Marża jest jednym z głównych KPI świadczących o kondycji naszej organizacji. W ujęciu finansowym pod postacią przykładowo wskaźnika EBITDA (earning before interest, taxes, depreciation and amortization) jest jedną z głównych miar raportowanych przez organizacje. Operacyjnie kalkulacja marży jest niezbędna do zbudowania wiedzy przez zarządzających o realizacji strategii i wyników danego obszaru oraz do ich optymalizacji. W tym celu należy zejść z poziomu ogólnofirmowego wskaźnika marżowości do kalkulacji na możliwie najniższego – czyli do poziomu produkt/usługi. Następnie możliwe będzie agregowanie według istniejących hierarchii – produktowych (kategorie), geograficznych (regiony), organizacyjnych (handlowcy) czy segmentowych (grupy klientów). W tym celu warto sięgnąć po narzędzia self-service business intelligence jak Tableau, które znacznie ułatwią dostęp do tych informacji.
Jak kalkulować marżę?
Marża w najprostszym ujęciu to różnica pomiędzy przychodem a kosztem. Na poziomie operacyjnym najczęściej uwzględniamy jednostkowe koszty zmienne produkcji – czyli koszty powiązane ściśle z wytworzeniem danej sztuki produktu. Koszty stałe, niezależne od wielkości produkcji, widoczne będą dopiero w wynikach finansowych. Do tego warto zwrócić uwagę na koszty logistyczne, które mogą stanowić nieraz większość kosztów:
[Marża jednostkowa] = [Cena] – [Koszt jednostkowy]
Aby zapewnić porównywalność pomiędzy produktami o różnym poziomie cenowym, często używamy marży procentowej:
[Marża %] = ( [Cena] – [Koszt jednostkowy] ) / [Cena] x 100%
Dodatkowo możemy kalkulować marżę całościową (a nie jednostkową), czyli cały zysk:
[Marża] = [Marża jednostkowa ] * [Ilość sprzedaży]
Albo:
[Marża] = [Przychód ze sprzedaży] – [Suma kosztów]
Jak analizować i wizualizować marżę?
Mając zdefiniowaną marżę i jej elementy składowe możemy przystąpić do analizy i wizualizacji. Marża najczęściej zwłaszcza w dashboardach sprzedażowych będzie stanowić główny KPI oprócz przychodów, wolumenów oraz cen. Zaczynając projekt takiego dashboardu musimy przewidzieć część dla marży – zaczynając od karty KPI:
Mamy tutaj dwie miary dotyczące marży: profit (czyli zysk) oraz profit ratio (czyli zysk procentowy). Przy czym zysk możemy tutaj utożsamiać z marżą całościową, gdyż tak naprawdę chcemy wiedzieć ile zarabiamy na sprzedaży naszych produktów lub usług.
Warto zwrócić uwagę na kilka elementów przy projektowaniu kart KPI, dla marży i nie tylko:
- Wyróżnienie głównej wartości wskaźnika, jako informacji najbardziej istotnej (duży rozmiar, pogrubienie, umiejscowienie na początku)
- Uwzględnienie referencji (w tym przypadku poprzedniego roku) – aby móc szybko ocenić czyli dana wartość oznacza lepszy performance, czy gorszy
- Dodanie trendu miesięcznego – aby móc ocenić, czy obecna wartość wskaźnika to efekt postępującego trendu czy jednorazowa sytuacja
- Powtarzalność designu – warto zadbać aby każda karta obojętnie od wskaźnika posiadała taki sam układ – ułatwi to odbiorcy analizę
- Wykorzystanie elementów wizualnych – koloru do oceny odchylenia do referencji, koloru i rozmiaru do wyróżnienia trendu dla bieżącego roku
- Jasne wyróżnienie poszczególnych kart – aby stanowiły odrębne części, łatwe do wizualnej interpretacji
Poza kartą KPI marżę możemy analizować według różnorodnych hierarchii, zależnych od danych jakimi dysponujemy. W przypadku danych w podziale na segmenty, regiony czy kategorie – najlepszym rozwiązaniem będą bar charty, z dodatkowym oznaczeniem referencji w postaci pionowej linii wykresu Gantta. Wykres możemy dodatkowo rozbudować o linie trendu (zwane sparklines). Dane geograficzne możemy przedstawić na mapach, o ile odnoszą się do realnych okręgów administracyjnych (przykładowo województwa w Polsce). Jeżeli chcemy zejść z naszą analizą nieco głębiej i pokazać marżę w zależności od dwóch lub więcej wymiarów możemy użyć starej dobrej tabeli, wspomaganej kolorem – uzyskując heat mapę lub highlight table:
Podobnie jak w przypadku kart KPI, warto zadbać tutaj o powtarzalny design, aby ułatwić odbiór użytkownikom biznesowym – dotyczy to zarówno układu, jak i kolorów i oznaczeń.
Szczegółowa analiza marży
Raportowanie wynikowe według różnych hierarchii jest dobrym punktem wyjścia do dalszej analizy oraz poszukiwania optymalizacji. Będziemy musieli zejść tutaj na poziom bardziej szczegółowy – najniżej do poziomu produktu. Wykorzystamy do tego celu scatter plot, idealny wykres w sytuacji dużej liczby punktów danych. Na osi X pokazujemy profit ratio, na osi Y kategorię produktów, a poziom szczegółowości to produkty:
Aby nieco ułatwić analizę i ograniczyć nakładanie punktów danych, możemy rozproszyć losowo punkty danych na osi Y przy użyciu funkcji Random():
Dzięki temu możemy zidentyfikować produkty o najniższej zyskowności – będą po lewej stronie wykresu. Nawet w kategoriach o wysokiej marży (Technology) znajdziemy takie produkty, będą to neagtive outliers – produkty do przemyślenia, czy ma sens aby były w naszym portfolio, bądź do optymalizacji pod względem kosztów lub ceny. Po drugiej stronie będziemy mieli produkty o wysokiej zyskowności, o które należy w szczególny sposób zadbać – aby ich nie utracić.
Jeżeli produktów mamy bardzo dużo, warto zapewnić możliwość filtrowania wykresu do zadanej kategorii czy regionu, oraz dodać możliwość wyświetlania szczegółów w tabeli, którą możemy dodatkowo sortować. W ten sposób z bardzo dużej liczby punktów danych schodzimy do przyswajalnej i możliwej do przerobienia listy produktów do rewizji:
Analiza marży to istotny aspekt zarządczy i operacyjny
Poziom marży jest bardzo istotny zarówno z punktu widzenia zarządczego i strategicznego, ale również operacyjnego każdej organizacji. Wszyscy tak naprawdę pracują na zysk firmy, więc analiza i jego optymalizacja jest istotna na każdym szczeblu w firmie. Narzędzia pokroju Tableau znacznie ułatwiają taką analizę oraz dostęp do szczegółów. Umożliwiają tym samym optymalizację marży oraz poprawę wyników sprzedaży, chociażby dzięki identyfikacji outlierów czy hot spotów – obszarów potencjalnego ryzyka. Warto zadbać o dostęp do odpowiedniej informacji na różnym poziomie organizacji, aby zapewnić komplet informacji do trafnego podejmowania decyzji biznesowych
Mateusz Karmalski Tableau Author
