Показатель Like for Like. Какие типичные ошибки допускает ресторанный бизнес при анализе продаж?
Делимся нюансами правильного применения показателя LFL (Like for Like) в рестораном бизнесе.
Like-for-like – сопоставимые продажи
Этот показатель отражает, на сколько результаты текущего периода изменились относительно прошлого, а также позволяет выявить причины данных изменений. Он дает объективную картину динамики продаж, так как учитывает при сравнении только рестораны, работавшие в двух сравниваемых периодах, и исключает новые либо закрытые точки. Применение like-for-like анализа также исключает влияние сезонности и помогает спрогнозировать динамику будущих периодов.
Пример: в текущем году открылось 10 новых ресторанов к 10, которые работали в прошлом году. Выручка увеличилась в 2 раза, но, те заведения, что работали в прошлом периоде, выросли только на 10 %.
Частая ошибка здесь – сравнение дней один к одному: некорректно сравнивать дни, если в прошлом году дата выпадала на разные по загрузке дни. Например, 27 февраля 2022 года воскресенье, а в 2023 году – понедельник.
Like-for-like comparison
The like-for-like sales comparison is an adjusted metric that compares two time periods, restricting the comparison to products or stores with the same characteristics. In this example, we use the like-for-like technique to compare the sales of Contoso stores that had sales in all the time periods considered. The stores are continuously updated: new stores are opened, other stores are closed or renovated. The like-for-like comparison only evaluates those stores that were open in all the periods considered. This way, the report does not show a store that seems to be underperforming simply because it was closed during the period analyzed.
As is the case with many other patterns, like-for-like can be computed statically or dynamically. The choice is both in terms of performance and in terms of business requirements. The variations of the “Same store sales” measure described in the following paragraphs are examples of like-for-like sales comparisons.
Introduction
If you analyze sales figures without considering whether stores were open or closed within the time period you are analyzing, looking at the following report might mislead you into thinking that there were issues in 2009 because of the dramatic drop in sales.
Figure 1 Sales in 2009 dropped significantly.
In 2009 many stores were closed. Therefore, the numbers reflect a substantial drop in sales due to the lower number of open stores, as you can see in the following report that shows which stores were open in different years. A blank cell means that the store was closed in that particular year.
Figure 2 Not all the stores are open every year.
In the “same store sales” measure, you must compute the sales amount just for the stores that were open during the entire time period (2007-2009), namely three stores.
Figure 3 Only three stores were open during the entire three-year period.
The measure must compute the correct value even when sliced by different attributes, as shown in Figure 4.
Figure 4 The measure totals the same numbers also when sliced by other attributes.
Same store sales with snapshot
The best method to solve the same store sales scenario is to use a snapshot table to manage store statuses. Later in this pattern we also demonstrate how to compute same store sales in a dynamic way without a snapshot table. Nevertheless, the snapshot table is the best option for both performance and manageability.
The snapshot table must contain all the stores and years, with an additional column indicating the status.
Figure 5 The snapshot table StoreStatus indicates the status of each store in different years.
The StoreStatus snapshot table can be created with the following calculated table:
The StoreStatus snapshot table has a granularity by store and year. Therefore, it has a regular strong relationship with the Store table and a weak Many-Many-Relationship (MMR) with the Date table. If weak relationships are not available in your tool – like in Power Pivot – then you must transfer the filter from Date to Store in DAX using TREATAS or INTERSECT.
Figure 6 The data model requires a weak MMR relationship between Date and StoreStatus.
The Same Store Sales measure checks the stores whose status is always “Open” during the entire selected period. If a store is “Closed” at any point, then SELECTEDVALUE returns either blank or “Closed”, filtering out that store:
The formula requires the snapshot table to contain the rows for all the years and stores. If you store in the snapshot table only the years when a store was open, then the code no longer works.
Same store sales without snapshot
In case you do not have the option of building a snapshot table, same store sales can be computed in a more dynamic way using only DAX code.
If the snapshot table is not available, then you must compute the number of years of the report dynamically, and then filter all the stores that have sales in all the years. In other words, if the report is showing three years, then only the stores that have sales in all three years should survive the filter. If a store does not have sales in any one of the selected years, then that store will not be considered for the calculation:
From a computation perspective, this formula is much more expensive than the one using the snapshot. Besides, the entire logic to determine whether a store is open or closed lies inside the formula. In our experience, such business logic is better handled outside of DAX, possibly stored in the data source. Therefore, if you do not have that information available in the data source we suggest the implementation using the snapshot – even for smaller data models.
The Same Store Sales Dynamic measure shows three stores that were open in Canada for the entire time period (2007-2009).
Figure 7 Only three stores were open in Canada during the entire three-year period.
Treats the columns of the input table as columns from other tables.For each column, filters out any values that are not present in its respective output column.
TREATAS ( <Expression>, <ColumnName> [, <ColumnName> [, … ] ] ) INTERSECT
Returns the rows of left-side table which appear in right-side table.
INTERSECT ( <LeftTable>, <RightTable> ) SELECTEDVALUE
Returns the value when there’s only one value in the specified column, otherwise returns the alternate result.
SELECTEDVALUE ( <ColumnName> [, <AlternateResult>] )
This pattern is included in the book DAX Patterns, Second Edition.
Alberto Ferrari
Marco Russo
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.
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.
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.
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.