Юнит‑экономика давно перестала быть абстракцией для менеджеров: от неё зависят ассортиментные решения, цена продаж и рекламный бюджет. В статье разберём, какие инструменты помогают считать юнит‑экономику на уровне SKU и категорий, какие данные нужны, какие ошибки встречаются чаще всего и как перейти от таблички в Excel к автоматизированной системе, не потеряв контроль.
Зачем считать по товарам и категориям
Одно дело знать среднюю маржу компании, и совсем другое — понимать, сколько приносит конкретный товар. SKU с высокой наценкой могут терять прибыль из-за дорогой логистики или высокой рекламной стоимости привлечения покупателя.
Сегментация по категориям помогает распределять ресурсы: какие продукты стоит продвигать, какие — убирать из ассортимента, а какие продавать в сезон с минимальной скидкой. Управление становится фактическим, а не интуитивным.
Какие метрики и данные нужны для корректного расчёта
Чтобы модель работала, потребуется связать продажи с расходами на привлечение, себестоимостью и операционными расходами. Без этих данных выводы будут ошибочными.
К основным показателям относятся цена продажи, себестоимость товара (COGS), переменные расходы на единицу (логистика, упаковка), комиссия маркетплейса, средняя стоимость привлечения покупателя (CAC), процент возвратов и доля бракованных единиц. Для категорий важно понимать средний чек и частоту покупок.
Как учитывать постоянные и переменные затраты
Переменные затраты прямо зависят от объёма продаж и обычно относятся на единицу товара. Постоянные — аренда, зарплата склада, амортизация — распределяют по товарам пропорционально выручке или объёму, в зависимости от логики бизнеса.
Важно документировать метод аллокации. Если его менять без контроля, показатели перестанут быть сопоставимыми во времени.
Типы инструментов: от простого к промышленному
Инструменты для расчёта юнит‑экономики по товарам и категориям можно разделить на несколько групп: табличные решения, BI-платформы, специализированные продукты и модули в ERP/CRM.
Каждый тип решает свои задачи: таблички хороши на старте, BI — для анализа и визуализации, специализированные решения — для автоматизированных расчётов и интеграции с маркетплейсами.
Excel и Google Sheets
Самый доступный вариант. Легко настроить расчет маржи, учесть скидки и возвраты, быстро строить сценарии «что‑если». Templates и скрипты помогают автоматизировать рутинные операции.
Ограничения: при росте SKU и объёма данных таблицы становятся медленными, возрастает риск ошибок ручного ввода и сложности с версионированием.
BI‑инструменты (Power BI, Tableau, Looker Studio, Yandex DataLens, Metabase)
BI удобен для связывания множества источников: складской учёт, CRM, рекламные платформы, платёжные системы. Дашборды дают быстрый обзор по SKU, категориям и каналам продаж.
Плюс — возможность автоматизировать обновления данных и разграничивать доступы. Минус — потребуется готовность команды к ETL и базовая разработка отчётов.
ERP и складские системы (1С, МойСклад, Odoo, SAP)
ERP-системы хранят актуальную себестоимость, остатки и приходные документы. Если настроить интеграцию, данные о COGS и движении партий попадают в модель автоматически.
Однако стандартные модули не всегда считают CAC и LTV, поэтому нужны интеграции с аналитикой и рекламой.
Специализированные решения и плагины
Существуют продукты, ориентированные на e‑commerce: аналитика маржинальности, расчёт LTV, управление рекламой и оптимизация цен. Они чаще платные, но закрывают ключевые задачи «под ключ» и умеют работать с маркетплейсами.
При выборе важно проверить поддержку нужных интеграций и прозрачность логики расчётов — закрытые формулы усложняют проверку данных.
Пример простой модели в таблице
Ниже — компактная таблица как черновой шаблон для расчёта юнит‑экономики на уровне артикула. Её можно быстро собрать в Excel или Google Sheets и использовать для первичного принятия решений.
| SKU | Цена, RUB | COGS, RUB | Перем. затраты, RUB | Комиссия, % | CAC, RUB | Вклад на ед., RUB |
|---|---|---|---|---|---|---|
| SKU-123 | 1500 | 900 | 50 | 10 | 200 | 1500 — 900 — 50 — 150 — 200 = 200 |
Строка показывает базовую арифметику: комиссия считается от цены, вклад на единицу — то, что остаётся для покрытия постоянных расходов и прибыли.
Критерии выбора инструмента
Прежде чем внедрять новую систему, ответьте на несколько вопросов: какой объём SKU, какие источники данных нужно соединить, кто будет поддерживать систему и как часто требуется обновление показателей.
Если задача — ежедневный контроль маржи по сотням SKU, таблицы не подойдут. Для тестовой аналитики и стартапа подойдёт Google Sheets, при масштабировании стоит переходить на BI или специализированный софт.
- Масштаб и количество SKU
- Частота обновления данных
- Наличие интеграций с рекламой и маркетплейсами
- Стоимость владения и обучение команды
- Прозрачность и удобство аудита расчётов
Типичные ошибки при расчёте и как их избежать
Частая ошибка — недооценка возвратов и брака. Они съедают маржу значительнее, чем кажется на первый взгляд. Простой подсчёт без учёта возвратов даёт завышенные результаты.
Ещё одна проблема — неправильно распределённые постоянные расходы. Распределять их по выручке удобно, но иногда логично привязывать к объёму складских операций или занимаемой площади.
Ошибки распределения маркетинговых расходов
Приписывание всей рекламной стоимости к последней продаже и игнорирование кросс‑каналов и задержки в конверсии искажает CAC. Лучше рассчитывать CAC на уровне каналов и распределять по когортам покупателей.
Также опасно считать средний чек одного месяца как показатель LTV. LTV формируется месяцами и требует анализа поведения повторных покупок.
Переход от простого к автоматизированному: практический план
Начинать стоит с минимальной модели: список SKU, цены, COGS и рекламные расходы по каналам. Это даст первые инсайты за пару дней и покажет, какие данные отсутствуют.
Дальше — автоматизировать загрузку данных: вебhooks, API маркетплейсов, выгрузки из ERP. После этого переносим расчёты в BI и настраиваем дашборды для команд продаж и закупок.
Мой опыт внедрения
В одном из проектов мы сначала считали юнит‑экономику в Google Sheets, чтобы понять, какие категории требуют внимания. Через месяц стало ясно, что отдельные SKU убыточны при текущей рекламе.
Мы внедрили Power BI и связали его с рекламными кабинетами и складом. Это позволило оперативно отключать убыточные кампании и перераспределять бюджет на прибыльные товары. Не было магии — только дисциплина в учёте и прозрачность данных.
Короткий чек‑лист для запуска
Для быстрого старта используйте этот упрощённый план: собрать данные, описать методику распределения постоянных расходов, построить первичную модель, автоматизировать загрузки, перейти к BI и валидировать расчёты регулярно.
- Собрать перечень SKU и источники данных.
- Определить формулу COGS и переменных расходов.
- Посчитать CAC по каналам и LTV по когортам.
- Автоматизировать выгрузки и собрать дашборд.
- Пересматривать модель не реже раза в квартал.
На что обратить внимание при масштабировании
Рост ассортиментной матрицы требует политики отбора: не все SKU стоит считать детально. Для долгого хвоста подходит агрегирование по категориям, а для топ‑продуктов — детальные расчёты.
Также полезно внедрять контроль версий модели и журнал изменений. Это упростит разбор причин неожиданного роста или падения маржи и убережёт от «тихой» ошибки в формуле.
Инструменты для расчёта юнит‑экономики по товарам и категориям — не про выбор «лучшей программы», а про выстраивание процесса. Даже простая таблица с правильными исходными данными даёт больше пользы, чем идеальная система без дисциплины. Начните с малого, автоматизируйте ключевые интеграции и развивайте модель по мере роста бизнеса — тогда решения станут быстрыми и обоснованными.
