Cắt hay giữ SKU - Khi quyết định thương mại được dẫn dắt bởi dữ liệu

Đọc lại Phần 1 - Assortment Optimization: Khi dữ liệu trở thành đòn bẩy lợi nhuận của nhà bán lẻ hiện đại

Assortment Optimization là chu trình, không phải dự án

Theo McKinsey, tối ưu danh mục không bao giờ “xong” — mà là một quy trình tuần hoàn liên tục gồm bốn bước:

1. SKU Rationalization (Đánh giá và loại bỏ sản phẩm kém hiệu quả)
2. SKU Introduction (Đưa sản phẩm mới vào danh mục một cách có chiến lược)
3. Macrospace Allocation & Localization (Phân bổ không gian và tùy biến theo khu vực)
4. Continuous Improvement (Cải thiện liên tục nhờ dữ liệu và phản hồi thị trường)

Sơ đồ trong tài liệu mô tả quy trình này như một “vòng lặp tự hoàn thiện”: mỗi quyết định delist dẫn đến cơ hội list mới, mỗi phân tích SKU tạo dữ liệu cho vòng tiếp theo.

Delisting – Khi loại bỏ sản phẩm cũng là một chiến lược tăng trưởng

McKinsey cảnh báo rằng, nhiều nhà bán lẻ vẫn đánh giá sản phẩm chỉ dựa trên doanh số hoặc tốc độ quay vòng (rotation). Điều này dễ dẫn đến việc loại bỏ nhầm những SKU nhỏ nhưng có giá trị chiến lược hoặc giữ lại những sản phẩm bán chạy nhưng lợi nhuận thấp.

Thay vì vậy, McKinsey đề xuất hệ thống đánh giá SKU dựa trên bốn chiều đo lường chính:

(1) Hiệu quả kinh tế (Economic Performance)

Đo lường mức đóng góp tài chính thực tế của SKU. Không chỉ tổng doanh thu, mà là doanh số theo tuần, theo cửa hàng, theo giỏ hàng (per week / per store / per basket).

Điều này giúp loại bỏ sai lệch giữa SKU có mặt ở nhiều cửa hàng và SKU mới đang thử nghiệm.

(2) Độ độc nhất và giá trị với khách hàng (Uniqueness)

Không phải sản phẩm nào bán ít cũng “vô dụng”. Một SKU có thể tạo ra giá trị lớn nếu nhóm khách trung thành sẽ rời bỏ thương hiệu khi sản phẩm bị cắt.

Đây là lúc chỉ số Walk Rate do McKinsey phát triểqn, phát huy tác dụng:

Walk Rate đo tỷ lệ doanh số của một SKU không thể chuyển sang sản phẩm khác trong cùng danh mục nếu SKU đó bị loại bỏ.

Một sản phẩm có Walk Rate cao là sản phẩm không thể thay thế và việc giữ nó trong danh mục có thể bảo vệ doanh thu tổng thể.

(3) Chi phí phục vụ (Cost to Serve)

Một SKU có thể có doanh thu tốt nhưng lại đắt đỏ trong khâu vận hành.

Chi phí logistics, tỷ lệ hư hỏng, hoặc tần suất hết hàng (out-of-stock ratio) đều ảnh hưởng đến biên lợi nhuận thật sự.

Phân tích “end-to-end cost per SKU per store” giúp nhận diện sản phẩm nào đang “ăn vào lợi nhuận”.

(4) Mục tiêu chiến lược (Strategic Objectives)

Một sản phẩm có thể không mạnh về doanh số, nhưng lại đóng vai trò chiến lược: mở rộng phân khúc (ví dụ sản phẩm hữu cơ, không gluten), hoặc phục vụ nhóm khách hàng ưu tiên (millennials, trung lưu mới nổi...).

Các nhà bán lẻ tiên tiến gán KPI chiến lược ở cấp SKU để phản ánh tầm quan trọng này trong quyết định giữ hay loại bỏ sản phẩm.

Từ dữ liệu đến hành động: hệ thống hóa quyết định Delist

McKinsey đề xuất tạo Listing Index, một thang điểm tổng hợp từ 3–5 KPI thuộc các nhóm trên, giúp xếp hạng toàn bộ SKU trong danh mục.

Danh sách này không chỉ giúp xác định “SKU nên loại bỏ”, mà còn mở ra đối thoại giữa dữ liệu và kinh nghiệm thị trường:

• SKU nằm cuối bảng xếp hạng không nhất thiết phải bị cắt ngay,
• mà là tín hiệu để đội Category Manager đánh giá lại vai trò và điều chỉnh chiến lược.

McKinsey nhấn mạnh: “Khoa học dữ liệu là phần cứng, còn kinh nghiệm thương mại là phần mềm – chỉ khi hai yếu tố này phối hợp, Assortment Optimization mới đạt hiệu quả tối đa.”

Listing – Mặt còn lại của tối ưu danh mục

Nếu delisting giúp loại bỏ sự dư thừa, thì listing chiến lược giúp doanh nghiệp tăng trưởng.

McKinsey chia việc “listing mới” thành bốn dạng chính:

1. Mở rộng phân phối (Listing sản phẩm hiện có vào nhiều cửa hàng hơn)
2. Giới thiệu sản phẩm nhãn riêng (Private Label)
3. Listing sản phẩm mới của thương hiệu
4. Mở danh mục mới hoặc bổ sung dòng sản phẩm khác biệt

Để xác định “nên list sản phẩm nào, ở đâu”, McKinsey sử dụng hai chỉ số phân tích mạnh:

• Sales per Week per Store (SWS): đo lường hiệu quả bán hàng thực sự khi sản phẩm có mặt trên kệ.
• Total Listing Index (TLI): phản ánh mức độ phân phối thực tế của SKU (bao nhiêu cửa hàng, bao nhiêu tuần).

Những SKU có SWS cao nhưng TLI thấp thường là “hidden champion” — sản phẩm tiềm năng để mở rộng phân phối.

Kết hợp khoa học và nghệ thuật

McKinsey kết luận rằng, Assortment Optimization không phải là thuật toán thuần túy, mà là một nghệ thuật của ra quyết định.

Khi dữ liệu giúp nhận diện cơ hội, các Category Manager và Trade Marketer cần đặt nó vào bối cảnh: vai trò thương hiệu, chiến lược ngành hàng, hành vi mua sắm thực tế.

“Một SKU xếp hạng thấp trong bảng KPI không có nghĩa là phải loại bỏ ngay — mà là cơ hội để đặt câu hỏi đúng: Tại sao nó kém hiệu quả? Do phân bổ? Do giá? Hay do truyền thông tại điểm bán?”

Cắt để tăng trưởng

Các nhà bán lẻ áp dụng mô hình này đã ghi nhận kết quả rõ rệt:

• Doanh thu tăng 2–4% nhờ tập trung danh mục theo nhu cầu thực.
• Biên lợi nhuận tăng thêm 0.5–1 điểm % từ tối ưu chi phí chuỗi cung ứng.
• Thương lượng với nhà cung cấp mạnh hơn nhờ hiểu rõ giá trị và tính thay thế của từng SKU.

Cắt bỏ những gì không cần không phải là mất mát, mà là hành động chiến lược để tạo không gian cho tăng trưởng mới.

Kết luận

Một quyết định list hay delist SKU, nếu được dẫn dắt bởi dữ liệu, có thể tạo nên khác biệt lớn cho cả danh mục và lợi nhuận doanh nghiệp.

Assortment Optimization chính là hệ thống hóa quá trình này thành một vòng tròn học hỏi – hành động – cải thiện liên tục.

Nguồn: McKinsey & Company – Retail Analytics: Analytical Assortment Optimization, 2019.

👉 Trong Bài 3, chúng ta sẽ khám phá “Customer Decision Tree” – công cụ cốt lõi giúp nhà bán lẻ hiểu hành vi mua sắm và xác định sản phẩm nào thật sự không thể thay thế trong mắt khách hàng.

🔹 Học cách biến dữ liệu thành hành động thương mại cùng CASK

Khóa học Data-driven Trade Marketing Excellence giúp bạn xây dựng tư duy phân tích dữ liệu thương mại từ nền tảng đến ứng dụng:

• Hiểu và vận dụng các mô hình phân tích Sell-in / Sell-out, Assortment, Distribution, Promotion, Visibility;
• Biết kể chuyện từ dữ liệu và trình bày báo cáo thuyết phục cho cấp quản lý;
• Ứng dụng ngay vào công việc thực tế để tối ưu hiệu quả thương mại.

🔗 Xem chi tiết tại: Data-driven Trade Marketing Excellence