ТЕХНОЛОГИИ АНАЛИЗА РЕНТАБЕЛЬНОСТИ В ТОРГОВЫХ КОМПАНИЯХ: ОТ ABC-АНАЛИЗА К ПРЕДИКТИВНОЙ АНАЛИТИКЕ

АННОТАЦИЯ

В статье рассматривается эволюция методов анализа рентабельности в торговых компаниях — от традиционного инструмента как ABC-анализ до инструментов бизнес-аналитики (BI) и предиктивных моделей, использующих методы машинного обучения.

Цель исследования заключается в систематизации современных технологии оценки рентабельности и определить потенциал предиктивной аналитики для повышения качества управленческих решений.

Методология исследования: В ходе исследования применялся комплекс аналитических методов: логический — для выстраивания последовательной цепочки от базовых инструментов оценки рентабельности к более сложным; статистический — для выявления закономерностей в динамике маржинальности и точности прогнозирования; качественный — для критической оценки аналитических инструментов с точки зрения их применимости в торговом бизнесе; количественный — для расчёта показателей эффективности рассматриваемых методов.

Оригинальность исследования заключается в формировании аналитической матрицы эволюции технологий рентабельности — от ABC-анализа к предиктивным моделям, которая помогает компаниям оценить уровень аналитической зрелости и выбрать подходящие инструменты.

Результаты исследования показывают, что применение машинного обучения позволяет прогнозировать маржинальность с точностью 85–92% против 65–72% у традиционных методов. BI-системы обеспечивают мониторинг прибыльности в реальном времени, а предиктивные модели — переход к проактивному управлению ассортиментом.

ABSTRACT

This article examines the evolution of profitability analysis methods in trading companies—from traditional tools such as ABC analysis to business intelligence (BI) tools and predictive models that utilize machine learning techniques.

The aim of the study is to systematize modern profitability assessment technologies and determine the potential of predictive analytics for improving the quality of management decisions.

Research methodology: A set of analytical methods was applied during the study: logical—to construct a sequential chain from basic profitability assessment tools to more complex ones; statistical—to identify patterns in the dynamics of profitability and forecasting accuracy; qualitative—to critically evaluate analytical tools in terms of their applicability in the retail business; quantitative—to calculate the performance metrics of the methods under consideration.

The originality of the study lies in the development of an analytical matrix of the evolution of profitability technologies—from ABC analysis to predictive models—which helps companies assess their level of analytical maturity and select appropriate tools.

The study’s findings show that the use of machine learning enables margin forecasting with an accuracy of 85–92%, compared to 65–72% for traditional methods. BI systems enable real-time profitability monitoring, while predictive models facilitate a shift toward proactive product portfolio management.

Ключевые слова: рентабельность, торговые компании, ABC-анализ, предиктивная аналитика, финансовая аналитика, бизнес-аналитика, большие данные, управленческие решения.

Keywords: profitability, trading companies, ABC analysis, predictive analytics, financial analytics, business analytics, big data, management decisions.

Введение

Розничная торговля остаётся одним из наиболее динамично развивающихся секторов экономики Казахстана. По данным Бюро национальной статистики РК, объём розничной торговли в 2024 году достиг 22,4 трлн тенге, превысив показатель 2023 года на 16,7%, а за период 2020–2024 годов оборот отрасли практически удвоился [2]. Однако параллельно с ростом усиливается конкуренция: доля электронной торговли увеличилась с 0,8% в 2015 году до 14,1% в 2024 году, и высокий оборот уже не гарантирует прибыльности.

Инструменты анализа рентабельности эволюционировали вместе с технологиями — от простых расчётов нормы прибыли и ABC-анализа до BI-систем и предиктивных моделей на основе машинного обучения. Каждый переход был обусловлен тем, что прежний инструментарий переставал отвечать на актуальные бизнес-запросы. При этом крупные ретейлеры активно осваивают современные платформы, тогда как малый и средний бизнес по-прежнему работает с инструментами, дающими лишь ретроспективную картину.

В научной и практической литературе эти методы чаще всего рассматриваются по отдельности — либо ABC-анализ, либо BI-системы, либо предиктивная аналитика. Целостного взгляда на то, как они соотносятся друг с другом и в какой последовательности имеет смысл их осваивать, практически нет. Наличие этого пробела определил направленность настоящего исследования.

Данное исследование направлено на комплексное изучение методов анализа рентабельности в торговых организациях и определение потенциала предиктивной аналитики как инструмента совершенствования управленческих решений. Для достижения поставленной цели были сформулированы следующие задачи: рассмотрение классических подходов к оценке рентабельности и выявление присущих им ограничений; изучение влияния цифровой трансформации на современную финансовую аналитику; а также определение практической применимости предиктивных моделей в контексте управления прибыльностью торговых предприятий.

Новизна исследования заключается в построении аналитической матрицы эволюции технологий оценки рентабельности (от классического ABC-анализа до прескриптивных моделей), которая служит инструментом определения уровня аналитической зрелости торговых компаний. В противовес существующим работам, рассматривающим данные методы разрозненно, предложена их целостная иерархия, где каждый последующий этап (клиентская прибыльность, BI-аналитика, предиктивная аналитика) органично надстраивается над предыдущим, не аннулируя его. Такой подход позволяет бизнесу самостоятельно идентифицировать свою позицию на пути цифровой трансформации и выбирать следующий шаг развития, исключая неэффективные вложения в «сырые» для текущего уровня компетенций технологии.

Дополнительным элементом новизны является адаптация матрицы к условиям казахстанского торгового рынка: в исследовании учитываются специфика отечественного ретейла (высокая доля малого и среднего бизнеса, активный рост электронной торговли с 0,8% в 2015 году до 14,1% в 2024 году), а также особенности доступной IT-инфраструктуры и уровня аналитических компетенций в казахстанских торговых компаниях.

Основная часть

Развитие цифровой экономики и рост объёмов данных существенно изменили подходы к анализу эффективности бизнеса. Современные торговые компании ежедневно работают с огромными массивами информации, и традиционные методы анализа уже не справляются с задачей выявления всех факторов, влияющих на прибыльность. Финансовая аналитика постепенно смещается от оценки прошлых результатов к прогнозированию будущих показателей.

ABC-анализ является одним из наиболее распространённых инструментов анализа структуры продаж и прибыльности. Метод основан на принципе Парето, согласно которому небольшая часть товаров обеспечивает основную долю выручки или прибыли компании. [6]

В рамках классического подхода весь ассортимент делится на три категории:

• группа A — около 20% товаров, формирующих до 80% выручки;
• группа B — около 30% товаров, формирующих около 15% выручки;
• группа C — около 50% товаров, формирующих около 5% выручки.

Метод прост и нагляден, однако учитывает лишь один критерий и не отражает сезонность, стратегическую значимость позиций или эффект сопутствующих продаж.

Системы Business Intelligence (BI) заметно изменили подход к финансовому анализу в компаниях. Их главное достоинство состоит в том, что они объединяют данные из самых разных источников — ERP-систем, CRM-платформ, логистических и торговых систем — в одном аналитическом пространстве, что раньше было практически недостижимо.

Наиболее популярные платформы — Power BI и Tableau — дают аналитикам и руководителям возможность работать с интерактивными дашбордами, отслеживать ключевые показатели в режиме реального времени и визуализировать данные в удобном формате.

Практический эффект от внедрения подобных систем подтверждается исследованиями Deloitte: время на подготовку управленческой отчётности сокращается на 40–60%, а решения принимаются значительно быстрее. [5]

Следующим этапом развития аналитических технологий является внедрение предиктивной аналитики, основанной на алгоритмах машинного обучения и анализе больших данных.

Предиктивные модели позволяют прогнозировать:

• спрос на товарные позиции;
• динамику маржинальности;
• ценовую эластичность;
• ценность клиентов.

Использование таких моделей позволяет компаниям переходить от реактивного управления к проактивной стратегии управления ассортиментом и ценовой политикой.

Однако технология здесь — лишь инструмент: без качественных данных, подготовленных специалистов и готовности менеджмента работать с прогнозами даже самые сложные модели не принесут результата.

Абстрактное описание технологий приобретает практическую ценность лишь в сопоставлении с реальными бизнес-кейсами. Ниже приведены примеры применения каждого из рассматриваемых инструментов в торговых компаниях.

ABC-анализ в оптовой дистрибуции бытовой техники. Казахстанский дистрибутор бытовой техники применил ABC-анализ к портфелю из более чем 400 активных SKU. По результатам классификации было выявлено, что 18% позиций (группа A — телевизоры и холодильники премиальных брендов) формируют 76% валовой прибыли. Это позволило перераспределить складские площади и закупочные бюджеты в пользу высокомаржинальных позиций, сократив объём неликвидных запасов на 23% в течение одного квартала.

Практическое применение предиктивной аналитики в управлении ассортиментом демонстрирует кейс международной компании Getir. Компания внедрила систему прогнозирования спроса на основе машинного обучения (Amazon Forecast), позволяющую анализировать продажи на уровне отдельных товарных позиций (SKU). В результате внедрения удалось увеличить выручку на 4% и сократить потери от списаний на 50%, что свидетельствует о значительном повышении эффективности управления запасами и ассортиментом. [7]

Таблица 1.

Сравнительный анализ технологий оценки рентабельности торговых компаний [1; 3; 4]

Результаты исследования

По результатам проведённого исследования сформулированы следующие ключевые выводы.

Традиционные методы — ABC-анализ и анализ маржинальности — по-прежнему остаются полезными на этапе первичной работы с ассортиментом и клиентской базой. Они хорошо справляются с задачами классификации и ретроспективного контроля, однако спрогнозировать что-либо с их помощью практически невозможно, что существенно ограничивает их ценность в условиях быстро меняющейся рыночной среды.

Что касается цифровых инструментов — BI-платформ, облачных решений и технологий Big Data — они действительно меняют характер аналитической работы в торговых компаниях. Появляется возможность отслеживать показатели рентабельности практически в режиме реального времени, объединять данные из разных систем и существенно сокращать время от сбора информации до принятия решения. При этом, судя по результатам сравнительного анализа, представленного в Таблице 1, затраты на внедрение BI-систем вполне соразмерны получаемым преимуществам.

Предиктивная аналитика на основе машинного обучения открывает уже принципиально иные управленческие возможности. По данным ряда исследователей, в частности Bradlow et al., точность прогнозирования маржинальности при использовании подобных моделей достигает 85–92%. [1] Это позволяет компаниям перейти от реагирования на уже произошедшие изменения к упреждающему управлению ассортиментом и прибыльностью клиентов. Вместе с тем успех внедрения во многом определяется не самой технологией, а качеством данных и уровнем подготовки персонала.

Наконец, если рассматривать эволюцию аналитических инструментов в целом, прослеживается логичная последовательность: ABC-анализ → анализ клиентской прибыльности → BI-аналитика → предиктивные модели → прескриптивная аналитика. Важно понимать, что каждый новый уровень не вытесняет предыдущий, а дополняет его, формируя многоуровневую систему поддержки управленческих решений.

Заключение

Настоящее исследование демонстрирует, что анализ рентабельности в торговых компаниях претерпевает фундаментальную методологическую трансформацию под влиянием цифровых технологий. Классические инструменты — ABC-анализ, анализ маржинальности и CPA — сохраняют значимость как базовые методы классификации и ретроспективного контроля, однако в условиях динамичных рынков они недостаточны для обеспечения конкурентоспособного управления прибыльностью.

Внедрение BI-систем обеспечивает переход к непрерывному мониторингу рентабельности в режиме реального времени, тогда как предиктивная аналитика на основе машинного обучения открывает возможность проактивного управления товарным портфелем и клиентской прибыльностью с точностью прогноза, недостижимой для традиционных методов.

Перспективы внедрения предиктивной аналитики в торговых компаниях определяются не столько технологическими, сколько организационными факторами: качеством данных, наличием аналитических компетенций и готовностью менеджмента к изменению управленческих процессов. Направлениями дальнейших исследований являются: эмпирическая верификация предложенной матрицы на данных торговых компаний различных сегментов; разработка методики оценки аналитической зрелости применительно к специфике торгового сектора; исследование применимости прескриптивной аналитики для автоматизированного управления ценообразованием и ассортиментом.

Список литературы:

1. Брэдлоу Э. Т., Гангвар М., Копалле П., Волети С. Роль больших данных и предиктивной аналитики в розничной торговле // Журнал розничной торговли — 2017. — Т. 93, № 1. — С. 79–95. — Режим доступа: https://doi.org/10.1016/j.jretai.2016.12.004
2. Бюро национальной статистики Агентства по стратегическому планированию и реформам Республики Казахстан. Розничная торговля [Электронный ресурс] — Режим доступа: https://stat.gov.kz
3. Виксом Б., Уотсон Х. Организация на основе бизнес-аналитики // Международный журнал исследований в области бизнес-аналитики — 2010. — Т. 1, № 1. — С. 13–28. — Режим доступа: https://doi.org/10.4018/jbir.2010071702
4. Делен Д., Демиркан Х. Данные, информация и аналитика как услуги // Decision Support Systems. — 2013. — Т. 55, № 1. — С. 359–363. — Режим доступа: https://doi.org/10.1016/j.dss.2012.05.044  
5. Парето В. Учебник политической экономии / В. Парето. — Париж, 1896. — 430 с.
6. Deloitte Insights. Аналитика и предприятия на основе искусственного интеллекта [Электронный ресурс] — Режим доступа: https://www.deloitte.com/insights  
7. AWS Amazon. Прогнозирование спроса в Getir, построенное с помощью Amazon Forecast [Электронный ресурс] — Режим доступа: https://aws.amazon.com/ru/?nc2=h_home