I slutten av januar kommer årsavslutningens varetellinger inn til hovedkontoret, og i mange kjeder sirkulerer den samme tabellen: en kolonne med butikker, en kolonne med svinnprosent, sortert fra dårligst til best. På noen sekunder vet alle hvem som er «sist». Men denne rangeringen sier ofte like mye om hvordan man teller som om selve tapene. For å sammenligne svinnet mellom butikker uten å bomme på målet, må man først sørge for at alle lokasjoner teller på samme måte. Valget av nevner kommer deretter. Til slutt er det en gjennomgang per sone og tidsrom som gjør avvikene mulige å bruke i butikk.

Hvorfor en rå rangering av butikkene villeder

Den mest utbredte svinnraten setter verdien av lagerdifferansene opp mot omsetningen. Den er en god indikator på den generelle tilstanden, men et dårlig verktøy for rangering, fordi den først og fremst avhenger av hva hver enkelt butikk tar med i beregningen. I rapporten Beyond Shrinkage: Introducing Total Retail Loss påpeker professor Adrian Beck (University of Leicester) at fraværet av en felles definisjon gjør svinndata svært vanskelige å sammenligne: noen virksomheter teller bare uforklarlige avvik, mens andre legger til brekkasje, utgåtte datoer eller prosessfeil.

Det som gjelder mellom kjeder, gjelder også mellom butikkene i samme kjede. De samme skjevhetene dukker opp igjen fra år til år:

  • Tidspunktet for varetellingen: en butikk som telles rett etter salget og en annen som telles før, snakker ikke om samme periode.
  • Kjent svinn som rapporteres feil: hver kartong med brekkasje som ikke registreres, havner automatisk under ukjent svinn og blåser opp raten.
  • Feil tidligere i kjeden: en ufullstendig levering, en mottakskontroll som er dårlig utført eller en glemt overføring mellom lokasjoner dukker opp i butikken som tap.
  • Størrelseseffekten: i en liten butikk er det nok med tre eller fire dyre varer for at prosenten skal hoppe fra ett år til det neste.
  • Produktmiksen: en butikk som selger flere svært utsatte varenumre, har logisk nok en høyere prosent.

Den som kommer sist på listen, er derfor ikke nødvendigvis den dårligst drevne butikken. Noen ganger er det den minste. Eller den som gjennomfører varetellingen mest samvittighetsfullt, eller den som får de mest problematiske leveringene fra lageret.

Harmoniser målingen før enhver sammenligning

Det er meningsløst å normalisere tall som ikke måler det samme. Studien Measuring Retail Shrink, utgitt av ECR Retail Loss, understreker dette: for å sammenligne svinnrater må man kjenne beregningsmetoden, bruke den konsekvent og være forsiktig med svinn som er verdsatt ulikt. Forfatterne, som bygger på en undersøkelse fra 2004 blant forhandlere som opererer i Europa, peker også på at tap i forsyningskjeden, som sjelden måles, lett blir tilskrevet butikkene og blåser opp svinnet der. De fleste respondentene målte da svinnet bare to ganger i året. Studien anbefaler å telle så ofte som mulig, for å kunne reagere på begynnende trender.

I en kjede betyr dette et skriftlig regelverk som gjelder overalt. Det fastsetter nøyaktig hva ukjent svinn omfatter og hvordan det verdsettes (salgspris eller innkjøpspris, men den samme på alle lokasjoner, og helst begge). Det samordner datoene for varetelling og krever lik håndtering av avvik ved varemottak. Hvis disse grunnpilarene fortsatt mangler, gjennomgår veiledningen vår for å forstå, beregne og redusere ukjent svinn grunnleggende om beregningen. Arbeidet er utakknemlig, men alt annet avhenger av det.

Normaliser etter omsetning, besøkstall og areal

Når målingen er harmonisert, gjenstår valget av nevner. Hver av dem belyser ulike sider, og ingen er tilstrekkelig alene.

  • Per omsetning: dette er den klassiske svinnraten, den som kan sammenlignes med markedets referanser. Ifølge NRFs National Retail Security Survey 2023 økte gjennomsnittlig svinnrate hos de amerikanske forhandlerne i undersøkelsen til 1,6 % i regnskapsåret 2022, mot 1,4 % året før, og var dermed tilbake på nivået fra 2019 og 2020. Begrensningen er kjent: en butikk med høy omsetning fortynner tapene sine, og en stor kampanje (eller en økning i salgsprisene, når svinnet verdsettes til innkjøpspris) flytter forholdstallet uten at noe har endret seg i hyllene.
  • Etter besøkstall: tapet per tusen besøkende. Slik nøytraliserer man forskjeller i gjennomsnittlig handlekurv og kan sette butikker opp mot hverandre der avdelingene har sammenlignbar trafikk. Det forutsetter likevel pålitelig og enhetlig telling i hele kjeden.
  • Etter areal: tapet per kvadratmeter, eller enda bedre per hyllemeter for en gitt produktfamilie. Denne tilnærmingen brukes til å sammenligne eksponeringstetthet og kvaliteten på plasseringen, særlig mellom lignende formater.

La oss ta et fiktivt eksempel, bevisst forenklet. Butikk A, i sentrum, har mange besøkende med små handlekurver. Butikk B, i utkanten, får færre besøkende, men handlekurvene er store nok til at omsetningen blir høyere. Over et år taper begge samme verdi i varer. Sett opp mot omsetningen ser B bedre ut. Sett opp mot besøkstallet er det A som taper minst per besøkende. Ingen av tallene er «det riktige». Det er avviket mellom dem som styrer analysen: mot eksponering for kundestrøm for A, mot varer med høy verdi for B.

Siste refleks: sammenlign hver butikk med sine jevnbyrdige (samme format, samme type beliggenhet, lignende størrelse) og med sin egen historikk over flere varetellinger, i stedet for med gjennomsnittet for hele kjeden.

Les statistikken per sone og tidsrom

En årlig prosent, selv godt normalisert, sier verken hvor eller når tapene oppstår. To butikker med samme prosent kan ha helt motsatte situasjoner. Hos den ene er avvikene konsentrert i parfymeavdelingen mellom kl. 17 og 19, hos den andre er de spredt over hele salgsarealet på lørdager. Disse to situasjonene håndteres ikke med samme handlingsplan.

Her overtar data fra kameraene etter lagertellingen. Dashbord for videoanalyse, som Oxanias, samler besøkstelling, heatmaps og statistikk per sone og per tidsrom. De erstatter ikke lagertellingen, som fortsatt er målet på det faktiske tapet, men de kommer kontinuerlig i stedet for en eller to ganger i året. Kartleggingen av gester med risiko per sone gir da et grunnlag for å sammenligne tilsvarende avdelinger fra en butikk til en annen.

Vær imidlertid oppmerksom: antallet varsler avhenger også av hva kameraene ser. En butikk der de utsatte avdelingene er godt dekket, vil melde om flere hendelser enn en butikk full av blindsoner, uten å være mer rammet av den grunn. For å sammenligne bør du sette varslene i forhold til trafikken i sonen og kontrollere at kameradekningen er likeverdig fra lokasjon til lokasjon. Ellers er det den best utstyrte butikken som kommer dårligst ut.

Erstatt rangeringen med en sammenligning som hjelper å ta beslutninger

En rangering fra 1 til N som sendes ut til hele kjeden, gir en velkjent bivirkning blant controllere: man ender med å pleie indikatoren i stedet for virkeligheten. Brekkasje rapporteres med plutselig iver uken før varetellingen, og enkelte posteringer glir fra én periode til en annen. Og teamene i butikker som strukturelt er mer utsatt, og som ligger nederst på listen år etter år, gir opp.

En sammenligning som er nyttig for styring av flere butikker, ser snarere slik ut:

  1. Grupper av sammenlignbare butikker, satt sammen etter format, beliggenhet og størrelse.
  2. For hver butikk tre indikatorer side om side (per omsetning, per besøkende, per areal) i stedet for bare én.
  3. En tendens over minst tre perioder, for å skille den enkeltstående hendelsen fra en gradvis utvikling.
  4. Lesebånd (innenfor gruppens norm, bør undersøkes, tydelig over) i stedet for en plassering.
  5. Et nærbilde per sone og tidsrom for butikkene som faller utenfor sitt bånd, før man trekker noen konklusjon.
  6. En samtale med butikkledelsen for å forklare avviket: byggearbeid, endring i teamet, ny plassering av varer, leveringsproblemer.

Denne tilnærmingen bygger videre på de viktigste indikatorene for å forutse tap. Målet er ikke å utpeke en dårlig elev, men å oppdage hva som fungerer i butikkene som klarer seg best, for å overføre det til andre.

Når varetellingstallene kommer i slutten av januar, tar det ti sekunder å sortere en kolonne. Å harmonisere målingen, kombinere omsetning, besøkstall og areal, og deretter gå ned på nivået for sone og tidsrom krever mer, men møtet som følger har ikke lenger det samme formålet: man slutter å lete etter hvem som er sist, og spør i stedet hvor og når man taper, og hvorfor. Det er med utgangspunkt i dette spørsmålet at ukjent svinn går varig tilbake i hele kjeden.