Logistyka to fascynujący, ale i niezwykle bezlitosny świat. W przeciwieństwie do wielu innych branż, tutaj wszystko jest brutalnie wręcz policzone. Większość procesów opiera się na twardych datach, poziomach magazynowania i fizycznym przepływie towarów. Oznacza to, że jeżeli skala operacji w naszej firmie drastycznie wzrośnie, nawet najmniejsze, z pozoru nieistotne błędy mogą pociągnąć za sobą kolosalne konsekwencje finansowe. Co gorsza, wyłapanie tych błędów wymaga naprawdę dobrych analityków danych.
W przypadku czystych narzędzi e-commerce, wskaźniki takie jak koszt pozyskania klienta (CAC) czy jego życiowa wartość (LTV) nie stanowią już dzisiaj wiedzy tajemnej. To są rzeczy, które możemy w miarę sprawnie policzyć, a bardzo często nowoczesne systemy elektroniczne dowożą nam te wyniki niemal na tacy. Jednak logistyka rządzi się swoimi prawami. Tutaj musimy spiąć wszystko sami. Jeżeli z naszych baz wyłaniają się absurdalne wyniki, to mamy do czynienia z kolejnym poziomem problemu, który dobry analityk powinien umieć zaadresować i wyjaśnić biznesowi.
Szczególnie w dzisiejszym świecie, zdominowanym przez narrację o sztucznej inteligencji, łatwo ulec złudzeniu, że dane same powiedzą nam prawdę, a AI policzy wszystko za nas i będzie idealnie. Rzeczywistość jest inna. Jeżeli z systemu wychodzą nam bzdury, jeżeli w danych panuje bałagan, to ten bałagan nie zostanie automatycznie naprawiony. Zostanie powielony. Potrzebny jest człowiek – doświadczony analityk, który spojrzy na tabelę i powie: chwileczkę, przecież taki czas dostawy jest fizycznie niemożliwy. Problemem często nie jest zły model biznesowy, ale to, że po prostu źle liczymy nasze procesy. Gdzieś w procedurze tkwi błąd.
Dlatego dzisiaj wejdziemy głęboko w świat logistyki i omówimy pięć kluczowych wskaźników KPI, które decydują o być albo nie być wielu firm.
Wskaźnik zwrotów, czyli logistyczny bumerang
Nasz pierwszy KPI to Return Rate, czyli wskaźnik zwrotów. Z pozoru jest to wskaźnik logistyczny, choć tak naprawdę dotyczy nie tylko logistyki jako branży, ale całego szeroko pojętego handlu. Ma on również zastosowanie w e-commerce, a nawet w sprzedaży produktów cyfrowych. Jeżeli ktoś, tak jak ja, daje pełną gwarancję zwrotu w przypadku dołączenia do KajoDataSpace czy zakupu moich kursów, musi precyzyjnie liczyć, ile średnio ten wskaźnik wynosi. To on obnaża brutalną prawdę o tym, w jakiej kondycji jest nasz biznes.
Wyobraźmy sobie niebezpieczną sytuację. Lecimy na czystym przychodzie, cieszymy się z rosnących słupków sprzedaży i nie pomniejszamy naszej marży o przewidywane zwroty. Zakładamy, że to, co jest na koncie bankowym, po prostu tam zostanie, a ewentualne zwroty załatwi się z bieżących wpływów. To może być gigantyczny problem. Zdarza się, że wskaźnik zwrotów szybuje na bardzo wysoki poziom, ponieważ na przykład mocno cisnęliśmy agresywną promocję. Wpychaliśmy produkty ludziom, którzy tak naprawdę wcale ich nie potrzebowali, więc po chwili refleksji odsyłają je z powrotem.
Możemy się łatwo zachłysnąć tym, że kampania poszła świetnie, a przychód jest gigantyczny. Jednak Return Rate to bumerang, który nas dojedzie za dwa tygodnie. Nagle może się okazać, że wskaźnik zwrotów w e-commerce modowym wynosi trzydzieści procent, bo na przykład cała partia ubrań była źle poszyta. Trzydzieści procent naszego biznesu ląduje w koszu, a my z dnia na dzień stajemy się nierentowni.
Dlatego zadaniem analityka jest rozbicie tego wskaźnika na czynniki pierwsze, najlepiej z podziałem na konkretne produkty i kohorty klientów. Jeśli mamy dobry, stabilny biznes, to nowe produkty powinny powstawać według sprawdzonych procedur, które gwarantują jakość. U mnie proces tworzenia kolejnych szkoleń jest stale aktualizowany, ale nie jest to rewolucja za każdym razem. To pozwala mi zachować ciągłość biznesową i pewność, że odpowiedni poziom jakości zostanie dowieziony, co minimalizuje zwroty. Wpływ Return Rate na biznes jest potężny i nie wolno go ignorować.
Lead Time, czyli walka z czasem i geografią
Przechodzimy do absolutnej klasyki logistyki, czyli Lead Time. Pojęcie to oznacza po prostu czas realizacji zamówienia. Z pozoru jest to banalnie prosta matematyka: bierzemy różnicę między datą dostarczenia zamówienia do klienta a datą złożenia tego zamówienia w naszym systemie. Zasadniczo chodzi o to, jak szybko upragniona paczuszka trafi w ręce kupującego.
Obecnie rywalizacja na tym polu jest niezwykle zacięta. Standardy dyktowane przez gigantów rynku przyzwyczaiły konsumentów do dostaw na następny dzień. Lead Time jest o tyle fascynującym wskaźnikiem, że bardzo często nie mamy na niego pełnego wpływu. Korzystamy z usług zewnętrznych firm kurierskich, oferujemy różne metody dostawy – od kuriera pod drzwi, po automaty paczkowe. Jeżeli jako analitycy policzymy Lead Time zbyt ogólnie, wrzucając wszystkie dane do jednego worka i wyciągając prostą średnią, nie dowiemy się absolutnie niczego o tym, co tak naprawdę stanowi problem. A problem zawsze jakiś jest.
Przy analizie Lead Time kluczowe jest rozbijanie danych na granulację. Weźmy za przykład duży e-commerce operujący na rynkach europejskich. Patrzymy na dashboard i widzimy, że średni Lead Time dla Grecji jest fatalny. Wynik świeci się na czerwono. Klienci czekają strasznie długo. Dzwonimy więc do lokalnego Country Managera z pretensjami, pytając, dlaczego u nich procesy działają tak słabo.
Tymczasem odpowiedź tkwi w geografii, której nie uwzględniliśmy w naszym ogólnym modelu. Grecja ma ogromną liczbę wysp. Transport paczek wymaga tam użycia małych statków i promów, które nie kursują tak często i nie są tak optymalne jak ciężarówki jeżdżące po autostradach. Logistyka na archipelagu wygląda zupełnie inaczej niż na stałym lądzie. To właśnie tam rozbija nam się średni Lead Time. Jako analityk możesz wtedy zaproponować biznesowi konkretne rozwiązanie: może powinniśmy komunikować inny czas dostawy dla Grecji kontynentalnej, a inny dla wysp? To jest właśnie ta wartość dodana, którą analityk wnosi do firmy.
Zostań analitykiem danych – dołącz do KajoDataSpace!
Najlepsza ścieżka do zawodu analityka danych. Dostęp do pełnych wersji kursów online z Excela, SQLa, PowerBI, Tableau i Pythona z certyfikatami!
🟨 Ekskluzywana ale pomagająca sobie społeczność.
🟩 Ponad 75 godzin materiałów video.
🟨 Spotkania LIVE co miesiąc.
🟩 Mój osobisty mentoring.
Order Cycle Time, czyli poszukiwanie kontroli w chaosie
Kolejny niezwykle bliski logistyce wskaźnik to Order Cycle Time, znany szerzej jako OCT. Skupia się on na tym, ile czasu dany produkt przebywa w naszym własnym procesie, najczęściej w magazynie, od momentu zamówienia do momentu wysyłki.
W biznesie nigdy nie da się panować nad wszystkim. To uniwersalna prawda, z którą mierzy się każdy przedsiębiorca. Skoro nie możemy kontrolować wszystkiego, musimy z chirurgiczną precyzją identyfikować te obszary, nad którymi mamy realną władzę. I to jest świetne zadanie dla analityka danych. Jeżeli mierzymy czas od kliknięcia „kup” do momentu odebrania paczki przez klienta, musimy z tej osi czasu wyciągnąć różne odcinki.
Musimy oddzielić odcinek, na którym panujemy mniej, czyli wspomnianą wcześniej drogę kuriera, od odcinka, na którym panujemy bardzo mocno. Tym drugim jest nasz magazyn. To tutaj jesteśmy w stanie zoptymalizować procesy, zatrudnić więcej osób, zmienić układ regałów. Co więcej, analityk musi wiedzieć, że OCT to wskaźnik niezwykle dynamiczny. Będzie się on drastycznie zmieniał w zależności od intensywności napływających zamówień.
Najlepszym testem dla Order Cycle Time jest Black Friday. Zamówienia spływają lawinowo, magazyn pęcznieje w szwach, nagle tworzą się kolejki przy stanowiskach pakowania, a transport wewnętrzny przestaje wyrabiać. Problem z przepustowością powoduje, że OCT rośnie w tempie wykładniczym. Zrozumienie dynamiki między OCT a Lead Timem pozwala tworzyć modele predykcyjne i przygotować operacje na nadchodzące piki sprzedażowe.
Fill Rate i pułapka uśredniania
Czwarty wskaźnik wchodzi do gry, gdy handlujemy produktami fizycznymi. Mowa o Fill Rate, czyli wskaźniku realizacji zamówień. W przypadku produktów cyfrowych ten problem praktycznie nie istnieje. Moje kursy czy miejsca w przestrzeni edukacyjnej nigdy się fizycznie nie kończą. Mogę sprzedawać dostęp w nieskończoność, a dystrybucja nic mnie nie kosztuje na poziomie pojedynczej sztuki. W świecie fizycznego magazynu braki towarowe to jednak chleb powszedni.
Jeżeli do systemu wpada określona pula zamówień, naszym celem operacyjnym jest zrealizowanie ich w stu procentach. Jeżeli z jakiegoś powodu nie możemy tego zrobić, powstają tak zwane backordery – zamówienia, które czekają w zawieszeniu, ponieważ na półce zabrakło nam fizycznego produktu.
Tutaj jako analitycy musimy zwrócić baczną uwagę na to, co dokładnie mierzymy. Kluczem jest kategoryzacja naszych SKUs. SKU, czyli Stock Keeping Unit, to najmniejsza jednostka, którą trzymamy na stanie. Dla jednego biznesu będzie to puszka napoju, dla innego kilogram surowca, a dla jeszcze innego konkretny model i rozmiar buta.
Dlaczego hierarchizacja jest tu aż tak ważna? Zastanówmy się, co z tego, że nasz ogólny Fill Rate dla całego magazynu jest wysoki, powiedzmy na poziomie 98 procent, jeżeli te brakujące dwa procent to nasze absolutne bestsellery? Wyobraź sobie, że masz w ofercie produkt, który generuje świetną marżę, zbiera doskonałe opinie i ciągnie całą sprzedaż. Niestety, jest on wiecznie niedostępny z powodu złego zaopatrzenia. Jednocześnie masz w magazynie tysiące innych, słabo rotujących produktów, których jest pod dostatkiem. Ogólny wskaźnik mówi, że magazyn działa perfekcyjnie, ale prawda jest taka, że biznes właśnie traci gigantyczne pieniądze na niezrealizowanej sprzedaży najważniejszych artykułów.
Dlatego nigdy nie ufaj tylko globalnemu Fill Rate. Analizuj ten wskaźnik w rozbiciu na kluczowe produkty. Tylko wtedy zobaczysz, gdzie firma tak naprawdę krwawi finansowo przez problemy z dostępnością.
Cost per Shipment, czyli ile kosztuje powietrze
Ostatni na naszej liście, ale być może najbardziej podstępny wskaźnik, to Cost per Shipment – koszt wysyłki pojedynczego zamówienia. To niezwykle złożona metryka. Najprostsze ujęcie polega na przeliczeniu kosztów per kurier lub per ciężarówka opuszczająca rampę. Prawdziwa analityka zaczyna się jednak wtedy, gdy schodzimy o poziom głębiej.
Możemy wliczyć w ten wskaźnik koszty utrzymania samego magazynu, wynagrodzenia ludzi pracujących przy kompletacji, a nawet koszty materiałów pakowych. W logistyce o dużej skali te z pozoru drobne koszty urastają do rangi milionów. I tu dochodzimy do fascynujących wniosków analitycznych. Może się na przykład okazać, że nasz Cost per Shipment jest absurdalnie wysoki nie dlatego, że kurierzy są drodzy, ale dlatego, że nasze paczki są nieoptymalnie spakowane.
Największym, ukrytym kosztem w biznesie logistycznym jest powietrze. Jeśli do małego przedmiotu używamy wielkiego kartonu, marnujemy przestrzeń w ciężarówce, zużywamy niepotrzebnie dużo wypełniacza i płacimy za gabaryt, a nie za wagę. Licząc CPS tylko przez pryzmat faktury od przewoźnika, omijamy sedno problemu.
Musimy pytać głębiej: ilu ludzi pakuje te paczki? Jakie kartony kupujemy? Czy w ogóle bierzemy pod uwagę czynsz za halę magazynową, czy traktujemy to jako koszt, który po prostu „schodzi z konta raz w miesiącu i lepiej na niego nie patrzeć”? Jeżeli nasz biznes rośnie sprzedażowo w świetnym tempie, ale koszty wysyłki i obsługi rosną w tempie atomowym, to w końcu cała struktura się załamie. Skalowanie biznesu to nie tylko więcej przychodów. Przy braku optymalizacji, skaluje się przede wszystkim ból zarządzania tym całym chaosem.
Zapisz się do
newslettera
🎁 i zgarnij darmowe bonusy:
Poradnik Początkującego Analityka
Video - jak szukać pracy w IT
Regularne dawki darmowej wiedzy, bez spamu
Podsumowanie
Praca z danymi w logistyce to nieustanne poszukiwanie prawdy ukrytej w tysiącach wierszy systemów magazynowych. Zrozumienie, jak działają Return Rate, Lead Time, Order Cycle Time, Fill Rate oraz Cost per Shipment, odróżnia sprawnego analityka od osoby, która tylko mechanicznie odświeża dashboardy. To my mamy kompetencje, aby wskazać biznesowi, gdzie uciekają pieniądze i dlaczego procesy nie działają tak, jak byśmy sobie tego życzyli.
Dla mnie osobiście umiejętność łączenia kropek pomiędzy techniczną pracą na danych a realnym biznesem jest tym, co nadaje sens tej ścieżce kariery. Jeśli chcesz pogłębiać swoje umiejętności i uczyć się narzędzi, które pozwolą Ci analizować takie procesy (od Excela, przez SQL, aż po Pythona), zajrzyj do KajoDataSpace. Stworzyłem to miejsce właśnie po to, by pomagać analitykom stawać się prawdziwymi partnerami dla biznesu.
Jeśli ten tekst wydał Ci się wartościowy i znasz kogoś, kto zmaga się z logistyką lub po prostu interesuje się analityką, podziel się nim proszę na swoich mediach społecznościowych. Twoje wsparcie pozwala mi docierać do kolejnych osób, które chcą świadomie rozwijać swoje kompetencje. Do zobaczenia w kolejnych analizach!
Autorem artykułu jest Kajo Rudziński – analytical data architect, uznany ekspert w analizie danych, twórca KajoData oraz społeczności dla analityków KajoDataSpace.
To tyle w tym temacie. Analizujcie w pokoju!
Podobał Ci się ten artykuł 🙂?
Podziel się nim w Social Mediach 📱
>>> udostępnij go na LinkedIn i pokaż, że codziennie uczysz się czegoś nowego
>>> wrzuć go na Facebooka, to się może przydać któremuś z Twoich znajomych
>>> Przypnij sobie tą stronkę to zakładek, może się przydać w przyszłości
Wolisz oglądać 📺 niż czytać – nie ma problemu
>>> Obserwuj i oglądaj KajoData na YouTube
Wolisz czytać po angielsku? No problem!
Inne ciekawe artykuły:
