Один из кейсов, когда аналитика оказала прямое влияние на стратегию компании, связан с пересмотром продуктовой линейки и перераспределением ресурсов в e-commerce-компании, специализирующейся на продаже товаров для дома и интерьера. На момент анализа компания активно масштабировалась, открывала новые каналы сбыта, увеличивала ассортимент, и одновременно сталкивалась с падением маржи и логистической нагрузкой. Руководство предполагало, что причиной служит рост складских издержек и неэффективная работа логистики, однако полноценного анализа ассортимента ранее не проводилось.

Проблема

Ассортимент насчитывал более 11 000 уникальных SKU, включая мебель, освещение, текстиль, декор, посуду и хозтовары. Ассортимент активно расширялся: маркетинг требовал "новинок", чтобы повышать CTR в кампаниях, а операционный отдел стремился поддерживать широкий выбор. При этом возникли признаки:

• Увеличения складских остатков (overstocking)

• Снижения оборачиваемости

• Сложности в логистике (разноформатные поставки, частые возвраты)

• Рост скрытых издержек: хранение, сборка, комплектация

Компания хотела понять: какие товарные категории действительно «тянут» бизнес, а какие размывают фокус и ресурсы.

Проведённый анализ

1. ABC/XYZ-анализ по SKU

Каждый товар был оценён по двум параметрам:

• ABC — по объёму продаж (выручка, маржа)

• XYZ — по стабильности спроса (коэффициент вариации спроса)

SELECT
sku_id,
SUM(revenue) AS total_revenue,
AVG(monthly_sales) AS avg_sales,
STDDEV(monthly_sales)/AVG(monthly_sales) AS coeff_var
FROM sales_data
GROUP BY sku_id

Результат:

• Категория A (20% SKU → 80% выручки)

• Категория X (прогнозируемый спрос)

• Категория C-Z — тысячи товаров с непредсказуемыми и редкими покупками

2. Анализ unit economics

Для каждого SKU были рассчитаны:

• Маржинальность (с учётом себестоимости, логистики, хранения)

• Полная стоимость обработки: включая количество возвратов, упаковку, перемещения

• Оборачиваемость и среднее время на складе

Товары с высокой логистической нагрузкой, но низким LTV на клиента (часто — декоративные аксессуары и хозтовары) формировали убытки на каждой итерации.

3. Анализ возвратов и рекламаций

Отдельно были рассмотрены товары с наибольшим числом возвратов и рекламаций: их доля оказалась выше в новой категории «декор», которую начали активно продвигать полгода назад. Причины — цветовые несоответствия, неполные комплекты, низкое качество упаковки.

4. Когортный анализ LTV

Оценивались когорты пользователей в зависимости от «точки входа» — с какого товара начинался первый заказ. Оказалось, что клиенты, первый заказ которых был с мебелью или освещением, имели:

• Более высокий средний чек

• Повторные покупки с интервалом 30–90 дней

• Повышенный LTV на 40% по сравнению с теми, кто начинал с декора или текстиля

Рекомендации

1. **Сократить ассортимент на 30–40% за счёт категории C-Z:
   **

   • Идентифицировано ~4 000 SKU с низкой оборачиваемостью и высокой вариативностью спроса.

   • Прекратить закупки, распродать остатки, вывести из рекомендательной системы.

2. **Сконцентрироваться на "точках входа" с высоким LTV:
   **

   • Укрепить категории "освещение" и "корпусная мебель" — как каналы первичного привлечения с наибольшей отдачей.

   • Подстроить таргетинг рекламных кампаний под эти сегменты.

3. **Вывести логистически дорогие товары за пределы фулфилмента:
   **

   • Оптимизировать обработку категорий, вызывающих пиковые нагрузки на складе (например, стекло, вазоны).

   • Перевести часть товаров в dropshipping-схемы.

4. **Обновить политику запуска новых SKU:
   **

   • Внедрить scoring-модель: прогнозируемый спрос × маржа × возвратность.

   • Не запускать товары без оценки бизнес-эффекта и симуляции спроса.

5. **Создать отдельную SKU-группу "медиа-товары":
   **

   • Часто используются для визуального оформления витрин и рекламы, но неэффективны в продажах.

   • Разграничить их от товарной аналитики и убрать из фин. моделей.

Влияние на стратегию

После презентации аналитики на quarterly-брифинге, был принят ряд стратегических решений:

• Остановлен рост ассортимента в ширину: теперь новые SKU вводятся только при высокой оценке ожидаемой маржинальности и оборота.

• Оптимизирован маркетинговый бюджет: рекламные кампании стали на 35% более эффективными благодаря ориентации на товарные категории с высоким LTV.

• Снижено давление на склады: освободилось 22% площади, уменьшились перемещения на 18%, сократилось время сборки заказов на 11%.

• Повышена точность прогнозирования спроса: снижение out-of-stock на ключевые позиции на 14%.

Через 3 месяца после внедрения решений:

• Увеличилась валовая прибыль на 9%

• Сократились складские издержки на 17%

• Улучшилось удержание клиентов (ретеншн D30 вырос на 6 п.п.)

Этот кейс продемонстрировал, что аналитика ассортимента и поведения покупателей позволяет не только решать операционные задачи, но и вносить изменения в саму стратегию бизнеса: от закупочной и логистической политики до продуктового позиционирования.