De meeste groothandels kennen hun brutomarge tot op de komma. Die staat in het maandrapport, wordt besproken in het MT en beweegt binnen een bandbreedte die iedereen kent. Zolang dat percentage stabiel blijft, lijkt er weinig aan de hand.
Het probleem met een gemiddelde is dat het per definitie verbergt wat eronder gebeurt. Een stabiele brutomarge van 22 procent kan bestaan uit klanten die ruim boven de 30 procent opleveren en klanten waarop je structureel verlies draait. Zolang je alleen naar het gemiddelde kijkt, is er geen enkele aanleiding om in te grijpen. Precies daar blijft geld liggen.
Wat we in de praktijk zien bij groothandels: het verschil tussen de verwachte en de werkelijke nettomarge per klant loopt al snel op tot veertien procent. Niet omdat er slecht wordt onderhandeld, maar omdat de kosten die je marge opeten nergens worden toegerekend aan de klant of de order die ze veroorzaakt.
Tussen de prijs die je factureert en het bedrag dat onder aan de streep overblijft, zitten vijf plekken waar in vrijwel elke groothandel marge weglekt. Geen van die vijf is zichtbaar in een standaard ERP-rapport.
Prijsafspraken stapelen zich op. Een klantkorting uit 2019, een staffel op een productgroep, een actieprijs die nooit is teruggedraaid, een extra procent voor de inkoopcombinatie. Elk van die afspraken was op zichzelf logisch. Bij elkaar opgeteld weet niemand nog wat de effectieve marge op die klant is.
Zolang kortingen alleen op orderregelniveau in het ERP staan en nergens worden samengevoegd, ontdek je pas bij de jaarafsluiting dat de netto prijsstelling bij sommige klanten is weggezakt.
Vracht, handling, spoedleveringen, deelleveringen: bij veel groothandels landen deze kosten als één totaalpost in het grootboek. Daarmee zijn ze onzichtbaar op klantniveau.
Terwijl juist daar het verschil zit. De klant die wekelijks één volle pallet afneemt, kost een fractie van de klant die elke dag drie dozen bestelt tegen dezelfde conditie. Op papier hebben beide dezelfde brutomarge. In werkelijkheid verdien je aan de één en betaal je bij de ander toe.
Retouren worden geboekt, maar zelden teruggerekend naar de oorspronkelijke marge. Hetzelfde geldt voor creditnota's na een leverfout of een prijsdiscussie. De omzet wordt gecorrigeerd, de afhandelingskosten niet.
Bij klanten met een hoog retourpercentage kan dit het verschil maken tussen een rendabele en een verlieslatende relatie, zonder dat het ergens in een rapport zichtbaar wordt.
Voorraad die te lang blijft liggen kost geld: ruimte, rente en uiteindelijk afwaardering. Die kosten worden doorgaans op totaalniveau genomen, niet toegerekend aan de productgroep of leverancier die ze veroorzaakt.
Het gevolg is dat productgroepen met een mooie brutomarge maar een lage omloopsnelheid er in de rapportage beter uitzien dan ze zijn.
Een klant die structureel zestig dagen te laat betaalt, financier je feitelijk. Die financieringskosten staan nergens naast de marge op diezelfde klant. Toch is het onderdeel van wat die relatie je werkelijk oplevert.
De meeste groothandels proberen dit wel degelijk inzichtelijk te maken. Meestal in Excel: een export uit het ERP, een export uit het WMS, handmatig de vrachtkosten erbij, een draaitabel eroverheen.
Dat werkt precies één keer. De analyse klopt op het moment dat je hem maakt en is een maand later achterhaald. De persoon die hem gebouwd heeft is de enige die snapt hoe hij in elkaar zit. En zodra er twee versies circuleren, verschuift het MT-gesprek van “wat gaan we doen” naar “welk cijfer klopt”.
Daar komt bij dat een handmatige analyse per definitie achteraf is. Je ontdekt in mei dat de marge op een productgroep sinds januari wegzakt. Dan is het vier maanden te laat om er nog iets aan te doen.
Zodra je marge analyseert op basis van een centraal datamodel in plaats van losse exports, verandert de aard van het gesprek. Vier doorsnedes leveren in de praktijk het meeste op.
Niet de brutomarge, maar de nettomarge: na kortingen, vracht, retouren en betaaltermijn. Dit is vrijwel altijd de analyse met de grootste impact, omdat de uitkomst vaak haaks staat op het onderbuikgevoel. De grootste klant qua omzet blijkt zelden de meest rendabele.
Gecombineerd met omloopsnelheid, niet los daarvan. Een marge van 30 procent op een artikel dat twee keer per jaar draait, is minder waard dan 15 procent op een artikel dat je twintig keer omzet.
Hiermee wordt zichtbaar onder welke ordergrootte je structureel verlies draait. Dat is de basis voor een onderbouwde minimale orderwaarde of een toeslag op kleine orders, in plaats van een gevoelsmatige regel.
De belangrijkste doorsnede voor directie en MT, en tegelijk degene die in Excel het lastigst is. Niet de stand van vandaag, maar de trend per klant en productgroep over de afgelopen twaalf tot vierentwintig maanden. Daarin zie je erosie aankomen in plaats van achteraf.
Power BI is een visualisatielaag. Het maakt zichtbaar wat eronder ligt, en meer dan dat doet het niet. Een marge-analyse die klopt, vraagt drie dingen.
Ten eerste: data uit meerdere bronnen bij elkaar. Verkoopdata uit het ERP, logistieke kosten uit het WMS of bij de vervoerder, klantafspraken uit het CRM. Zolang die los van elkaar staan, kun je kosten niet toerekenen aan de order die ze veroorzaakt.
Ten tweede: eenduidige definities. Wat is marge precies? Vóór of ná vracht? Telt een bonus achteraf mee in het lopende jaar of in het jaar van toekenning? Zolang finance, inkoop en sales hier verschillende antwoorden op geven, discussieer je over de uitkomst in plaats van over de actie.
Ten derde: historie. Om trends te zien heb je data nodig die correct bewaard blijft, ook als een klant van segment verandert of een artikel in een andere groep wordt ondergebracht. Een ERP overschrijft die informatie meestal gewoon.
Dat is precies waarom wij marge-analyses niet rechtstreeks op het ERP bouwen, maar op een centraal dataplatform waarin deze drie zaken geborgd zijn.
De reflex bij dit soort trajecten is om eerst alles op orde te willen hebben. Dat is niet nodig en meestal ook niet verstandig.
Begin met één vraag die er in jouw MT echt toe doet. Meestal is dat: welke klanten leveren ons werkelijk geld op, en welke niet? Voor die ene vraag heb je drie bronnen nodig, niet vijftien. Binnen enkele weken staat het eerste dashboard, en de discussie die daarop volgt bepaalt vanzelf wat de volgende stap is.
De ervaring leert dat die eerste analyse bijna altijd tot één concrete actie leidt die zichzelf terugverdient: een prijsafspraak die wordt opengebroken, een minimale orderwaarde die wordt ingevoerd, of een productgroep die wordt gesaneerd.
Het echte resultaat van een goede marge-analyse zit niet in het dashboard. Het zit in het gesprek dat erop volgt.
Zolang iedereen met eigen cijfers aan tafel komt, gaat een MT-overleg over de vraag welk getal klopt. Met één gedeelde definitie en één bron verschuift dat gesprek naar de vraag wat je met de uitkomst gaat doen. Dat is een wezenlijk ander overleg, en het levert aantoonbaar snellere beslissingen op.
Voor een directie of MT is dat het punt waarop stuurinformatie verschuift van rapporteren naar regie.
Benieuwd hoe de marge per klant er in jouw groothandel uitziet als je alle kosten meerekent? In een vrijblijvende sessie kijken we samen naar je huidige databronnen en laten we zien hoe zo'n analyse er voor jouw organisatie uit zou zien.
Vraag een demo aan of bekijk wat we doen voor groothandel en distributie.
Lorem ipsum dolor sit amet, lorem ipsum dolor sit amet.
