Gain-loss в FMCG: куда уходят и откуда приходят покупатели

За последние 10 лет за счет кассовой реформы, введения маркировки, проникновения безналичного оборота у FMCG-производителей появилось огромное количество новых каналов получения информации и новых данных для анализа продаж. И обидно было бы ими не пользоваться. Рассказываем о таком традиционном для международных компаний инструменте как gain-loss анализ, но с учетом новых возможностей big data и ИИ.  

Что такое gain-loss анализ в FMCG

Это исследование объема покупок, который продукт теряет и приобретает при изменении предпочтений потребителей. В gain-loss анализе производитель отслеживает объемы по трем основным направлениям:  

• новые и ушедшие покупатели, 
• переключения между продуктами, 
• сокращение и расширение потребления.

Отчет должен ответить на три вопроса:

1. Что является источником роста или спада продаж SKU или бренда в целом? 
2. Какие бренды / SKU подвергаются каннибализации?  
3. Кто наши реальные конкуренты?

Анализировать можно на разных уровнях детализации: все товары производителя, конкретные бренды или даже SKU. Анализ всегда строится на сравнении двух периодов. Чтобы сравнение было корректным, периоды должны быть одинаковыми по продолжительности и учитывать сезонность. В большинстве случаев предпочтительнее, чтобы период 1 и период 2 попадали на один и тот же сезон. Например, некорректно сравнивать в сигаретах первый и третий кварталы: в 3 квартале заведомо больше потребление из-за того, что он охватывает два летних месяца, когда люди курят больше.

Объемы в отчете измеряются в натуральном выражении — в литрах / штуках / кг и т.п. Это позволяет отразить реальные изменения потребления без поправки на изменение цены.

Как традиционно проводится gain-loss анализ 

Традиционный способ потребительских исследований — на основе панели домохозяйств, когда сами покупатели регистрируют свои чеки. Преимущества такого способа в его «омниканальности». В анализе отражаются все места и способы покупок: онлайн и офлайн магазины, наличные и безналичные платежи. Но и минусы панельных исследований общеизвестны. 

Во-первых, выборка имеет значительный перекос ― в нее попадают только респонденты, согласившиеся регистрировать свои чеки за материальное вознаграждение.

Во-вторых, невозможно проверить принадлежность чеков, а также все ли свои чеки регистрирует покупатель или только те, которые считает нужным.

В-третьих, у таких панелей фрагментарный охват по географии, совсем не охвачены малые населенные пункты.

Чем отличается gain-loss на больших данных от традиционной аналитики

Gain-loss анализ можно проводить, используя данные сетей, или по обезличенным, очищенным данным из чеков с безналичной оплатой. Данные чеков агрегируются по покупателям, по каждому уникальному ID формируется потребительская корзина и определяются базовые признаки по группам: пол, возраст, доход (в диапазонах). На основе этого собирается панель. В Эвоторе, например, используется собственная аналитическая платформа Evo People Panel. 

Анализ на базе фискальных данных более гибкий и нивелирует минусы традиционного. Выборка панелистов случайная и всеобъемлющая, а не только конкретные потребители. Данные поступают в режиме онлайн — можно быстро оценить, например, результаты запуска новинки, не дожидаясь, когда проведут опрос или обработают данные для исследования. И данных действительно много: аналитику можно проводить не на сотнях или тысячах потребителей, как раньше, а на десятках и даже сотнях тысяч, кроме того, можно позволить себе более гибкую настройку параметров. Причем эти данные фактические, а не то, как клиент представляет себе или показывает свое потребление. 

Что можно увидеть с помощью gain-loss анализа на конкретных примерах

Возьмем для примера выдуманного производителя «Волшебные сады», который замечает снижение продаж по одному из своих ключевых SKU — яблочному соку. В чем может быть причина? Какие варианты можно предположить:

1. Категория в целом становится менее популярной у покупателей, они переходят на другие напитки: энергетики, газировку, воду.
2. Потребители не ушли из категории и продолжили покупать наш SKU, но сократили потребление.
3. Потребители не только стали меньше покупать наш SKU, но и периодически переключаются на сок другого производителя.

Если продажи SKU не падают, а наоборот, растут, то все эти три ситуации можно рассмотреть, соответственно, в обратном ключе, чтобы понять источники роста.

Мы берем выборку потребителей, которые покупали яблочный сок «Волшебные сады» в прошлом году, и смотрим на их поведение в текущем. Продолжили ли они покупать? В каком объеме? Или вообще перестали пить сок? Или ушли к конкурентам?

Вот как может выглядеть одна из частей такого исследования на практике:

На графиках: 100% ― это суммарное количество рассматриваемого продукта, приобретенное панелистами за 1-ый период. 

Здесь мы видим сравнение потребления одних и тех же панелистов в два периода.  Учитывается % изменения объема продаж сока в литрах. Первый период ― с 1 марта 2023 года по 28 февраля 2024 года, второй период ―  с 1 марта 2024 года по  28 февраля 2025 года. 

Lost ― это объем (в литрах) по потребителям, которые покупали яблочный сок «Волшебные сады» в первый период, но перестали его покупать во второй. Мы видим, что во втором периоде продажи снизились на 34,25% по сравнению с первым. При этом, среди наших панелистов на 7,42% упали продажи сока как такового, не только яблочного сока «Волшебных садов».

New ― это объем покупок в натуральном выражении по потребителям, которые не покупали яблочный сок «Волшебные сады» в первом периоде, но начали его покупать во втором. Мы видим, что продажи среди новых покупателей выросли на 37,16% причем на 10,8% ― это те, кто годом ранее вообще не покупал соки.

Contraction ― это объем по потребителям, которые стали меньше покупать наш яблочный сок «Волшебные сады». Мы видим, что по этим панелистам во втором периоде объемы продаж упали на 27,65%.

Expansion ― это объем по потребителям, которые, наоборот, стали больше покупать яблочный сок «Волшебные сады». По этим панелистам объем продаж вырос на 19,05%, по сравнению с первым периодом.

Switch loss ― объемы покупок любых других соков во втором периоде по панелистам, которые в первом квартале покупали яблочный сок «Волшебные сады». Продажи конкурентов за счет наших потребителей выросли на 11,53% 

Switch gain ― объем покупок яблочного сока «Волшебные сады», по панелистам, которые в первом периоде покупали любые другие соки. Продажи нашего сока выросли на 16,56% по этим потребителям. 

Мы видим, что в общем объеме продаж нашего сока покупки новых покупателей компенсируют потерю старых. Но при этом, те, кто остаются верны нашим сокам сокращают покупку. В подробной версии отчета можно посмотреть, какие бренды или какие виды соков «сманили» наших покупателей, и наоборот, ― с какой продукции «пересели» на нашу. А также сделать и социально-демографический анализ покупателей: какие именно потребители к нам пришли, а какие разлюбили нашу продукцию. 

«Большой брат не смотрит на тебя»

Современные возможности аналитики настолько широки, что на первый взгляд могут быть даже пугающими: информацию о нашем потреблении собирают, даже когда мы просто делаем свои обычные покупки. Но на деле этими данными можно оперировать только в агрегированном и обезличенном виде, покупки отдельных покупателей никак не отражаются в отчете. Да это и никому не нужно, в аналитике важен тренд.