Transpozycja danych sell-through na sell-in w FMCG: jak, dlaczego i po co w analityce finansowej?

1. Dlaczego w ogóle mówimy o transpozycji: krótko o „dwóch prawdach” rynku

Jeśli pracujesz w FMCG, to znasz ten film: sprzedaż (sell-in) „wystrzeliła”, plan został dowieziony, bonusy kuszą… a potem ktoś odpala raport POS i okazuje się, że konsument kupował dużo spokojniej. W efekcie mamy dwa obrazy tej samej rzeczywistości. Jeden z perspektywy firmy (wysyłki do klienta, faktury, przychód), drugi z perspektywy półki (realne zejście do kupującego). I właśnie w tej luce mieszka cała zabawa – oraz większość problemów finansowych.

Transpozycja danych sell-through na sell-in (albo odwrotnie, zależnie od tego, co jest twoją bazą) to nic innego jak próba przetłumaczenia jednego języka liczb na drugi. Wyobraź to sobie jak mapę i teren. Sell-in to mapa narysowana przez twoje ERP: ładna, uporządkowana, zgodna z fakturami. Sell-through to teren: czasem błotnisty, z objazdami (promocje), i z dziurami w danych (braki raportowania). Sama mapa nie powie ci, czy utkniesz w korku. Sam teren bez mapy nie powie ci, dokąd zmierzasz.

1.1. Sell-in vs sell-through w jednym zdaniu

Sell-in odpowiada na pytanie: „ile wysłaliśmy i zafakturowaliśmy do kanału?”; sell-through: „ile kanał sprzedał dalej (do sklepu lub do konsumenta) w danym czasie?”. Między nimi stoi zapas w kanale dystrybucji – taki bufor, który raz pomaga (ciągłość dostaw), a raz szkodzi (push, pre-buy, zamrożona gotówka).

1.2. Gdzie rodzi się rozjazd: zapas w kanale, zwroty, promocje

Rozjazd powstaje, bo towar po sell-in nie znika magicznie z planety. On ląduje w magazynie dystrybutora, w backroomie sklepu, w drodze, na palecie promocyjnej. Jeśli w marcu „wepchniesz” dużo do hurtu, to w marcu sell-in rośnie. Ale sell-through może rosnąć dopiero w kwietniu lub maju – albo wcale, jeśli klient zrobił pre-buy przed podwyżką cen, a potem ograniczył zamówienia.

1.2.1. „Magazyn dystrybutora” jako czarna skrzynka finansów

Dla finansów magazyn klienta jest jak pokój bez okien: wiesz, co do niego włożyłeś (sell-in), ale nie zawsze wiesz, co i kiedy z niego wychodzi (sell-through). Jeśli nie modelujesz zapasu w kanale, to twoje prognozy przypominają jazdę autem z zamalowaną szybą – niby masz prędkościomierz, ale nie widzisz zakrętów.

1.2.2. Efekt bicza i jego finansowe konsekwencje

W FMCG działa klasyczny efekt bicza: małe zmiany popytu konsumenckiego potrafią wywołać duże wahania zamówień w górę łańcucha. To przekłada się na:

• rozchwianie przychodów (sell-in „faluje”),
• skoki akrualizacji kosztów trade,
• ryzyko odpisów i przeterminowań,
• złe decyzje produkcyjne (za dużo/za mało),
• i finalnie: nerwowe rozmowy o cash flow.

Jeśli transpozycja jest zrobiona dobrze, finanse przestają reagować na „szum wysyłek”, a zaczynają widzieć popyt bardziej jak rynek – a mniej jak przypadkowy wykres z faktur.

2. Definicje, które ratują projekt przed katastrofą

W projektach danych najwięcej czasu nie zjadają algorytmy, tylko… znaczenia słów. „Sell-through” dla jednej osoby to POS z sieci, dla drugiej depletions dystrybutora, a dla trzeciej panel konsumencki. Jeśli nie dopniesz definicji, to porównujesz jabłka z sokiem jabłkowym i dziwisz się, że się nie zgadza.

2.1. Sell-in: co dokładnie mierzy i kiedy „powstaje”

Sell-in w FMCG zwykle oznacza sprzedaż producenta do bezpośredniego klienta (sieci, dystrybutora, hurtu, czasem centrali zakupowej). Z finansowego punktu widzenia to jest „twarde”:

• masz fakturę,
• masz datę księgowania,
• masz warunki handlowe,
• masz kursy walut (jeśli eksport),
• i masz wpływ na revenue (zależnie od zasad rozpoznania).

Ale uwaga: nawet sell-in potrafi mieć warianty. Jedni patrzą na „shipments date”, inni na „invoice date”, inni na „GI date” (goods issue). Dla transpozycji to istotne, bo przesunięcie o kilka dni na przełomie miesiąca potrafi zmienić cały obraz.

2.2. Sell-through: POS, depletions, panel – i dlaczego to nie to samo

Sell-through bywa mierzone trzema najczęstszymi źródłami. Każde ma plusy i minusy, a transpozycja powinna brać pod uwagę, z czym pracujesz.

2.2.1. POS retail

POS (point of sale) to sprzedaż na kasie sklepu. To najbliżej prawdy konsumenckiej. Świetne do analizy popytu, elastyczności cenowej, skuteczności promocji. Ale:

• nie zawsze obejmuje cały rynek (tylko wybrane sieci),
• może mieć opóźnienia i korekty,
• wymaga mapowania SKU (czasem różne kody po stronie sieci).

2.2.2. Depletions dystrybutora

Depletions to „zejście” z magazynu dystrybutora do jego klientów (np. tradycja, małe sklepy). To jest bliżej sell-in producenta niż POS, ale dalej od konsumenta. Depletions potrafią być świetne do oceny, czy push do dystrybutora ma sens, bo pokazują, czy dystrybutor faktycznie sprzedaje dalej.

2.2.3. Dane panelowe (np. konsumenckie)

Panele są użyteczne do oceny udziałów rynkowych i trendów, ale nie zawsze nadają się do „twardej” transpozycji finansowej, bo to dane estymowane, z metodologią, wagami, czasem agregowane.

2.3. „Prawda finansowa” a „prawda rynkowa” – jak je pogodzić

Finanse muszą spinać się do grosza z księgą. Rynek rzadko jest do grosza. Transpozycja jest więc mostem: po jednej stronie masz dane księgowe (sell-in), po drugiej zachowanie rynku (sell-through). Twoim celem nie jest idealna zgodność w każdym tygodniu. Celem jest stabilna, logiczna relacja, która:

• tłumaczy różnice (zapas w kanale, zwroty, pipeline),
• pozwala prognozować,
• i daje CFO spójny obraz tego, co się dzieje „pod spodem” wyników.

3. Po co finansom transpozycja: zastosowania, które realnie płacą rachunki

Można traktować transpozycję jak ciekawostkę analityczną. Ale w FMCG to zwykle twarde narzędzie do zarządzania wynikiem i ryzykiem. Dobrze zrobiona transpozycja potrafi zmienić rozmowę w firmie z „dlaczego wysyłki spadły?” na „czy popyt naprawdę spada, czy tylko kanał jest zatowarowany?”.

3.1. Forecast P&L i revenue: mniej zgadywania, więcej kontroli

Jeśli prognozujesz P&L na podstawie sell-in, a kanał robi pre-buy, to forecast będzie wyglądał świetnie… do momentu, aż zamówienia wyschną w kolejnym miesiącu. Transpozycja pozwala „odfiltrować” pipeline i zobaczyć prawdopodobny popyt downstream. W praktyce oznacza to:

• stabilniejsze prognozy,
• lepsze wyjaśnienia odchyleń (variance analysis),
• i mniej paniki na koniec kwartału.

Co ważne: to nie znaczy, że masz przestać patrzeć na sell-in. Masz zacząć rozumieć, ile z sell-in to realna konsumpcja, a ile to tylko przesunięcie zapasu w łańcuchu.

3.2. Trade spend i akrualizacja: kiedy koszt powinien „siąść”

W FMCG trade spend (rabat, promocja, gazetka, ekspozycja) to ogromna część P&L. I teraz pytanie: kiedy ten koszt „powinien” obciążyć wynik? Często sens ekonomiczny jest bliżej sell-through niż sell-in. Przykład: jeśli dajesz promocyjny budżet na akcję w sklepie w tygodniu 20, a dystrybutor zatowarował się w tygodniu 18, to księgowo możesz mieć sell-in wcześniej. Ale efektywność promocji liczysz na POS w tygodniu 20.

Transpozycja pomaga:

• dopasować koszt do efektu (matching),
• lepiej ustawiać akrualizacje i rozliczenia,
• i ocenić ROI promocji na bazie „zejścia”, a nie „wypchnięcia”.

3.3. Working capital: zapas w kanale jako ukryty kredyt

Zapas w kanale jest jak kredyt, tylko że bez umowy kredytowej. Jeśli kanał trzyma dużo twojego towaru, to:

• masz ryzyko zwrotów,
• masz presję na rabaty,
• i często dłużej czekasz na kolejne zamówienia.

3.3.1. Zapasy klientów a DSO/DIO – praktyczny wpływ

Nawet jeśli twoje DSO wygląda dobrze, wysoki pipeline w kanale może oznaczać, że „przyszła sprzedaż” jest już zjedzona. Z perspektywy gotówki transpozycja daje super praktyczne KPI:

• days in trade / weeks of cover (ile tygodni sprzedaży klient ma w zapasie),
• pipeline value (wartość towaru „siedzącego” w kanale),
• risk of returns (ryzyko odsprzedaży/zwrotów przy wolnym zejściu).

3.4. S&OP, planowanie produkcji i cash flow – jeden język liczb

S&OP często staje się kłótnią o to, który wykres jest „prawdziwy”. Sprzedaż pokazuje POS, logistyka shipments, finanse faktury. Transpozycja robi z tego jedną opowieść: co wyszło z fabryki, co weszło do kanału, co zeszło do konsumenta, i ile zostało w rurze (pipeline). A cash flow? Bez zrozumienia pipeline łatwo pomylić „dobry miesiąc” z „miesiącem wypchnięcia”.

4. Skąd wziąć dane: źródła i ich typowe pułapki

Nie ma transpozycji bez danych. I tu jest haczyk: firmy często mają piękne dane o sell-in (bo faktury), a poszarpane dane o sell-through (bo zależne od partnerów). Dlatego ważne jest podejście pragmatyczne: lepszy model z ograniczeniami, ale stabilny, niż „idealny” model, który działa raz na kwartał.

4.1. ERP (shipments), EDI, dane dystrybutora

Sell-in bierzesz z ERP (SAP, Oracle, Dynamics itd.). Kluczowe pola:

• data (GI/invoice),
• SKU,
• klient,
• ilość i wartość,
• rabaty i warunki,
• kraj/region/kanał.

Dystrybutorzy mogą dostarczać raporty depletions i stany magazynowe. Pułapki:

• różne formaty,
• opóźnienia,
• brak spójności kodów produktów,
• brak rozróżnienia zwrotów i korekt.

4.2. POS z sieci, agregatorzy, platformy danych

POS często przychodzi tygodniowo. Najczęstsze problemy:

• brak pełnego pokrycia (tylko część sieci),
• zmiany asortymentu i kodów,
• brak jasnego „netto” vs „brutto” (np. z uwzględnieniem zwrotów),
• przesunięcia czasowe (tydzień handlowy vs kalendarz).

4.3. E-commerce i marketplace: gdy kanał miesza role

E-commerce potrafi mieć logikę „hybrydową”: czasem sprzedajesz do platformy (sell-in), a platforma sprzedaje do klienta (sell-through). Czasem sprzedajesz bezpośrednio (D2C) i wtedy sell-in = sell-through, ale dochodzą zwroty konsumenckie i opóźnione płatności.

4.3.1. Drop-ship, 3P, 1P – różne logiki

Jeśli kanał jest 1P (platforma kupuje towar), pipeline jest jak w klasycznym retailu. Jeśli 3P (sprzedawcy zewnętrzni), twoje shipments mogą być tylko częścią obrazu. W drop-ship pipeline jest minimalny, ale rośnie znaczenie SLA i dostępności.

4.4. Master data: produkt, klient, kanał, jednostki miary

Najbardziej niedoceniany element. Bez master data transpozycja zamienia się w patchwork. Trzeba:

• uzgodnić mapowanie SKU (twoje kody vs kody sieci),
• ujednolicić jednostki (szt., karton, paleta; litry/kg),
• ustawić hierarchie (brand, segment, pack size),
• i zdefiniować kanały (modern trade, traditional, e-com, ho-re-ca).

5. Logika transpozycji: od intuicji do równania bilansowego

Najlepsza transpozycja to taka, którą da się wytłumaczyć na tablicy w 5 minut. Jeśli nie umiesz, to znaczy, że model jest za bardzo „czarną skrzynką”. A finanse czarnych skrzynek nie lubią – i słusznie.

5.1. Najprostsza zależność: „sprzedaż do kanału” vs „sprzedaż z kanału”

Wyobraź sobie wannę z wodą:

• kran to sell-in (wlewasz towar do kanału),
• odpływ to sell-through (towar wypływa do konsumenta),
• poziom wody to zapas w kanale (inventory).

Jeśli wlewasz więcej niż wypływa, poziom rośnie (kanał się zatowarowuje). Jeśli wypływa więcej niż wlewasz, poziom spada (kanał „zjada” zapas).

5.2. Równanie zapasu w kanale (channel inventory equation)

W najprostszej postaci (ilościowo):

Zapas końcowy = Zapas początkowy + Sell-in − Sell-through − Zwroty_do_producenta + Korekty

Albo przekształcając:

Sell-through = Sell-in + Zapas_początkowy − Zapas_końcowy − Zwroty + Korekty

I to jest serce transpozycji. Jeśli potrafisz oszacować zapas w kanale (albo jego zmianę), możesz przeliczyć sell-in na sell-through. Jeśli masz sell-through i sell-in, możesz wyliczyć implied inventory (domniemany zapas w kanale) i zobaczyć, czy kanał jest „napompowany”.

5.2.1. Zwroty, reklamacje, ubytki

Zwroty potrafią rozwalić model, jeśli je ignorujesz. W FMCG zwroty sezonowe, przeterminowania, uszkodzenia, reklamacje – wszystko to wpływa na realny przepływ. W danych POS zwrot może być zaksięgowany w innym tygodniu niż sprzedaż. W shipments zwrot to często osobny dokument. W transpozycji dobrze jest mieć:

• osobną miarę zwrotów,
• reguły przypisania do okresów,
• i progi alarmowe (np. zwroty > X% sprzedaży).

5.2.2. Sezonowość i promocje jako „zaburzenia”

Promocja działa jak nagłe odkręcenie odpływu. Pre-buy przed promocją działa jak nagłe odkręcenie kranu wcześniej. Jeśli model nie rozróżnia tygodni promocyjnych, będzie mylił naturalny uplift z pipeline fill.

5.3. Co to znaczy „transponować”: przesunąć, przeliczyć, skorygować

W praktyce transpozycja to zestaw operacji:

• przesunięcie czasowe (lag) między sell-in a sell-through,
• korekta o zapas w kanale (zmiana inventory),
• korekta o zwroty/korekty,
• harmonizacja jednostek i hierarchii,
• agregacja do poziomu, na którym model jest stabilny (czasem brand/segment zamiast SKU).

6. Metody transpozycji: od prostych do zaawansowanych

Nie ma jednej metody, która pasuje wszystkim. FMCG to miks kanałów: duże sieci, dystrybutorzy, tradycja, e-com. I każdy kanał ma inny rytm zamówień. Dlatego sensowne podejście to „metoda adekwatna do wartości decyzji”. Jeśli model ma sterować milionami w trade spend, warto go dopieścić. Jeśli ma tylko dać szybki obraz, prostsze podejście wygrywa.

6.1. Metoda opóźnienia (lag) – szybka, ale ryzykowna

Najprościej: zakładasz, że sell-through jest sell-in przesuniętym o X tygodni. Dla niektórych produktów i kanałów to działa zaskakująco dobrze (np. szybkorotujące SKU w stabilnym retailu). Plusy:

• łatwo wdrożyć,
• łatwo wytłumaczyć,
• minimalne wymagania danych.

Minusy:

• ignoruje zmiany zapasu (pipeline),
• nie łapie pre-buy/push,
• jeden lag dla wszystkich jest zwykle fałszywy.

To metoda dobra na start, do benchmarku, do „pierwszego przybliżenia”.

6.2. Metoda bilansowa zapasu – najbardziej „księgowa”

To podejście oparte o równanie zapasu. Potrzebujesz przynajmniej przybliżeń:

• stanu zapasu u klienta (albo jego zmian),
• zwrotów i korekt,
• oraz spójnych danych sell-in.

Jeśli masz cykliczne dane inventory (np. raz w miesiącu od dystrybutora), możesz interpolować tygodnie i budować model pipeline. To jest podejście, które finanse zwykle lubią najbardziej, bo jest „bilansowe”: wszystko się zamyka.

6.3. Metoda hybrydowa – najczęstszy wybór w FMCG

W realnym świecie rzadko masz pełne inventory dla wszystkich klientów. Dlatego najczęściej wygrywa hybryda:

• tam, gdzie masz inventory i depletions → bilans,
• tam, gdzie masz tylko POS → łączysz POS z lagami i korektą sezonową,
• tam, gdzie nie masz nic downstream → robisz inferred inventory na bazie wzorców zamówień.

6.3.1. Segmentacja klientów i kanałów

Kluczowa sztuczka: nie rób jednego modelu dla wszystkich. Zrób segmenty:

• top 10 klientów (największy wpływ) → model bardziej szczegółowy,
• reszta → model agregowany,
• kanały o różnych rytmach (MT vs TT vs e-com) → osobne parametry.

6.3.2. Różne lead time’y dla różnych modeli dystrybucji

Sieć z centralnym magazynem może mieć inny lag niż dystrybutor obsługujący tradycję. E-commerce może mieć prawie zerowy lag w D2C. W hybrydzie ustawiasz lead time’y per kanał/klient i aktualizujesz je, gdy zmienia się logistyka.

6.4. Modele statystyczne i ML – kiedy warto, a kiedy szkoda czasu

Modele statystyczne (np. dynamiczne modele stanów, ARIMAX, modele z komponentem zapasu) mają sens, gdy:

• masz długą historię danych,
• masz stabilne raportowanie,
• i potrzebujesz precyzji (np. do planowania produkcji i cash flow).

Ale jeśli twoje dane POS mają dziury, a dystrybutor raportuje „kiedy mu się przypomni”, ML będzie wyglądał mądrze tylko na slajdzie. Tu warto stosować zasadę: najpierw higiena danych, potem magia.

6.4.1. Kalibracja na „momentach prawdy” (stock count, audyty)

Najlepszy sposób na urealnienie modelu to kalibracja na punktach kontrolnych:

• audyty stanów,
• inwentaryzacje u dystrybutora,
• potwierdzenia pipeline przy dużych akcjach.

6.4.2. Wykrywanie anomalii: push, pre-buy, pipeline fill

Nawet prosty model może wykrywać anomalie:

• nagły wzrost sell-in bez wzrostu sell-through → pipeline fill,
• spadek sell-in przy stabilnym sell-through → kanał konsumuje zapas,
• nietypowe wzorce przed podwyżką ceny → pre-buy.

7. Proces krok po kroku: jak to wdrożyć bez bólu

Dobra transpozycja to nie jednorazowy plik, tylko proces. Jak miesięczny close: musi mieć zasady, właściciela, i kontrolki.

7.1. Ustalenie celu finansowego i definicji miar

Zanim ruszysz:

• czy celem jest lepszy forecast revenue?
• czy celem jest kontrola trade spend?
• czy celem jest working capital i pipeline?
• czy wszystko naraz?

Wybór celu determinuje poziom szczegółowości. Jeśli twoim celem jest zarządzanie pipeline w top klientach, nie musisz mieć idealnego modelu dla ogona rynku.

7.2. Mapowanie danych i konwersje jednostek (sztuki, kartony, litry, kg)

Najwięcej „cichych błędów” bierze się z jednostek. Jeden raport ma sztuki, drugi kartony, trzeci litry. Ustal jedną jednostkę bazową (najczęściej sztuki lub „consumer units”) i trzymaj się jej. Zrób tabelę konwersji:

• SKU → sztuki w kartonie,
• karton → paleta,
• gramatura/pojemność → litry/kg (jeśli trzeba).

7.3. Budowa warstwy „channel inventory”

Jeśli masz inventory: świetnie, liczysz różnice. Jeśli nie masz, budujesz implied inventory:

• startujesz od jakiegoś poziomu bazowego (np. typowe tygodnie pokrycia),
• aktualizujesz go przez równanie: zapas_t = zapas_{t-1} + sell-in_t − sell-through_t,
• dodajesz ograniczenia (zapas nie może być ujemny; nie może rosnąć bez końca).

W praktyce dobrze działa trzymanie zapasu w tygodniach pokrycia (weeks of cover), bo to bardziej intuicyjne dla biznesu.

7.4. Walidacja, reconciliacja i kontrola jakości

Model bez testów to tylko opinia. Minimum testów:

• bilans: czy równanie się zamyka na poziomie okresu?
• trend: czy implied inventory zachowuje się logicznie?
• outliery: czy nie ma absurdów (np. -5000 sztuk zapasu)?
• zgodność z fakturami: czy sell-in w modelu = sell-in z ERP?

7.4.1. Testy: bilans, trendy, outliery, zgodność z fakturami

Ustal progi alarmowe. Przykład:

• implied inventory > 8 tygodni w MT → czerwony alert,
• sell-in / sell-through > 1.5 przez 4 tygodnie → pipeline fill,
• zwroty > 3% miesięcznie → do sprawdzenia.

7.4.2. „Mostek” (bridge) sell-in → sell-through

Świetnym artefaktem dla finansów jest „mostek”:

• Sell-in (ERP)
• minus: wzrost pipeline (Δ zapasu w kanale)
• minus: zwroty netto
• plus/minus: korekty
  = Sell-through (estymowany / POS)

To jest prezentacja, którą CFO rozumie w 30 sekund.

8. Przykład liczbowy: mini-case, który pokazuje sens

Zróbmy prosty przykład, bo na liczbach widać to najlepiej. Załóżmy, że sprzedajesz jeden produkt do dystrybutora, a dalej rynek „ściąga” towar do sklepów.

8.1. Dane wejściowe i założenia

• Jednostka: tys. sztuk
• Zwroty: pomijamy dla prostoty (w realu dodajesz)
• Miesięczny horyzont: styczeń–kwiecień
• Zapas u dystrybutora na start: 20

Załóżmy, że masz:

• Sell-in z ERP (wysyłki do dystrybutora),
• Sell-through (depletions dystrybutora) z raportu.

8.2. Tabela obliczeń miesiąc po miesiącu

Miesiąc	Zapas początkowy	Sell-in	Sell-through	Zapas końcowy (wyliczony)
Styczeń	20	50	40	30
Luty	30	70	45	55
Marzec	55	30	50	35
Kwiecień	35	25	45	15

Co tu widać gołym okiem?

• W lutym sell-in jest ogromny (70), ale sell-through tylko 45. Pipeline rośnie z 30 do 55. To wygląda jak push / pre-buy / pipeline fill.
• W marcu sell-in spada (30), ale sell-through rośnie (50). Rynek „zjada” zapas, a dystrybutor ogranicza zamówienia.
• W kwietniu znowu sell-through przewyższa sell-in, pipeline spada do 15.

8.3. Co widzi CFO: wpływ na revenue, marżę i zapas

Jeśli CFO patrzy tylko na sell-in, powie: „Luty był genialny, marzec słaby”. Jeśli dołoży transpozycję, zobaczy coś innego:

• luty to w dużej części przeniesienie sprzedaży z przyszłości do bieżącego miesiąca,
• marzec i kwiecień to efekt „odbijania” po zatowarowaniu,
• a prawdziwy popyt (sell-through) jest dużo stabilniejszy niż shipments.

W finansach ta różnica ma realne skutki:

• forecast: bez transpozycji przeszacujesz przyszłe przychody po „wielkim lutym”,
• trade spend: możesz błędnie ocenić skuteczność działań (bo patrzysz na wysyłki),
• working capital: pipeline 55 tys. sztuk w lutym to zamrożony towar u klienta, który zwiększa ryzyko rabatów i zwrotów.

To jest jak jedzenie cukru: w lutym czujesz energię, ale potem przychodzi zjazd. Transpozycja to glukometr – pokazuje, co się naprawdę dzieje w organizmie biznesu.

9. Najczęstsze błędy i jak ich uniknąć

Najgorsze w transpozycji jest to, że może wyglądać „wiarygodnie”, nawet gdy jest błędna. Bo wykresy będą gładkie, tabelki się zsumują, a Excel nie zaprotestuje. Dlatego warto znać klasyczne miny.

9.1. Mylenie POS z depletions

POS mówi o kasie sklepu. Depletions mówią o wyjściu z magazynu dystrybutora. One potrafią iść w różnych rytmach – zwłaszcza przy promocjach i problemach z dostępnością. Jeśli wrzucisz je do jednego worka „sell-through”, model zacznie opowiadać sprzeczne historie.

Jak uniknąć:

• zawsze opisuj miarę w nazwie (POS_Retail, Depletions_Dist),
• buduj osobne ścieżki transpozycji dla różnych typów danych.

9.2. Ignorowanie zwrotów i korekt

Zwroty potrafią być sezonowe i „hurtowe”. Jeśli pominiesz zwroty, model będzie przeszacowywał realne zejście. Efekt: wydaje ci się, że popyt jest super, a potem przychodzi fala korekt i cała narracja pada.

Jak uniknąć:

• prowadź zwroty jako osobny strumień,
• uzgadniaj je z AR/claims,
• i monitoruj jako KPI.

9.3. Jeden lag dla wszystkich – przepis na fałszywą pewność

Ustawienie „lag = 2 tygodnie” dla całej firmy jest kuszące, bo jest proste. Ale to jak ustawienie jednego rozmiaru buta dla wszystkich. Ktoś da radę przejść, ale będzie bolało.

Jak uniknąć:

• segmentuj kanały,
• używaj różnych lagów dla top klientów,
• kalibruj parametry na danych historycznych.

9.4. Brak governance: „każdy ma swój Excel”

Jeśli trzy osoby robią transpozycję na trzy sposoby, firma przestaje mieć jedną wersję prawdy. Pojawiają się spotkania o tym, czyj wykres jest poprawny, zamiast o tym, co z tym zrobić.

Jak uniknąć:

• jedna logika w jednym miejscu (DWH / kontrolowany plik),
• dokumentacja definicji,
• właściciel procesu (finance analytics / revenue management),
• cykliczny przegląd jakości danych.

10. Dobre praktyki, governance i narzędzia

Transpozycja to nie konkurs na najładniejszy model, tylko system nerwowy firmy. Ma działać regularnie, przewidywalnie i dawać sygnały ostrzegawcze, zanim problem stanie się widoczny w P&L.

10.1. Rytuały miesięczne: close, forecast, S&OP

Dobra praktyka to wpięcie transpozycji w rytm firmy:

• po close: aktualizacja sell-in, zwrotów, korekt,
• przed forecastem: przeliczenie implied inventory i oczyszczonego popytu,
• na S&OP: dyskusja o pipeline, ryzykach OOS i promo planie.

Ważne: transpozycja nie powinna być „projektem”, tylko „operacją”.

10.2. KPI kontrolne: pipeline, days in trade, promo uplift

Jeśli chcesz, żeby model żył, daj ludziom proste KPI:

• Weeks of cover w kanale (ile tygodni pokrycia ma klient),
• Sell-in / Sell-through ratio (czy kanał się zatowarowuje),
• Promo uplift vs baseline (czy promocja działa),
• OOS proxy (np. spadek POS przy stabilnym popycie bazowym),
• Return rate.

To są wskaźniki, które łączą finanse z komercją. Nagle rozmowa nie jest o tym, „kto ma rację”, tylko „co pokazują wskaźniki”.

10.3. Stack narzędziowy: od Excela po hurtownię danych

Nie musisz zaczynać od wielkiej platformy. Sensowna ścieżka dojrzałości:

1. Excel/Power Query jako prototyp (z kontrolą wersji i dokumentacją),
2. SQL w hurtowni danych (jeden model, automatyzacja),
3. BI (Power BI/Tableau) z mostkiem i KPI,
4. integracja z S&OP / TPM / planning tools.

10.3.1. Minimalny zestaw raportów dla finansów

Minimum, które robi robotę:

• mostek sell-in → sell-through (miesięcznie),
• implied inventory i weeks of cover (top klienci),
• raport anomalii (push/pre-buy),
• dashboard promo (uplift, ROI w miarę możliwości).

10.3.2. Dokumentacja i wersjonowanie logiki

Najbardziej sensowne w analityce jest to, co nudne:

• słownik miar,
• daty i definicje okresów,
• reguły konwersji jednostek,
• reguły imputacji braków,
• wersje modelu (v1, v2…).

To sprawia, że po 6 miesiącach nadal wiesz, dlaczego liczby wyglądają tak, a nie inaczej.

11. Podsumowanie

Transpozycja sell-through na sell-in (i szerzej: budowa mostu między „wysyłkami” a „konsumpcją”) to w FMCG jedna z najbardziej praktycznych rzeczy, jakie finanse mogą zrobić dla biznesu. Nie po to, żeby udowodnić komuś błąd w raporcie, tylko po to, żeby przestać prowadzić firmę po omacku.

Jeśli patrzysz tylko na sell-in, widzisz, co firma wypchnęła do kanału. Jeśli patrzysz tylko na sell-through, widzisz, co rynek wciągnął z półki. Dopiero transpozycja pokazuje, ile towaru „utknęło w rurze” i czy twoje wyniki to realny popyt, czy tylko przesunięcie zapasu w łańcuchu. Dla analityki finansowej to jest różnica między reagowaniem na skutki a zarządzaniem przyczynami.

Najważniejsze jest podejście: zaczynasz od definicji, budujesz prosty model bilansowy, segmentujesz kanały, dodajesz kontrolki jakości, i dopiero potem – jeśli ma to sens – dokręcasz zaawansowaną analitykę. Wtedy transpozycja staje się narzędziem, które pomaga w forecastach, trade spend, working capital i w rozmowach S&OP. A to oznacza mniej zaskoczeń w kwartale i więcej decyzji opartych na rzeczywistości, a nie na chwilowym „piku wysyłek”.

FAQ (5 pytań i odpowiedzi)

1) Czy transpozycja sell-through na sell-in jest potrzebna, jeśli mam świetne dane z ERP?

Tak, bo ERP opisuje to, co sprzedałeś do kanału, a nie to, co rynek kupił. W FMCG różnica (pipeline) bywa kluczowa dla forecastu, trade spend i oceny ryzyka zwrotów.

2) Co jest lepsze do transpozycji: POS czy depletions?

To zależy od celu. POS jest bliżej konsumenta i świetny do oceny promocji oraz popytu. Depletions lepiej opisują ruch u dystrybutora i pomagają kontrolować zatowarowanie tradycji. Najczęściej robi się hybrydę.

3) Jak zacząć, jeśli nie mam danych o stanach magazynowych klientów?

Zacznij od metody lag i implied inventory. Ustal rozsądne weeks of cover jako punkt startu, segmentuj top klientów, dodaj progi logiczne (zapas nie może być ujemny) i kalibruj na pojedynczych audytach/uzgodnieniach.

4) Jak transpozycja pomaga w rozliczaniu trade spend?

Pozwala powiązać koszt z realnym „zejściem” (sell-through), a nie tylko z wysyłką. Dzięki temu łatwiej ocenisz ROI promocji, poprawisz akrualizacje i unikniesz sytuacji, gdzie budżet wygląda dobrze, ale rynek nie kupił.

5) Jakie KPI najszybciej pokazują, że kanał jest „napompowany”?

Najprostsze i najskuteczniejsze: weeks of cover w kanale, sell-in/sell-through ratio oraz trend implied inventory. Jeśli zapas rośnie przy płaskim sell-through, to masz sygnał push/pre-buy.