ABC-XYZ-Analyse (Bestandsverwaltung)

Die ABC-XYZ-Analyse, ähnlich wie ihre Vorgängeranalyse ABC-Analyse, ist ein Kategorisierungstool, das darauf abzielt, die besten Produkte im Katalog zu identifizieren, damit angemessene Service- und Sicherheitsbestände Lagerbestände bestimmt werden können. Im Gegensatz zur ABC-Analyse, die sich ausschließlich auf ein Kriterium konzentriert (in der Regel Absatzvolumen oder Umsatz), versucht die ABC-XYZ-Analyse auch eine zweite Dimension (Nachfrageunsicherheit oder Volatilität) zu quantifizieren. Trotz möglicherweise einer etwas detaillierteren Momentaufnahme der Leistung ist die ABC-XYZ-Analyse immer noch eine naive Anwendung der zugrunde liegenden mathematischen Prinzipien und dient lediglich dazu, Bürokratie und Instabilität zu verstärken. Sie behält auch alle Einschränkungen einer klassischen ABC-Analyse bei, bietet aber möglicherweise ein noch größeres Gefühl der falschen Sicherheit durch mathematisches Blendwerk.

Durchführung einer ABC-XYZ-Analyse

Während eine ABC-Analyse darauf abzielt, eine Reihe von SKU (Stock Keeping Units) über einen bestimmten Zeitraum finanziell zu zerlegen,¹ um einem Supply-Chain-Praktiker eine Aufschlüsselung der SKU nach finanzieller Bedeutung zu liefern, soll die ABC-XYZ-Analyse noch einen Schritt weiter gehen. Sie versucht, die Nachfrageschwankung (oder Volatilität) für jede SKU über den beobachteten Zeitraum zu verstehen und zu quantifizieren und die klassischen A-, B- und C-Klassen mit zusätzlichen X-, Y- und Z-Klassen zu kombinieren. Einfach ausgedrückt ist die Nachfrageschwankung ein Maß dafür, wie stark sich die Nachfrage im beobachteten Zeitraum verändert hat. Dies könnte unerwartete und/oder isolierte Zeiträume mit extrem hoher (oder niedriger) Nachfrage widerspiegeln oder eine anhaltende generelle Schwierigkeit bei der Vorhersage, wie viele Einheiten einer SKU tatsächlich benötigt wurden (oder aus einem anderen Grund die Nachfrage im Zeitraum geschwankt haben könnte). Diese Schwankung soll durch die Bezeichnungen X, Y und Z erfasst werden.

Unter diesem neuen neunstufigen Raster sind X-Klassen-SKUs am stabilsten (erfahren die geringste Nachfrageschwankung), Y-Klassen-SKUs sind etwas stabil (erfahren eine moderate Nachfrageschwankung) und Z-Klassen-SKUs sind am instabilsten (erfahren die größte Nachfrageschwankung). Aufbauend auf der klassischen ABC-Analyse erhält ein Supply-Chain-Praktiker eine scheinbar differenziertere Aufschlüsselung des Katalogs über den Zeitraum, in dem die SKU über doppelt so viele Dimensionen analysiert werden.

Um die neue Klassifizierung zu verarbeiten, folgt ein Supply-Chain-Praktiker den gleichen ersten Schritten wie bei der klassischen ABC-Analyse. Sobald dieser Schritt abgeschlossen ist, geht man zum XYZ-Teil der Analyse über, bei dem folgende Informationen erforderlich sind:

• Die gewünschte Anzahl der Nachfrageschwankungsklassen: normalerweise auf 3 begrenzt, aber dies ist flexibel.
• Eine Schwelle zur Trennung jeder Klasse: vollständig nach dem Ermessen des Supply-Chain-Praktikers. Ein Beispiel könnte <=10% für X-Klasse, >10-25% für Y-Klasse und >25% für Z-Klasse sein.
• Der Durchschnitt für jede SKU über den beobachteten Zeitraum: leicht in einer Tabellenkalkulation zu berechnen.
• Die Standardabweichung und der Variationskoeffizient für jede SKU: ebenfalls leicht in einer Tabellenkalkulation zu berechnen.

Die Standardabweichung gibt an, wie sehr sich die Verkäufe in einem bestimmten Monat von dem durchschnittlichen monatlichen Umsatz im Jahr unterscheiden. Sobald ein Supply-Chain-Praktiker diese Informationen hat, kann er den Variationskoeffizienten (CV) berechnen. Der Variationskoeffizient, auch als relativer Standardabweichung bekannt, ist ein prozentualer Wert, der angibt, wie weit ein bestimmter Datenpunkt vom Durchschnitt abweicht. In diesem Fall repräsentiert er, wie stark die Schwankungen im Verkauf einer SKU über den beobachteten Zeitraum im Vergleich zum Durchschnitt sind. Dieser prozentuale Wert wird berechnet, indem die Standardabweichung durch den Durchschnitt dividiert wird.

Sobald der Variationskoeffizient berechnet ist, sortiert der Supply-Chain-Praktiker die SKUs entsprechend ihrer vorgegebenen Schwellenwerte in ihre jeweiligen X-, Y- und Z-Klassen ein. Dies führt zu einer neunstufigen Matrix, in der die SKUs nach Umsatz und Nachfrageschwankungen sortiert sind.

Abbildung 1. Eine Modell-ABC-XYZ-Analyse, wie sie in der herunterladbaren Excel-Tabelle dargestellt ist. Für detaillierte Berechnungen konsultieren Sie bitte die Formeln in den entsprechenden Spalten.

Laden Sie die Excel-Tabelle herunter: abc-xyz-analyse-tool.xlsx

Die mathematische Perspektive auf ABC und ABC XYZ

Aus rein mathematischer Sicht versuchen sowohl ABC- als auch ABC-XYZ-Analysen, das Konzept der Momente zu nutzen, das eine unendliche Menge quantitativer Maße darstellt, die darauf abzielen, eine Funktion abzubilden. Im vorliegenden Kontext ist die Funktion eine Verteilung von Verkaufsdaten, und die interessierenden Momente sind die ersten beiden: Mittelwert für die traditionelle ABC-Analyse; Mittelwert und Varianz für die ABC-XYZ-Analyse. In Bezug auf die ABC-Analyse, da sie sich nur auf das erste Moment (Mittelwert) konzentriert, wäre es genauer, diese Methode als eine Segmentierung mit gleitendem Durchschnitt zu bezeichnen. Grundsätzlich wird hierbei kein Versuch unternommen, die Unsicherheit der Nachfrage zu identifizieren. Aus diesem Grund versucht die ABC-XYZ-Analyse, das zweite Moment (Varianz) zu nutzen, um diese Unsicherheit zu quantifizieren. Dies macht die ABC-XYZ-Analyse eher zu einer Segmentierungsmethode mit gleitendem Durchschnitt und Varianz. Im Gegensatz zum Mittelwert, der allgemein verstanden wird, ist die Varianz etwas weniger umgangssprachlich. Kurz gesagt gibt sie an, wie weit eine Reihe von Werten - in diesem Fall durchschnittliche monatliche Verkaufsdaten - vom Durchschnittswert der Reihe abweicht. ABC-XYZ nutzt dieses zusätzliche mathematische Werkzeug, um angeblich ein komplexeres Verständnis der Variation eines Datensatzes zu erlangen. Wie effektiv diese Werkzeuge angewendet werden, wird in Grenzen der ABC-XYZ-Analyse erneut untersucht.

Wie die ABC-XYZ-Analyse die Bestandspolitik beeinflusst

Textbuchanwendungen der ABC-XYZ-Analyse, ähnlich wie bei der ABC-Analyse, konzentrieren sich darauf, Service-Level und Sicherheitsbestand Ziele zuzuweisen. Mit der neuen ABC-XYZ-Matrix kann ein Supply-Chain-Praktiker theoretisch die relevanten SKU’s besser visualisieren und somit die Bestandspolitik anpassen, um nicht nur Umsatzaspekte, sondern auch die Kräfte der Nachfragevarianz widerzuspiegeln.

Sicherheitsbestand

Eine unmittelbare Anwendung der ABC-XYZ-Analyse sind bessere Sicherheitsbestandziele. Die A-Klasse SKU’s erhalten naturgemäß die höchsten Level, aber im Gegensatz zur ABC-Analyse wird versucht, zwischen den Mitgliedern der A-Klasse (bzw. C) anhand der XYZ-Klassen entlang der x-Achse zu differenzieren. Hier argumentieren Befürworter der ABC-XYZ-Analyse, dass der Ansatz am besten zur Geltung kommt, und vier Extreme von unmittelbarem Interesse werden im Folgenden durch diese Linse analysiert.

• AX: Diese SKU’s generieren hohe Umsätze und weisen eine geringe Varianz auf. Ein Supply-Chain-Praktiker könnte daher entscheiden, dass niedrigere Sicherheitsbestände erforderlich sind als bei den anderen A-Klasse SKU’s, um hohe Service-Level-Ziele zu erreichen.
• AZ: Diese SKU’s können genauso hohe Umsätze generieren wie AX und AY SKU’s, weisen jedoch eine signifikant höhere Nachfragevarianz auf. Daher könnten höhere Sicherheitsbestände als vernünftig erachtet werden.
• CX: Diese SKU’s generieren geringe Gewinne und weisen eine geringe Varianz auf. Niedrige Sicherheitsbestände wären wahrscheinlich die gewählte Vorgehensweise (im Vergleich zu AX, AY, AZ, BX, BY und BZ).
• CZ: Diese SKU’s generieren nicht nur geringe Gewinne, sondern weisen auch erhöhte Nachfragevarianzen auf. Aus einer Supply-Chain-Perspektive stellen diese SKU’s das Schlechteste aus beiden Welten dar. Solche SKU’s hätten theoretisch niedrige Sicherheitsbestände und wären mögliche Kandidaten für eine mögliche Einstellung.

Als Faustregel gilt, dass laut ABC-XYZ-Analyse SKU’s entlang der x-Achse einen höheren Sicherheitsbestand erfordern, der mit der zunehmenden Schwierigkeit der Nachfrageprognose einhergeht (wobei CZ SKU’s eine bemerkenswerte Ausnahme darstellen, wie oben beschrieben).

Service-Level

Intuitiv ist es von größter Bedeutung, Service-Level für die A-Klasse SKU’s aufrechtzuerhalten, obwohl man sich entscheiden könnte, niedrigere Level zu haben, wenn man sich entlang der x-Achse bewegt. Zum Beispiel würden AX SKU’s wahrscheinlich ein höheres Service-Level-Ziel haben als AZ SKU’s, aufgrund der geringeren Nachfragevarianz, die mit ersteren verbunden ist. Wenn man entlang der y-Achse nach unten geht, werden die Service-Level-Ziele in der Regel gesenkt, und wie zu erwarten ist, würde eine vernünftige Richtlinie dazu führen, dass CZ SKU’s die niedrigsten Service-Level-Ziele aller neun Kategorien erhalten.

Abbildung 2. Eine Modell-ABC-XYZ-Matrix mit Umsatz auf der y-Achse und Nachfragevarianz auf der x-Achse. Diese Matrix zeigt potenzielle Service-Level-Ziele für jede Bezeichnung an, wobei die Level abnehmen, wenn der Umsatz sinkt und die Nachfragevarianz steigt.

Einschränkungen der ABC-XYZ-Analyse

Trotz des vermeintlich größeren Einblicks in den Katalog behält die ABC-XYZ-Analyse alle Einschränkungen der ABC-Analyse bei und bietet nur sehr wenig Substanz. Es handelt sich schlichtweg um Innovation ohne Bedeutung, und es ist nicht uncharmant zu behaupten, dass sie sogar zusätzliche Klassen von Nachteilen erfindet, die der ABC-Analyse fehlten.

Praktische Einwände gegen ABC-XYZ

• Geringe Auflösung: Genau wie bei der ABC-Analyse erfassen die neun Kategorien einer ABC-XYZ-Matrix keine Nachfragemuster wie steigende oder fallende Trends (siehe Harry Potter und Tesla T-Shirts in Abbildung 3), begrenzte Angebote (siehe Suezkanal T-Shirt) und Saisonalität (siehe Winterstiefel). Dadurch bleiben die Auswirkungen, die diese Muster auf die Bestandspolitik haben können, völlig unberücksichtigt. Diese Einschränkung setzt auch voraus, dass der Supply-Chain-Praktiker nicht willkürlich noch mehr Klassen entlang jeder Achse gewählt hat, was angesichts des laissez-faire -Charakters des Ansatzes durchaus möglich ist.

Abbildung 3. Das Liniendiagramm zeigt die Randfälle, die die ABC-XYZ-Analyse im Modell-Datensatz übersehen hat. Zum Beispiel wurden sowohl Harry Potter- als auch Tesla-T-Shirts als BY-Klasse-SKUs eingestuft und würden dieselben Service-Level- und Sicherheitsbestandsziele erhalten. Dabei wird ignoriert, dass die SKUs nachweislich in völlig entgegengesetzte Richtungen tendieren.

• Erhöht die Instabilität: Die ABC-XYZ-Analyse erweitert die willkürliche und instabile Kategorisierung, die durch die ABC-Analyse geschaffen wurde. Der tatsächliche Unterschied in Dollar und Cent zwischen CZ und CY oder BZ und sogar BY könnte verschwindend gering sein, wenn er überhaupt finanziell bemerkbar ist. Nicht nur das, wie auch bei einer ABC-Analyse könnten sich diese praktisch kaum wahrnehmbaren Unterschiede je nach ausgewähltem Zeitraum verschieben. Zum Beispiel könnte ein SKU zwischen AZ und CZ oszillieren, indem der ausgewählte Zeitrahmen erweitert oder verkürzt wird (z. B. monatliche, quartalsweise oder jährliche Horizonte). Genauso wie bei der Auswahl der neun oben beschriebenen Kategorien macht es keinen Sinn, einen größeren oder kleineren Zeitrahmen zu wählen.² Das Festlegen von Service-Level- und Sicherheitsbestandszielen basierend auf solch instabilen Eingaben ist daher fehlerhaft.

• Erhöht die Bürokratie: Die oben beschriebenen instabilen Kategorien erfordern laut Definition, dass das Management eingreift und für jede Kategorie separate Richtlinien festlegt. Dies führt leider zu noch mehr Bürokratie und verschwendeter Bandbreite. Genau wie der Unterschied zwischen einem A- und B-SKU ein einziger Prozentpunkt (oder nur wenige Dollar) sein könnte, könnte der CV-Unterschied zwischen Y- und Z-Klasse-SKUs bestenfalls schwach sein. Diese Parameter sind völlig willkürlich und letztendlich von einem Ausschuss festgelegt, daher sind sie fragwürdiger Herkunft. Bedenkt man, dass SKUs während des gesamten Beobachtungszeitraums leicht zwischen den neun Kategorien wechseln können (unabhängig davon, wo sie ihn beenden), führt das Festlegen willkürlicher Service-Levels basierend auf diesen Informationen nicht nur zu unnötiger Verwaltung und Meetings, sondern erhöht auch die Wahrscheinlichkeit kostspieliger Fehlbestände. Darüber hinaus werden viele, wenn nicht die meisten, der an der Festlegung dieser willkürlichen Parameter beteiligten Fachleute nicht über die erforderliche mathematische Ausbildung verfügen, um den Ansatz zu analysieren, geschweige denn zu den numerischen Rezepten sinnvoll beizutragen. Diese Kritik wird in Theoretische Einwände gegen ABC XYZ erweitert. Es sollte auch darauf hingewiesen werden, dass ABC XYZ-Analysen trotz der erhöhten Kategorisierung und Bürokratie tatsächlich nicht warum bestimmte Produkte schwer vorherzusagen sind - wie zum Beispiel CZ-SKUs - identifizieren. Vielmehr bestimmt es einfach, dass sie schwer vorherzusagen sind, und das Management muss darüber streiten, welche Sicherheitsbestandsformeln willkürlich auf diese zufälligen Kategorisierungen angewendet werden sollen.

• Fehlender finanzieller Blickwinkel: Im Kern basiert die ABC XYZ-Analyse auf einem ersten Ansatz zu wirtschaftlichen Treibern. Kurz gesagt betrachtet dieser Ansatz SKUs nur in Bezug auf ihren direkten Margenbeitrag. Obwohl ABC XYZ auch die Nachfragevarianz zu berücksichtigen scheint, basiert es immer noch darauf, wie viel jeder SKU in einem individuellen, direkten Sinne (z. B. Umsatz) beiträgt. Dieser Ansatz betrachtet SKUs in Isolation und nicht in Kombination. Diese Nuance ist das Markenzeichen eines zweiten Ansatzes, bei dem der Wert eines CX-SKUs beispielsweise in Bezug auf einen AX-SKUs betrachtet wird. Obwohl ersterer möglicherweise keinen signifikanten Umsatz beiträgt, kann das Vorhandensein dieses SKUs den Verkauf des letzteren erleichtern, sodass der indirekte Wert des CX-SKUs seinen direkten Wert bei weitem überwiegen kann. Daher ist ein bereits willkürlicher Kategorisierungsprozess, der zu ebenso willkürlichen Lagerbestandspolitiken führt, völlig blind für diese subtilen wirtschaftlichen Treiber. Dies wird mit hoher Wahrscheinlichkeit zu Fehlbeständen bei SKUs führen, deren tatsächlicher Wert nicht erkannt wurde.³

Theoretische Einwände gegen ABC XYZ

Auf den ersten Blick mag die ABC XYZ-Analyse wie eine überlegene Version des klassischen ABC-Ansatzes erscheinen, bei dem die Menschen möglicherweise von der scheinbaren Anwendung halbfortgeschrittener mathematischer Prinzipien beeinflusst werden. Dieser Eindruck ist jedoch unbegründet, da die naive Übernahme der Momententheorie durch ABC XYZ, angesichts der impliziten statistischen Analyse, die sie durchführen möchte, unvollständig ist. Es ist zwar richtig zu sagen, dass Mittelwert und Varianz gültige Bestandteile einer mathematischen Analyse dieses Typs sind (d. H. das Verständnis der Verteilung einer zufälligen Nachfragevariable), es gibt jedoch andere gleich instruktive Momente, die vollständig übersehen werden.  

Der dritte Moment, Schiefe, wird in einer ABC XYZ-Analyse nicht berücksichtigt, ebenso wenig wie der vierte, Kurtosis. Wie gleichmäßig (oder ungleichmäßig) die Verkäufe um den Mittelwert verteilt sind, wird durch die Schiefe gemessen.⁴ Die Kurtosis hingegen misst, wie “spitz” oder “flach” die Verteilung im Vergleich zu einem normal verteilten Datensatz ist. Beide Momente liefern gültige Einblicke in die zugrunde liegenden Daten, genau deshalb würden sie in einer robusten statistischen Analyse als Standardpraxis verwendet werden.⁵

Infolgedessen ist die Gültigkeit der statistischen Untersuchung in einer ABC XYZ-Analyse bestenfalls unvollständig und schlimmstenfalls irreführend. Tatsächlich ist die Natur moderner Computer- und statistischer Techniken so, dass es nicht notwendig ist, den Fokus nur auf vier Momente zu beschränken. Selbst eine theoretische zukünftige Version von ABC XYZ, die diese Momente einbezieht, wäre im Vergleich dazu immer noch unterlegen.

Lokads Standpunkt

Die ABC XYZ-Analyse ist letztendlich ein unnötiger und fehlgeleiteter Versuch, die ABC-Analyse zu verbessern. Unabhängig von den inhärenten Einschränkungen der ABC-Klassifizierung liefern die XYZ-Berechnungen keine aussagekräftigen Erkenntnisse, da die Forschungsfrage missverstanden wird und die gewählten Werkzeuge ungeeignet sind, um sie umzusetzen.

Das Ziel der ABC XYZ-Analyse besteht darin, Praktikern dabei zu helfen, geeignete Lagerbestandspolitiken für schwer vorherzusagende SKUs (z. B. AZ oder CZ) zu identifizieren, ohne zu ermitteln, warum diese SKUs schwer vorherzusagen sind. Darüber hinaus liefert sie keine detaillierte Perspektive darauf, wie SKUs interagieren (ihren indirekten Wert), was eine entscheidende Rolle bei der Bestimmung von nuancierten Service-Leveln und entsprechenden Lagerbestandszielen spielt. Indem diese Bedenken ignoriert werden, tastet die Analyse im Grunde im Dunkeln.

In Bezug auf die zugrunde liegenden Werkzeuge verdoppelt der Ansatz die willkürlichen Parameter seines Vorgängers und verdreifacht die Anzahl der Klassen, während er ein teilweise literarisches Verständnis von Statistik einbezieht. Diese Überschreitung kann nicht ignoriert werden, egal wie gut gemeint die Befürworter von ABC XYZ sind. Die potenzielle Gefahr liegt in der Scheinrigorosität, die die XYZ-Berechnungen den Lesern präsentieren. Im Gegensatz zur ABC-Analyse, die für praktisch jeden mit einem funktionierenden Computer und einem funktionierenden Gehirn zugänglich ist, soll ABC XYZ einige statistische Prinzipien nutzen, die für Unkundige recht fortgeschritten und beeindruckend erscheinen können. Dies ist jedoch eine Buzzword-Stütze, die ihr eigenes Gewicht nicht trägt. Eine ordnungsgemäße statistische Analyse von Verkaufsdaten ist unter Verwendung von Momenten möglich, erfordert jedoch ein viel anspruchsvolleres Verständnis von Momenten als das, was man in der ABC XYZ-Analyse findet.

Kurz gesagt, opfert die ABC XYZ-Analyse statistische Robustheit, um für den allgemeinen Supply-Chain-Praktiker zugänglich zu bleiben. Dieser Kompromiss führt zu einem Prozess, der Instabilität verstärkt und die Benutzer von den zugrunde liegenden Interessen ablenkt. Praktiker, deren Unternehmen solche Praktiken überwachsen sind, können gerne eine E-Mail an contact@lokad.com senden, um eine Demonstration einer Produktionslösung für priorisierte Inventar-Auffüllung zu vereinbaren - Lokads Antwort auf die Probleme, die ABC XYZ zu lösen versucht.

Anmerkungen