. Здесь мы вам расскажем о двух вещах, которых очень часто в информационных системах нет и которые потом создают целый ряд проблем.

Первое — это сведения о себестоимости. Без сведений о себестоимости продукций, конечно, очень сложно оценить многие вещи про реальную привлекательность контрагента, реальный целевой объем скидок очень сложно бывает оценить. Очень сложным бывает оценить  выравненность усилий маркетинга продаж с одной стороны с усилиями производства с другой стороны. Разумеется, средняя себестоимость всегда можно дособрать, но если они собираются в живую в потоке, если можно рассчитать сокращение себестоимости при отдачи от масштаба — это существенно развязывает руки при дальнейшем анализе и оптимизации компании.

Сведение о персонале. Дело в том, что, так или иначе, все транзакции, особенно, если в компании всё-таки принято адекватно учитывать ответственного по сделке, все сведения о персонале могут быть использованы нами для дальнейшей аналитики. Мы можем смотреть какими видами клиентов работает лучше тот или иной сотрудник, с какими видами сделок, видами продуктов, через какое количество месяцев, например в работе сотрудник уже не наступает серьезных улучшений. Например, сотрудники уже работают и по 50, и по 60 месяцев, а начиная с 14-го месяца у сотрудника просто напросто не происходит прироста в производительности. Отсутствие данных по сотрудникам или некорректный формат данных, всё это очень серьезно усложняет в перспективе анализ и оптимизацию Work Force Management т.е. управление вашими сотрудниками.

  Вот таким образом мы достаточно кратко обозрели основные параметры формулы прибыли и поняли с какими чаще всего ошибками сталкиваются компании при попытки построить систему аналитики, чего они реально не учитывают в бизнес процессах, процессах сбора, обработки информации, хранении и интерпретаций  в принятии решений..