Retail Execution KPI във FMCG: кои метрики реално движат продажбите

Във FMCG почти всичко може да се измери.

Колко посещения са направени. Колко снимки са качени. Колко задачи са затворени. Колко поръчки са взети. Колко километра са изминати. Колко минути е продължило посещението. Колко обекта са покрити.

Но това не означава, че всичко измерено е важно.

Един търговски екип може да има отлична активност и слабо изпълнение. Може да прави много посещения, но в грешните обекти. Може да качва много снимки, но да не затваря проблемите на рафта. Може да взима поръчки, но по навик. Може да изпълнява checklist, но магазинът да не става по-добър.

Точно затова Retail Execution KPI във FMCG трябва да започне от по-строг въпрос:

Кой KPI доказва, че след посещението обектът е по-близо до търговската стратегия?

Ако метриката не помага да отговорим на това, тя вероятно е activity metric, не execution metric.

Голямата разлика: activity, execution и impact

Повечето FMCG компании започват с activity метрики, защото са лесни:

• брой посещения;
• брой снимки;
• брой задачи;
• брой поръчки;
• GPS присъствие;
• време в обекта;
• покритие на маршрут;
• изпълнение на checklist.

Тези показатели са нужни. Без дисциплина няма execution. Но activity сама по себе си не е резултат.

Истинската картина идва, когато KPI моделът раздели метриките на четири нива.

1. Activity metrics

Те казват дали екипът е бил на терен и дали е изпълнил базовия процес.

Пример: търговецът е посетил 18 обекта, качил е 42 снимки, затворил е 30 задачи и е взел 14 поръчки.

Това е контрол. Не е достатъчна бизнес диагноза.

2. Execution quality metrics

Те казват дали магазинът е изпълнен правилно.

Пример: must-stock наличност, facings, share of shelf, promo compliance, price compliance, asset compliance, secondary placement, Perfect Store score.

Тук вече виждаме физическата реалност на търговската стратегия.

3. Commercial impact metrics

Те казват дали изпълнението променя продажбата, риска или cost-to-serve.

Пример: recovered OSA issue, uplift след коригирана промоция, accepted recommended order, намален out-of-stock риск, по-добра route productivity, по-добра weighted distribution.

Това е нивото, което мениджмънтът реално трябва да следи.

4. AI loop metrics

Те казват дали AI препоръките работят в реалния процес.

Пример: recommended order acceptance rate, override reasons, shelf scan accuracy, issue closure after AI detection, route recommendation compliance, coaching improvement след препоръка.

Това е новата категория KPI. Ако внедряваме AI, трябва да мерим не само дали моделът “работи”, а дали променя поведението и резултата.

KPI 1: Visit completion не е достатъчен

Посещението е най-старият и най-лесен KPI.

Но “посетен обект” не значи “подобрен обект”.

Ако търговецът е бил в магазина, но не е проверил критичната промоция, не е видял липсата на hero SKU и е взел същата поръчка като миналата седмица, KPI-то изглежда зелено, но бизнесът губи.

По-добрият KPI не е само visit completion. По-добрият KPI е:

• visit completion по приоритет;
• visit completion за high-risk обекти;
• visit completion с изпълнена critical task;
• visit completion с измерен shelf signal;
• visit completion с реално затворен action.

Тук Route optimization става важна. Ако маршрутът е подреден само по география, екипът може да е ефективен логистично, но слаб търговски. В FMCG най-краткият маршрут не винаги е най-добрият маршрут.

KPI 2: On-shelf availability

On-shelf availability е един от най-важните retail execution KPI, защото е директно свързан с пропусната продажба.

Продуктът може да е наличен в ERP. Може да е в склада. Може дори да е в магазина. Но ако купувачът не го вижда на рафта в момента на покупка, продажбата е застрашена.

Затова OSA трябва да се мери на ниво:

• SKU;
• категория;
• обект;
• канал;
• регион;
• търговец;
• промо период;
• weighted importance според потенциал на магазина.

Голямата грешка е OSA да се третира като общ процент. Липса в малък обект и липса в high-potential обект не тежат еднакво. Липса на slow-moving SKU и липса на hero SKU също не са едно и също.

По-добрият KPI е weighted OSA risk: кои липси са най-скъпи за бизнеса.

On-shelf availability е отделна голяма тема, но в KPI рамката тя трябва да стои в центъра. Ако продуктът не е на рафта, останалите метрики губят смисъл.

KPI 3: Perfect Store score

Perfect Store score е силен KPI само ако не се превърне в бюрокрация.

Лошият Perfect Store score е дълъг checklist, който всички попълват, но никой не използва за действие.

Добрият Perfect Store score измерва няколко условия, които реално движат продажбата:

• правилен асортимент;
• наличност на must-stock SKU;
• правилни facings;
• правилен share of shelf;
• цена и промоция;
• secondary placement;
• POS материали;
• asset compliance;
• clean shelf execution;
• действие при отклонение.

Трябва да има и тежест. Не всяка точка е еднакво важна. За напитки хладилникът може да е по-критичен от shelf strip. За personal care share of shelf може да е по-важен от secondary display. За food категорията срокове, наличност и промо цена може да са решаващи.

Затова Perfect Store не трябва да бъде универсален checklist. Той трябва да бъде scorecard според категория, канал и търговски приоритет.

KPI 4: Promo compliance

Промоциите са един от най-големите източници на разминаване между план и реалност.

На хартия промоцията е активна. В ERP цената е заредена. В презентацията display-ят изглежда добре. В магазина обаче може да липсва:

• промо цена;
• POS материал;
• вторично излагане;
• правилен асортимент;
• достатъчна наличност;
• правилна позиция;
• изпълнение в точния ден.

Ако мерим само sell-in, можем да си мислим, че промоцията е стартирала. Ако мерим physical execution, виждаме дали купувачът реално я вижда.

Затова promo compliance KPI трябва да включва:

• planned vs executed outlets;
• display presence;
• price compliance;
• promo SKU availability;
• shelf/photo evidence;
• issue closure time;
• sales impact след корекция.

Image recognition може да помогне тук, защото превръща снимката от доказателство в проверка: има ли display, има ли продукт, има ли ценови етикет, има ли видимо отклонение.

KPI 5: Share of shelf и facings

Share of shelf е чувствителна метрика, защото показва реалната битка за видимост.

В FMCG често не е достатъчно продуктът просто да присъства. Ако присъства с един facing, ниско на рафта, между конкуренти и без логичен блок, физическата наличност не се превръща автоматично в продажба.

Затова KPI рамката трябва да гледа:

• facings по SKU;
• facings по brand block;
• share of shelf спрямо категория;
• позиция по височина;
• planogram compliance;
• конкурентен натиск;
• промяна във времето.

Тук Computer vision за рафт е ключов, защото ръчната оценка е бавна, субективна и трудна за мащабиране. Ако искаме обективен shelf KPI, снимката трябва да стане измерим сигнал.

KPI 6: Recommended order acceptance rate

Когато AI препоръчва поръчка, новият важен KPI не е само forecast accuracy.

В търговския процес по-интересно е:

• колко често препоръката се приема;
• кога се коригира;
• защо се коригира;
• кой търговец я приема или отхвърля;
• кои клиенти системно отказват;
• дали приетите препоръки намаляват OOS;
• дали коригираните препоръки дават по-добър резултат;
• кои reason codes се повтарят.

Това е recommended order acceptance rate.

Той не трябва да се използва за наказание. Ако търговецът отхвърля препоръка, може би моделът пропуска контекст. Ако клиентът отказва, може би има cash flow проблем, лоша промо механика или недоверие към категорията. Ако препоръката се приема, но води до overstock, моделът трябва да се коригира.

AI Order Brain е силен точно когато препоръката има причина и обратна връзка. Без reason codes AI order taking става черна кутия. С reason codes става система, която се учи.

KPI 7: Issue closure rate

Да откриеш проблем не е същото като да го решиш.

Много retail execution системи създават впечатление за контрол, защото показват много issues: липса, грешна цена, непоставен POS материал, празен display, нарушена планограма.

Но ако issues стоят отворени, KPI-то трябва да е червено.

По-добрите метрики са:

• issue closure rate;
• average time to close;
• repeated issue rate;
• reopened issue rate;
• closure by type;
• closure by region;
• closure by owner;
• commercial impact after closure.

Това е мястото, където workflow orchestration има практична стойност. Проблемът не трябва да остане просто бележка в система. Той трябва да стигне до правилния човек, с правилен срок, правилно доказателство и ясен статус.

KPI 8: Coaching improvement

Field sales coaching често се мери с проведени обучения, срещи или ride-with дни.

Това са activity metrics.

По-силният KPI е дали поведението се подобрява след coaching.

Например:

• търговецът започва да приема повече качествени AI препоръки;
• OSA проблемите в неговите обекти намаляват;
• Perfect Store score се вдига;
• отказите на клиенти се записват по-ясно;
• follow-up задачите се затварят по-бързо;
• промоциите се изпълняват по-точно;
• route discipline се подобрява без спад в търговския резултат.

Sales coaching трябва да работи с конкретни модели на поведение, не с общи впечатления. “Трябва да продаваш повече” не е coaching. “В 7 от 10 случая намаляваш препоръчаното количество за SKU с OSA риск; ето как да аргументираш поръчката” е coaching.

KPI 9: Manager actionability

Един dashboard може да е красив и безполезен.

Ако регионалният мениджър трябва да гледа 12 екрана, за да разбере къде да действа, BI слоят не помага достатъчно.

Затова трябва да има KPI за actionability:

• колко бързо мениджърът разбира top risks;
• колко issues се превръщат в действия;
• колко често dashboard insight води до follow-up;
• кои insights се игнорират;
• кои alerts са шум;
• кои alerts водят до измерим резултат.

Chat BI може да бъде много силен в тази логика. Мениджърът не трябва само да гледа графики. Той трябва да може да пита:

“Кои 20 обекта тази седмица имат най-голям риск от пропусната продажба и защо?”

Това е различен тип KPI култура: от reporting към decision support.

KPI 10: AI loop health

Ако компанията използва AI suite, трябва да мери здравето на самите AI loops.

Не само точност на модела, а пълния цикъл:

• capture quality;
• model confidence;
• human review rate;
• recommendation acceptance;
• override reason quality;
• issue closure after detection;
• business impact after action;
• drift по категория, регион или сезон;
• audit trail;
• fairness и контрол според правила.

Това е особено важно при AI agents. Агентът може да създаде задача, да подготви summary или да ескалира проблем, но KPI трябва да показва дали това помага или създава шум.

Добър AI KPI не пита само “моделът позна ли?”. Той пита:

“Сигналът доведе ли до по-добро действие?”

Как да не удавим екипа в KPI

Най-опасното нещо е да се създадат 80 KPI и всички да изглеждат важни.

Търговският екип не може да управлява 80 приоритета. Мениджърът също не може.

По-добра рамка е:

За търговеца

Той трябва да вижда малко, но конкретно:

• най-важните обекти за деня;
• top risks в посещението;
• критични shelf issues;
• препоръчана поръчка;
• следващо действие;
• личен coaching сигнал.

За supervisor-а

Той трябва да вижда:

• проблемни обекти;
• повторяеми issues;
• търговци с нужда от coaching;
• незатворени задачи;
• промоции с execution risk;
• route exceptions.

За management-а

Там KPI трябва да е още по-концентриран:

• OSA risk;
• Perfect Store trend;
• promo compliance;
• recommended order impact;
• route productivity;
• issue closure;
• cost-to-serve;
• AI loop health.

Добрата KPI система не показва всичко на всички. Тя показва правилното на правилния човек.

Практичен scorecard за FMCG retail execution

Ако трябва да започнем прагматично, една добра scorecard може да изглежда така:

Така KPI рамката става управленска система, не списък с числа.

Накратко

Retail Execution KPI във FMCG трябва да се премести от контрол на активност към контрол на резултат.

Лошият KPI пита:

“Колко неща направихме?”

Добрият KPI пита:

“Какво се подобри в магазина и какъв риск намалихме?”

Разликата е огромна.

Истинската retail execution система трябва да мери:

• дали правилните обекти са посетени;
• дали правилните SKU-та са на рафта;
• дали промоцията е изпълнена физически;
• дали Perfect Store стандартът се подобрява;
• дали препоръчаната поръчка се приема и работи;
• дали проблемите се затварят;
• дали coaching-ът променя поведението;
• дали AI сигналите водят до действие;
• дали мениджърът знае къде да се намеси.

FMCG компаниите няма да спечелят от повече dashboard-и. Ще спечелят от KPI, които водят до по-добро изпълнение в обекта.

Свързано в Optimasoft

• Optimasale е полето, където KPI-ите се връзват с посещение, задача, поръчка и изпълнение.
• Image recognition дава обективен shelf signal за OSA, facings, share of shelf и promo compliance.
• AI Order Brain добавя KPI за recommended order acceptance, overrides и reason codes.
• Sales coaching превръща KPI отклоненията в конкретно подобрение на поведението.
• Chat BI помага на мениджърите да питат данните за next best action, не само да гледат отчети.
• FMCG търговски представител 2.0 показва как тези KPI се използват в реалния ден на търговеца.

Източници

• Bain & Company - Perfecting Sales Execution
• Bain & Company - Perfect Store: How advanced analytics is transforming sales execution
• NielsenIQ - Can the FMCG industry afford to lose billions from empty shelves?
• ECR Europe - Optimal Shelf Availability
• Corsten & Gruen - Retail Out-of-Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses
• McKinsey - The State of AI: Global Survey 2025