О РИТЕЙЛ-АУДИТЕ
Анализ покрытия (coverage analysis), это сравнение данных ритейл-аудита о продажах и отгрузки производителя в торговые точки и/или в оптовый канал. Основной целью анализа покрытия является проверка качества данных ритейл-аудита и определения ограничений, которые вам необходимо будет учитывать при анализе результатов ритейл-аудита. Непосредстванной целью процедуры является получение информации, как собственно об уровне покрытия (какова доля продаж отражена в данных ритейл-аудита), о динамике его изменения и о задержке (lag) в отражении отгрузок производителя в данных ритейл-аудита.
Подготовка к анализу покрытия. Анализ имеет смысл производить как для бренда в целом, так и для отдельных наименований продукции. Анализ на уровне наименований продукции часто позволяет выявлять системные ошибки ритейл-аудита, в частности ошибки кодировки. С проведением анализа на уровне отдельных городов и регионов надо быть более аккуратным и учитывать возможные перемещения продукта между регионами, которые могут быть сделаны сетями и/или оптовиками. Иногда имеет смысл предварительно исключать из отгрузок продажи в каналы, которые не покрываются данными ритейл-аудита (например, АЗС или Хорека), но это стоит делать только если вы на 100% уверены, что можете сделать это корректно.
Начать стоит с определения периода задержки в отражении отгрузок. Причин задержки отражения отгрузок производителя в данных ритейл-аудита несколько. Прежде всего задержка, возникающая между отгрузкой товара торговой точке и/или оптовику до продажи с полки магазина. Другим несомненным фактором является возникновение задержки в следствии ограничений методологии ритейл-аудита, это подробно описано в разделе "Период аудита"
здесь.
Пример определения периода задержки с использованием коэффициентов корреляции:
Период | Продажи бренда Х, 1000 литров, данные ритейл-аудита | Продажи бренда Х, 1000 литров, отгрузки производителя | Продажи бренда Х, 1000 литров, отгрузки производителя, сдвиг +1 | Продажи бренда Х, 1000 литров, отгрузки производителя, сдвиг +2 |
10.2013 | | 1634,1 | | |
11.2013 | | 1379,1 | 1634,1 | |
12.2013 | 1000,0 | 1529,6 | 1379,1 | 1634,1 |
01.2014 | 949,0 | 1020,8 | 1529,6 | 1379,1 |
02.2014 | 823,4 | 1246,6 | 1020,8 | 1529,6 |
03.2014 | 997,5 | 1469,7 | 1246,6 | 1020,8 |
04.2014 | 1056,8 | 2155,8 | 1469,7 | 1246,6 |
05.2014 | 1119,6 | 1881,8 | 2155,8 | 1469,7 |
06.2014 | 1238,9 | 1831,5 | 1881,8 | 2155,8 |
07.2014 | 1345,7 | 2146,5 | 1831,5 | 1881,8 |
08.2014 | 1305,2 | 2246,2 | 2146,5 | 1831,5 |
09.2014 | 1256,2 | 2047,8 | 2246,2 | 2146,5 |
10.2014 | 1386,7 | 2004,1 | 2047,8 | 2246,2 |
11.2014 | 1251,0 | 1816,0 | 2004,1 | 2047,8 |
12.2014 | 1383,8 | 1935,6 | 1816,0 | 2004,1 |
01.2015 | 1388,7 | 1054,1 | 1935,6 | 1816,0 |
02.2015 | 1008,9 | 1530,3 | 1054,1 | 1935,6 |
03.2015 | 1234,1 | 1792,2 | 1530,3 | 1054,1 |
04.2015 | 1187,9 | 1992,5 | 1792,2 | 1530,3 |
05.2015 | 1286,4 | 1800,3 | 1992,5 | 1792,2 |
06.2015 | 1334,4 | 2211,9 | 1800,3 | 1992,5 |
07.2015 | 1300,1 | 2177,4 | 2211,9 | 1800,3 |
08.2015 | 1265,4 | 2167,2 | 2177,4 | 2211,9 |
09.2015 | 1295,1 | 2179,4 | 2167,2 | 2177,4 |
10.2015 | 1362,7 | 2050,9 | 2179,4 | 2167,2 |
11.2015 | 1344,3 | 1642,9 | 2050,9 | 2179,4 |
12.2015 | 1257,4 | 2173,2 | 1642,9 | 2050,9 |
Расчет коэффициентов корреляции
| Продажи бренда Х, 1000 литров, отгрузки производителя | Продажи бренда Х, 1000 литров, отгрузки производителя, сдвиг +1 | Продажи бренда Х, 1000 литров, отгрузки производителя, сдвиг +2 |
Коэффициент корреляции между данными ритейл-аудита и | 0,54 | 0,78 | 0,62 |
В данном примере наиболее высокая корреляция (или линейная зависимость) существует между данными ритейл-аудита и отгрузками производителя с лагом в один месяц (коэффициент корреляции 0,78). То, что корреляция (или линейная зависимость) высока, очевидно и визуально на графике:
Если коэффициент корреляции между данными ритейл-аудита и данными отгрузок после исключения влияния задержки отражения отгрузок производителя близок к 1, то ничто не мешает вам сравнивать данные период к периоду. Однако, если вам не удается однозначно определить период задержки в отгрузках, то проводить сравнение лучше на сглаженных данных, самый распространённый метод, это сравнение МАТ (Moving Annual Total) данных или это может быть 12/8/6/итд месячная скользящая средняя.
Пример с МАТ:
О чем говорит слишком высокий уровень покрытия. Например, если он выше 100% и у вас нет информации о подделках вашей продукции, отсутствует информация о значительном сером импорте, то тогда это вопрос к качеству данных ритейл-аудита.
В тоже время, если уровень покрытия слишком низкий (например, ниже 30-40%), то для вас теряется какая-либо практическая ценность ритейл аудита. Вы понимаете, что вы не видите большую часть вашего бизнеса и выводы, которые вы сделаете по малой части бизнеса могут вступить в противоречие с этой большей невидимой частью.
Но, самое главное, это динамика уровня покрытия, если она стабильна (как на приведенном примере), то все хорошо и с высокой долей вероятности вы можете доверять трендам ваших продаж, доли итд. Однако, если ваше покрытие сильно растет или падает и нет для этого очевидных причин (изменения доли каналов не покрываемых ритейл-аудитом, рост серого импорта итд), то надо искать причины и учитывать результаты анализа покрытия при анализе данных ритейл-аудита.
Иногда анализ покрытия делается агентством в рамках шипмент пула (shipment pool). Когда несколько производителей предоставляют агентству данные и оно может рассчитать уровень покрытия для каждого игрока, так и для категории. Если shipment pool открытый, то каждый производитель получает информацию об уровне покрытия каждого участника shipment pool и категории, если shipment pool закрытый, то только о продаже своих продуктов и категории в целом.