Like for Like
Like for like (LFL) — показатель сравнивающий текущий и прошлый период исключая объекты (магазины) отсутствующие в одном из периодов. Данный показатель позволяет оценить динамику изменений основного бизнеса без учета органического роста (открытия магазинов).
Анализ сопоставимых продаж — один из важнейших методов анализа продаж в розничной торговли. Показатель Like for Like отражает на сколько результаты текущего года изменились от относительно прошлого года, а также позволяет выявить причины данных изменений. Метод показателя основан на том, что при расчете исключаются все объекты (магазины), которые не имеют результатов в одном из периодов — показатель рассчитывается только по магазинам имеющим продажи в течении текущего и прошлого периодов.
Исключения из расчетов:
- новые магазины, открытые в текущем году
- закрытые магазины в одном из периодов
- магазины закрытые на реконструкцию в одном из периодов
LFL – что это такое в торговле
LFL – это соотношение выручки магазинов розничной сети за текущий и прошлый отчетный период. Like for like (ЛФЛ) позволяет отследить динамику развития бизнеса без учета естественного роста (например, открытия новых точек). С помощью анализа сопоставимых продаж можно:
- оценить, насколько эффективно развивается магазин(-ы);
- выявить слабые места и вовремя принять меры;
- спрогнозировать динамику на следующие периоды.
Продажи зависят от двух факторов: числа покупателей и сумм, которые они оставляют в магазине. Для оценки этих показателей используются такие понятия, как:
- LFL-трафик – анализ динамики числа покупателей;
- LFL-средний чек – анализ изменения суммы среднего чека.
Если оба показателя растут, соответственно, наблюдается и рост сопоставимых продаж. Например, благодаря росту трафика, продуктовая сеть X Retail Group на 4 квартал 2019 г. повысила LFL-продажи на 2,3%. Добиться большей посещаемости помогло увеличение числа промо-акций в магазинах у дома.
Как рассчитывать LFL
Like for like рассчитывается по следующей формуле: показатели за текущий период делятся на показатели за прошлый. Затем нужно отнять единицу и умножить на 100. Так вы получите показатели LFL в процентах.
Заметьте, что в расчете не должны участвовать точки, которые не работали в одном или обоих отчетных периодах.
LFL-трафик и средний чек рассчитываются по приведенной выше формуле, только вместо сумм выручки используется общее число покупателей и среднего чека.
Анализ LFL по магазинам
Анализ сопоставимых продаж по отдельным магазинам позволит выявить слабые торговые точки, оптимизировать их или закрыть.
При подсчете нужно учесть все дни, когда точка не работала. То есть, если магазин не работал несколько дней в одном из отчетных периодов, то и во втором выручку за эти дни учитывать не нужно.
Вам интересны интернет-маркетинг и продвижение бизнеса в интернете? Подписывайтесь на наш Telegram-канал!
Как видно из примера ниже, точки 4 и 6 показали отрицательную динамику LFL.
Как интерпретировать показатели LFL-sales? Например, если выручка сети выросла, а ЛФЛ-продажи снизились, это говорит о том, что выручка стала больше только за счет открытия новых точек. Продажи в старых магазинах упали.
Рассмотрим более детально, что могут означать показатели LFL-sales с учетом динамики в других точках.
Динамика LFL-sales сети
Продажи в других точках
Остались на прежнем уровне
Уверенно растет примерно на 10% в год
Потребность в товарах не закрыта и покупатели заинтересованы в них.
Подпишитесь на авторский телеграм-канал про предпринимательство в России.
Компания охватила весь рынок, поэтому новые точки открывать не стоит.
Собственные точки превысили спрос. Целесообразно закрыть убыточные магазины, открывшиеся последними.
Не меняется либо меняется на 2-3% в обе стороны
Старые точки полностью охватили сегмент и удовлетворили спрос или же начали уступать конкурентам. Возможно, стоит расширить сеть.
Точки продаж полностью охватили сегмент. Открывать новые магазины пока не нужно.
Открытие последних точек было нецелесообразным. Следует закрыть наиболее убыточные из них.
Падает ежегодно на 10%
Точки перекрыли зону охвата, произошло перенасыщение.
Старые магазины больше не удовлетворяют спрос, а новые компенсировали падение роста общего объема продаж.
Покупателям точки больше не нравятся: нет спроса на товар, качество обслуживания упало и пр.
Чтобы понять точную причину падения LFL-sales, нужно проанализировать ключевые факторы, влияющие на товарооборот.
Like for like трафика и среднего чека
Сперва нужно понять, изменилось ли количество покупателей. Отрицательные показатели говорят о том, что покупатели уходят из магазина. На это могут быть следующие причины:
- Рядом открылся конкурент, у которого товар лучше/обширнее/есть бонусные программы и пр.
- В магазине больше нет акционных товаров или наиболее выгодные акции действуют у конкурента.
- Сервис в торговой точке некачественный: помещение грязное, кассиры медленно обслуживают, много просрочки и пр.
Для удержания старых и привлечения новых клиентов магазину следует создавать бонусные программы, проводить акции. Возможно, помещение следует сделать более удобным, да и качеству обслуживания всегда есть куда расти.
Что касается LFL-среднего чека, то причины его снижения могут в следующем:
- установлена высокая цена;
- магазин предлагает небольшой ассортимент;
- у продукции низкое качество;
- товары выложены непродуманно;
- отсутствует кросс-мерчандайзинг;
- продукция несвоевременно попадает на полки;
- покупатели не проинформированы о действующих акциях, например, на сопутствующие товары и др.
Если LFL-трафик не меняется и снизился незначительно, а LFL среднего чека уменьшился, скорее всего, есть проблемы с предложенным ассортиментом (цена, качество, выкладка). Если оба эти показателя упали, значит, магазин-конкурент предложил лучшие условия.
Заключение
Итак, мы рассказали, что такое LFL в торговле и как его рассчитывать. С помощью анализа ритейлеры могут повышать конкурентоспособность: промо-акциями, визуальными улучшениями магазина и выкладки, повышением качества продукции и прочими «плюшками».
Средний показатель LFL можно спроецировать на будущий год. Если он падает, и не принять в мер, то и в будущем году динамика падения сохранится или на том же уровне, или станет еще сильнее.
После изменения политики продвижения LFL-показатели следует считать с момента действия новых правил. Так можно отследить, насколько принятые меры эффективны.
- Что такое фулфилмент для интернет-магазина?
- Продвижение канала в Яндекс Дзене
- Как написать бизнес-план: пошаговая инструкция
Что такое LFL: формула расчета сопоставимых продаж
Динамику продаж и доходности бизнеса не так просто оценить как кажется. Ведь подъём продаж может быть вызван не крутой работой пиарщиков, а сезонным фактором. На продажи и выручку могут влиять праздники, выходные и другие циклические события. Чтобы нивелировать ошибки из-за неучёта циклов, в торговле считают показатель Like for like. В интернет-маркетинге он тоже важен, поэтому выясним, что это такое, и какова формула расчета LFL.
ВЫБИРАЙ САМЫЙ НАДЕЖНЫЙ АНТИК И ПОЛУЧИ СКИДКУ 20%
Содержание скрыть
Что такое LFL?
LFL (Like for Like) — это метрика, которая показывает изменения в выручке, продажах или других ключевых показателях между двумя аналогичными периодами времени. При таком сравнении исключается влияние циклических факторов, например, сезонности, будних-выходных и т.п. Это позволяет точнее видеть то, растут ли бизнес-показатели или падают.
Идентичные периоды
Это периоды, которые сопоставимы между собой — у них схожие характеристики и условия, которые влияют на производительность компании. Поэтому целесообразно сравнивать именно их, а не любые временные отрезки с любыми. Примеры сопоставимых периодов:
- Лето прошлого и лето текущего года;
- Декабрь прошлого и текущего года;
- Январь прошлого и текущего года;
- Понедельник прошлой и текущей недели;
- Воскресенье прошлой и текущей недели;
- Первая декада мая и первая декада июня.
В некоторых нишах бизнеса могут быть и другие сопоставимые периоды, которые на первый взгляд таковыми не кажутся. Например, в агентствах, которые размещают рекламу на ТВ, наиболее горячие периоды — с марта по июнь, а также с сентября по декабрь. Поэтому в пределах одного года можно сравнивать доходы за март-июнь и за сентябрь-декабрь. Это не значит, что в других бизнес-нишах эти же периоды можно сравнивать.
Идентичные периоды используются для того, чтобы измерить изменение производительности компании, исключая при этом влияние факторов, которые могли бы исказить результаты.
Например, турагентство сделало продаж на 10 млн. долларов за горячий сезон с мая по сентябрь. За этот же сезон в следующем году выручка с продаж составила 11 млн. долларов. Следовательно, LFL увеличился на 1 млн., то есть, вырос на 10%.
LFL часто используется в розничном бизнесе, особенно там, где на продажи влияет сезонность, будни-выходные, праздники и другие циклические события. В рамках Like for like могут считать не только объём продаж или выручку с них, но и чистую прибыль, возврат инвестиций приход новых клиентов, средний чек продажи, стоимость нового клиента, лида и тому подобное. Чаще всего измеряют LFL-продажи (объём покупок), LFL-трафик (количество клиентов) и LFL-средний чек.
Как рассчитать LFL: формула
Формула этого расчёта очень проста.
В текущий период добавляем значение нынешнее значение, а в прошлый — величину за прошлый период. В примере выше с турагентством это будет выглядеть так: LFL = 11млн./10млн. — 1 = 0,1. Полученное значение умножаем на 100, чтобы перевести в процентный формат и получаем 10%.
Рассмотрим другой пример. Рекламное агентство заключило за март-июнь 200 контракторв на рекламу, а за сентябрь-декабрь — 150 контрактов. LFL = 150/200 — 1 = -0,25. То есть, здесь LFL равен -25%.
Таким образом, нулевой LFL означает, что характеристика, которую измеряют, осталась на прежнем уровне. Если он больше нуля, то есть рост, а если меньше — то снижение показателя.
При расчёте LFL не всегда можно учитывать общую совокупность продаж, заказов, выручки и т.д.
Сезонность – это влияние различных факторов (погодные условия, температура, локальные традиции, календарные события и другие), повторяющихся с определенной периодичностью. Периодичность и сроки повторения факторов могут быть различными. К примеру, празднование Пасхи имеет переходящую дату. Некоторые товары приходится закупать непосредственно перед праздником ввиду их короткого срока хранения, или они должны быть представлены в сети на момент начала сезона. А вот планировать закупку таких товаров необходимо заблаговременно. Хотите стать тем самым брендом, в котором клиент будет уверен, найдёт все необходимое в период всех сезонных событий и будет возвращаться к вам за покупками снова и снова?
Давайте поговорим о том, как прогнозирование сезонного спроса помогает обеспечивать наличие всех «сезонных аксессуаров», продуктов и даже товаров категории fresh, и при этом не оставаться с излишками. Раскрываем секреты точных прогнозов. Итак, поехали!
Правильное прогнозирование сезонного спроса – ключ к успеху
Канцелярские принадлежности для школьной ярмарки, солнцезащитная серия и репелленты для летнего сезона, вкусная выпечка к празднику Пасхи – всё это товары с ярко выраженным сезонным спросом, которые пользуются популярностью у покупателей. Торговая сеть также готовится к сезонным событиям, и делает она это заблаговременно и по-особенному.
Как собственник или менеджер розничного бизнеса вы замечаете значительное увеличение спроса и продаж на некоторые товары. И точно не останетесь равнодушны к теме бесперебойных поставок в сезон. Ведь основная цель ритейлера – удовлетворить потребность покупателя в сезонных товарах.
Как продуктовый супермаркет рядом с вашим домом может оценить, сколько таких товаров будет куплено? Не говоря о том, что правильное прогнозирование сезонного спроса нужно сделать и для других магазинов региона и всей сети в целом. Более того, торговая сеть конкурирует со многими другими ритейлерами, которым также требуются аналогичные сезонные товары в одно и то же время.
Прогнозирование сезонного спроса обеспечивает торговой сети ряд преимуществ:
- бесперебойные поставки без образования излишков;
- сокращение расходов на обслуживание остатков;
- минимизация упущенных продаж;
- выгодные условия закупки у поставщиков;возможность сформировать интересное ценовое предложение для клиентов сети.
Стоит вспомнить о немалой группе свежих продуктов. Возможность приобрести фрукты, овощи, свежезамороженную рыбу, мясо и зелень привлекает посетителей в магазины розничной сети снова и снова. Прогнозирование спроса на скоропортящиеся продукты выполнить непросто, особенно, если в розничной сети не выстроены процессы управления товарами категории fresh. Однако качественные прогнозы повышают оборачиваемость средств, прибыль и увеличивают лояльность клиентов.
Приглашаем проверить бизнес-процессы пополнения и автозаказа: скачайте чек-лист «Управления цепочками поставок» и посмотрите, где и что можно улучшить.
Что должно учитывать прогнозирование спроса?
Мы уже говорили, что подготовка к сезонным событиям в торговой сети начинается заблаговременно. Уже за полгода ритейлер должен выполнить прогнозирование и определить необходимое количество сезонной продукции для заказа. Это позволяет рознице договориться с поставщиками о выгодной цене и сформировать выгодное ценовое предложение для клиентов сети.
В прогнозе сезонных товаров следует учитывать влияние факторов предыдущих периодов, рост товарооборота LFL (Like for like), проводившиеся promo, переключение спроса, эффекты гало и каннибализации, изменение пенетрации категорий и товаров. Отдельно следует заметить, что для продуктов категории fresh необходимо принимать во внимание сроки годности, распределение поставок по разным датам и на разные магазины.
В портфеле C4R есть целая группа IT-решений для прогнозирования спроса, которые автоматизируют рутинные процессы и упрощают ведение бизнеса.
Из опыта работы команды можем отметить положительную тенденцию: все чаще розничные сети делятся данными прогнозирования спроса со своими постоянными крупными поставщиками и более мелкими местными для того, чтобы гарантированно обеспечивать потребности своего покупателя. Мы в команде уверены, что такое совместное использование данных и прогнозов объединяет усилия поставщиков и ритейлеров в привлечении покупателей. Именно об этом в своем выступлении говорил основатель C4R Павел Щербаков на отраслевой выставке RAU EXPO – 2021.
От совместного использования данных из систем управления программами лояльности и систем прогнозирования спроса выигрывают обе стороны:
- для ритейлера – повышение уровня обслуживания поставщиков и удовлетворение потребностей покупателей через таргетированное предложение на полке;
- для поставщика – обеспечивается понимание, как его товары продаются в сети, какие факторы влияют на продажи.
Бизнес ритейла – единый механизм: полка отражает состояние логистики, а цепочка поставок отрабатывает прогнозы и результат обработки данных продаж из торгового зала. Хорошо, когда всё отлажено и слаженно работает. Такое возможно при качественном прогнозе, но выполнить точное прогнозирование вручную – трудозатратно и практически невозможно. Какие могут быть решения, давайте разбираться.
Появились вопросы о решениях для прогнозирования спроса или автозаказа? Задайте их нашим консультантам: пишите на почту [email protected] или жмите кнопку для заказа обратного звонка.
Традиционные системы прогнозирования спроса
Традиционные системы – это системы, основанные на статистических данных, использующие экспоненциальные модели. С традиционными системами сложно составить качественное прогнозирование потребительского спроса. И проблема в том, что они часто не оправдывают ожиданий. Что особенно заметно, когда речь идет о категории fresh. Это связано с множеством переменных факторов. К примеру:
- сложность способов совершения покупок (dark store, онлайн-покупки, службы доставок);
- погодные факторы или другие «события», которые мешают росту, производству и доставке товаров.
Когда специалисты по прогнозированию пытаются компенсировать эти факторы, им часто приходится вручную вносить правки. По сути вмешиваться в работу системы, которая на это не рассчитана. Как правило, возникают дорогостоящие ошибки для сети.
Например, розничная сеть заказала на период новогодних продаж свежие ананасы. По мере того как срок годности ананасов сокращается, магазин снижает розничную цену, и покупатели приобретают все оставшиеся ананасы. В традиционной системе прогнозирования отсутствуют возможности искусственного интеллекта или машинного обучения, которые могут легко оценить влияние уценки на будущий спрос на ананасы. В результате специалист по прогнозированию должен войти в систему и отметить, что продажи были результатом уценки. Если это сделано неправильно или вообще не сделано, система прогнозирования спроса считает, что на будущий период следует заказывать больше таких ананасов. Чем повторяет цикл товарных излишков и расходов на их обслуживание, с каждым годом усугубляя размеры.
Системы прогнозирования спроса на базе ИИ – максимальная точность прогнозов!
Искусственный интеллект (ИИ, AI) меняет правила игры в сфере прогнозирования спроса, в том числе и на сезонные товары. Решения на основе ИИ используют машинное обучение, которое производит вычисления экспоненциально быстрее и шире, чем когда-либо мог бы сделать человек.
Алгоритмы машинного обучения быстро обнаруживают закономерности и аномалии, которые часто ускользают от команд специалистов по обработке данных, давая пользователям оперативную информацию на их основании. Модели, использующие ИИ, предлагают лучшие варианты последующих действий, основанные на обучении, а не на интуитивных догадках, которые слишком часто генерируются профессионалами.
Предлагаем сравнить системы в таблице:
| Критерии сравнения | Традиционные системы прогнозирования | Решения на базе искусственного интеллекта (ИИ, AI) |
| Работа алгоритма | Если не изменять алгоритм расчётов, данные на выходе будут одинаковыми. | Модель, работающая на основе ИИ, перестраивается каждый раз с учётом вводимых данных. |
| Используемые данные | Системы в расчётах используют исторические данные, и достаточно сложно учитывать влияние внешних факторов. | Искусственный интеллект работает с большими массивами данных о клиентских потребностях, поведении, спросе. В прогнозировании использует массивные и сложные источники данных. |
| Способность обучаться | Система не способна обучаться, а только выполняет вычисления на основе исторических данных, потому не имеет возможности качественно оценить будущий спрос. | По мере того как алгоритм работает и обучается, он становится способен определять новые связи и закономерности, которые не может рассмотреть даже человек. |
Решения AI кардинально меняют роль специалистов–практиков в области прогнозирования спроса. Они освобождают их от утомительного ручного труда и позволяют сосредоточиться на более стратегических задачах. К тому же наряду с технологиями, модели на основе ИИ вносят вклад в более разумную и эффективную цепочку поставок. Ритейлер, принявший решение использовать прогнозирование спроса на основе ИИ, значительно сократит количество ошибок, отходов и повысит удовлетворенность клиентов за счет доступности продуктов и сезонных товаров на полке магазинов.
Точное прогнозирование спроса по всем категориям, включая сезонные товары и свежие продукты, которые становятся все более важными для потребителя, является ключом к увеличению продаж и росту прибыли ритейлера. В своей работе команда C4R внедряет IT-решения на основе модулей, работающих на базе искусственного интеллекта. Такие системы учитывают покупательский спрос и причинно-следственные факторы, чтобы полностью охватить сложность сегодняшней цепочки поставок в рознице.
К тому же решения для прогнозирования спроса помогают сформировать предварительные планы по промопродвижению. Решения, работающие на базе ИИ, предназначены для максимизации дополнительных продаж и прибыли, а не просто повторять или корректировать прошлогодние планы промо.
Прогнозирование сезонного спроса повышает прибыль и сокращает расходы!
Спрогнозировать точное количество сезонных товаров непросто по причине многих составляющих прогноза. Нужно учесть множество факторов и их взаимное влияние. При составлении точных прогнозов без помощи искусственного интеллекта не обойтись. Однако максимально точные данные помогают сети наилучшим образом подготовиться к сезону: обеспечить необходимый запас продукции и лучшее ценовое предложение своим клиентам. Довольные потребители разбирают сезонные товары и покупают сопутствующие. Как результат, повышается оборачиваемость, снижаются остатки и затраты на их обслуживание.
Я надеюсь, вы разделяете мое мнение о том, что современная логистика очень сложна, а в нынешних условиях цепочки поставок нарушаются. К тому же не нужно забывать о влиянии множества других факторов, таких как перебои с поставками топлива, сменой поставщиков. В то же время меня, как специалиста, переполняет чувство гордости за технологичность решений, которые помогают прогнозировать спрос и направлять товары туда, где в них есть потребность. При этом системы позволяют минимизировать затраты и отходы, а также максимально повысить заботу о качестве продукции и здоровье потребителей.
Больше о решениях для прогнозирования спроса, оптимизации и автоматизации бизнес-процессов ритейла, об услугах аудита и консалтинга розницы узнавайте у наших консультантов: пишите на почту [email protected] или заполняйте форму ниже для заказа обратного звонка.
Автор статьи Антон Цемеров,
ERP Consultant Consulting for Retail