Análisis ABC XYZ (Inventario)

learn menu
Por Conor Doherty, marzo 2023

El análisis ABC XYZ, al igual que su predecesor análisis ABC, es una herramienta de categorización destinada a identificar los productos con mejor rendimiento en el catálogo de uno, de modo que se puedan determinar niveles adecuados de servicio y de existencias de seguridad. A diferencia del análisis ABC, que se centra exclusivamente en un único criterio (normalmente el volumen de ventas o los ingresos), el análisis ABC XYZ intenta cuantificar también una segunda dimensión (la incertidumbre o volatilidad de la demanda). A pesar de proporcionar quizás una visión ligeramente de mayor resolución del rendimiento, el análisis ABC XYZ sigue siendo una aplicación ingenua de los principios matemáticos subyacentes y simplemente sirve para amplificar la burocracia y la inestabilidad. También retiene todas las limitaciones de un análisis ABC clásico, pero, se podría argumentar, ofrece una sensación aún mayor de falsa seguridad a través de falacias matemáticas.

figure-2-model-abc-xyz-matrix-sorted-by-service-level

Realizando un análisis ABC XYZ

Mientras que un análisis ABC tiene como objetivo descomponer financieramente un conjunto de SKUs en una de tres clases a lo largo de un período de tiempo,1 proporcionando así a un practicante de supply chain un desglose de los SKUs según su importancia financiera, el análisis ABC XYZ pretende ir un paso más allá. Intenta comprender y cuantificar la varianza de la demanda (o volatilidad) para cada SKU durante el período observado, y fusionar las clásicas clases A, B y C con las adicionales X, Y y Z. Dicho de manera simple, la varianza de la demanda es una medida de cuánto ha cambiado la demanda a lo largo del período observado. Esto podría reflejar períodos inesperados y/o aislados de demanda extremadamente alta (o baja), o una dificultad general sostenida para predecir cuántas unidades de un SKU eran realmente necesarias (o cualquier otra razón por la que la demanda haya podido fluctuar a lo largo del período). Esta varianza es lo que las designaciones X, Y y Z pretenden capturar.

Bajo este nuevo criterio de nueve categorías, los SKUs de clase X son los más estables (experimentan la menor varianza de demanda), los de clase Y son algo estables (experimentan una varianza de demanda moderada) y los de clase Z son los más inestables (experimentan la mayor varianza de demanda). Basándose en el análisis ABC clásico, se le presenta a un practicante de supply chain un desglose aparentemente más matizado del catálogo a lo largo del período, donde los SKUs se analizan en el doble de dimensiones.

Para llevar a cabo la nueva clasificación, un practicante de supply chain sigue los mismos pasos iniciales que en el análisis ABC clásico. Una vez completada esta etapa, se avanza a la parte XYZ del análisis, donde se requiere:

  • El número deseado de clases de varianza de la demanda: usualmente limitado a 3, aunque es flexible.
  • Un umbral para separar cada clase: queda completamente a discreción del practicante de supply chain. Un ejemplo podría ser <=10% para la clase X, >10-25% para la clase Y y >25% para la clase Z.
  • El promedio para cada SKU durante el período observado: se calcula fácilmente en cualquier hoja de cálculo.
  • La desviación estándar y el coeficiente de variación para cada SKU: también se calculan fácilmente en cualquier hoja de cálculo.

La desviación estándar, en el contexto de datos de un año, es generalmente la diferencia entre las ventas de un mes y el promedio mensual global del año. Una vez que un practicante de supply chain dispone de esta información, puede calcular el coeficiente de variación (CV). También conocido como la desviación estándar relativa, el CV es un valor porcentual que indica qué tan lejos de la media se encuentra un dato, lo cual, en este caso, representa la magnitud de la fluctuación en las ventas para un SKU durante el período observado (comparado con la media). Este valor porcentual se obtiene dividiendo la desviación estándar por el promedio.

Una vez calculado el CV, el practicante de supply chain clasifica los SKUs en sus respectivas clases X, Y y Z de acuerdo con los umbrales preestablecidos. Esto da como resultado una matriz de nueve categorías donde los SKUs se ordenan en función de sus ingresos y la varianza de la demanda.

figure-1-view-of-a-typical-abc-xyz-analysis

Figura 1. Un modelo de análisis ABC XYZ, como se muestra en la hoja de cálculo de Excel descargable. Para cálculos explícitos, consulte las fórmulas en las columnas relevantes.

Descargar la hoja de cálculo de Excel: abc-xyz-analysis-tool.xlsx

La perspectiva matemática sobre ABC y ABC XYZ

Desde una perspectiva puramente matemática, ya sea de manera implícita o explícita, tanto los análisis ABC como ABC XYZ intentan aprovechar el concepto de momentos, que es un conjunto infinito de medidas cuantitativas destinadas a mapear una función. En el contexto presente, la función es una distribución de datos de ventas, y los momentos de interés son los dos primeros: la media para el análisis ABC tradicional; la media y la varianza para el análisis ABC XYZ. En términos del análisis ABC, dado que se centra solo en el primer momento (la media), sería más preciso llamar a este método una segmentación por promedio móvil. Fundamentalmente, no se intenta identificar la incertidumbre de la demanda. Por esta razón, el análisis ABC XYZ intenta aprovechar el segundo momento (la varianza) para cuantificar esta incertidumbre. Esto hace que el análisis ABC XYZ se asemeje más a un método de segmentación por promedio móvil y varianza. A diferencia de la media, que es comúnmente entendida, la varianza es algo menos coloquial. En resumen, representa cuán disperso está un conjunto de valores – en este caso, datos promedio mensuales de ventas – respecto al valor promedio del conjunto. El análisis ABC XYZ utiliza esta herramienta matemática adicional para llegar a una supuestamente comprensión más compleja de la variación de un conjunto de datos. La efectividad con que se apliquen estas herramientas se revisitará en Limitaciones del ABC XYZ.

Cómo el análisis ABC XYZ informa la política de inventario

Las aplicaciones teóricas del análisis ABC XYZ, al igual que el análisis ABC, se centran en asignar objetivos de niveles de servicio y de existencias de seguridad. Usando la nueva matriz ABC XYZ, un practicante de supply chain puede, en teoría, visualizar mejor los SKUs de interés y, de ese modo, ajustar las políticas de inventario para reflejar no solo preocupaciones de ingresos, sino también las fuerzas de la varianza de la demanda.

Existencias de seguridad

Una aplicación inmediata del análisis ABC XYZ es una mejora en los objetivos de existencias de seguridad. Los SKUs de clase A de uno reciben, de forma natural, los niveles más altos, pero, a diferencia del análisis ABC, se intenta diferenciar entre los miembros de la clase A (respecto a la C) utilizando las clases XYZ a lo largo del eje x. Aquí es donde los defensores del análisis ABC XYZ sostienen que el enfoque brilla con más fuerza, y a continuación se analizarán cuatro extremos de interés inmediato bajo esta perspectiva.

  • AX: Estos SKUs generan altos ingresos y experimentan poca varianza. Por ello, un practicante de supply chain podría decidir que se requieren niveles más bajos de existencias de seguridad en comparación con los otros SKUs de clase A, para alcanzar objetivos de altos niveles de servicio.
  • AZ: Estos SKUs pueden generar ingresos igualmente altos que los AX y AY, pero experimentan una varianza de demanda significativamente mayor. Como resultado, podrían considerarse prudentes niveles más altos de existencias de seguridad.
  • CX: Estos SKUs generan bajas ganancias y experimentan poca varianza. Es probable que se opte por niveles bajos de existencias de seguridad (en comparación con los AX, AY, AZ, BX, BY y BZ).
  • CZ: Estos SKUs no solo generan bajas ganancias, sino que también experimentan elevados niveles de varianza de demanda. Desde una perspectiva de supply chain, estos SKUs representan lo peor de ambos mundos. Teóricamente, dichos SKUs tendrían niveles bajos de existencias de seguridad y serían candidatos principales para una posible discontinuación.

Como regla general, el análisis ABC XYZ indica que los SKUs requieren más existencias de seguridad a medida que se avanza a lo largo del eje x, en proporción con la mayor dificultad para predecir la demanda (con excepción notable de los SKUs CZ, como se describió anteriormente).

Niveles de servicio

Intuitivamente, mantener los niveles de servicio en los SKUs de clase A de uno es de vital importancia, aunque se podría optar por niveles más bajos a medida que se avanza a lo largo del eje x. Por ejemplo, es probable que los SKUs AX tengan un objetivo de nivel de servicio más alto que los AZ, dada la menor varianza de demanda asociada con los primeros en comparación con los segundos. A medida que se desciende por el eje y, los objetivos de nivel de servicio se suelen reducir y, como se podría esperar, una política sensata asignaría a los SKUs CZ los objetivos de nivel de servicio más bajos de todas las nueve categorías.

figure-2-model-abc-xyz-matrix-sorted-by-service-level

Figura 2. Una matriz modelo ABC XYZ con ingresos en el eje y y varianza de demanda en el eje X. Esta matriz muestra los posibles objetivos de nivel de servicio para cada designación, con niveles que se deprecian a medida que disminuyen los ingresos y aumenta la varianza de la demanda.

Limitaciones del ABC XYZ

A pesar de proporcionar (ligeramente) una mayor comprensión del catálogo, el análisis ABC XYZ es un intento de evolución que retiene todas las limitaciones del análisis ABC, mientras que aporta muy poco en contenido. Claramente, es innovación sin trascendencia, y no es descortés sugerir que incluso inventa clases adicionales de desventajas que el análisis ABC no tenía.

Objeciones prácticas al ABC XYZ

  • Baja resolución: Tal como en el análisis ABC, las nueve categorías de una matriz ABC XYZ pasan por alto patrones de demanda como tendencias al alza o a la baja (véanse las camisetas de Harry Potter y Tesla en la Figura 3), ofertas limitadas (véase la camiseta de Suez Canal) y la estacionalidad (véanse las botas de invierno). Como resultado, el impacto que estos pueden tener en las políticas de inventario de uno queda completamente inexplorado. Esta limitación también presupone que el practicante de supply chain no haya optado arbitrariamente por aún más clases a lo largo de cada eje, lo cual es totalmente posible dada la naturaleza laissez-faire del enfoque.
figure-3-abc-xyz-edge-case-line-graph

Figura 3. El gráfico de líneas demuestra los casos extremos que el análisis ABC XYZ pasó por alto en el conjunto de datos modelo. Por ejemplo, tanto las camisetas de Harry Potter como las de Tesla finalizaron como SKUs de clase BY y recibirían los mismos objetivos de nivel de servicio y existencias de seguridad. Esto ignora el hecho de que los SKUs muestran una tendencia demostrablemente opuesta.

  • Aumenta la inestabilidad: El análisis ABC XYZ amplía la categorización arbitraria e inestable creada por el análisis ABC. La verdadera diferencia en dólares y centavos entre CZ y CY, o entre BZ e incluso BY, podría ser ínfima, si no casi financieramente imperceptible. Además, al igual que en un análisis ABC, estas diferencias prácticamente imperceptibles podrían variar dependiendo de los horizontes de tiempo seleccionados. Por ejemplo, un SKU podría oscilar entre AZ y CZ simplemente al expandir o contraer el marco temporal seleccionado (por ejemplo, horizontes mensuales versus trimestrales o anuales). Al igual que la elección de nueve categorías descrita anteriormente, no hay más ni menos sentido en optar por un marco temporal mayor o menor.2 Por lo tanto, establecer objetivos de nivel de servicio y existencias de seguridad basados en entradas tan inestables es profundamente defectuoso.

  • Aumenta la burocracia: Por definición, las categorías inestables descritas anteriormente requieren que la dirección intervenga y establezca políticas distintas para cada una. Esto, desafortunadamente, resulta en una mayor burocracia generada y en la pérdida de capacidad operativa. Así como la diferencia entre un SKU de clase A y uno de clase B podría ser de un solo punto porcentual (o apenas unos pocos dólares), el diferencial de CV entre los SKUs de clase Y y Z podría ser, en el mejor de los casos, insignificante. Estos parámetros son completamente arbitrarios y, en última instancia, determinados por comité, por lo que su origen es cuestionable. Teniendo en cuenta que los SKUs pueden cambiar fácilmente entre las nueve categorías a lo largo de el período observado (independientemente de dónde puedan finalizar), establecer niveles de servicio arbitrarios basados en esta información no solo crea una administración y reuniones innecesarias, sino que también aumenta la probabilidad de eventos costosos de faltante de stock. Además, muchos, si no la mayoría, de los responsables de establecer estos parámetros arbitrarios carecerán de la formación matemática necesaria para analizar el enfoque, y mucho menos para contribuir de manera significativa a las recetas numéricas. Esta crítica se amplía en Objeciones teóricas al ABC XYZ. También debe destacarse que, a pesar de la mayor categorización y burocracia, el análisis ABC XYZ no identifica en realidad por qué ciertos productos son difíciles de forecast – como los SKUs CZ. En cambio, simplemente determina que es difícil hacer forecast de ellos, y a la dirección le queda el dilema de decidir cuáles fórmulas de existencias de seguridad aplicar arbitrariamente a estas categorizaciones fortuitas.

  • Carece de perspectiva financiera: En esencia, el análisis ABC XYZ se basa en un enfoque de primer orden para impulsores económicos. En resumen, esta mentalidad considera los SKUs solo en términos de sus contribuciones directas al margen. Aunque ABC XYZ también parece considerar la variación de la demanda, su fundamento sigue estando basado en cuánto contribuye cada SKU de forma individual y directa (por ejemplo, en ingresos). Este enfoque considera los SKUs de forma aislada en lugar de en combinación. Esta sutileza es la característica de un enfoque de segundo orden, en el que el valor de un SKU CX, por ejemplo, se considera en relación con uno AX. Aunque el primero puede no generar ingresos significativos, tenerlo en inventario puede facilitar la venta del segundo, por lo que el valor indirecto del CX puede superar ampliamente al directo. Por ello, un proceso de categorización ya arbitrario, que da lugar a políticas de inventario igualmente arbitrarias, es completamente ciego a estos sutiles impulsores económicos. Esto casi con toda seguridad resultará en casos de eventos de faltante de stock para SKUs cuyo verdadero valor no ha sido reconocido.3

Objeciones teóricas al ABC XYZ

En apariencia, el análisis ABC XYZ puede parecer una iteración superior del enfoque clásico ABC, con personas quizás seducidas por la aparente aplicación de principios matemáticos semi-avanzados. Sin embargo, esa impresión es inmerecida, ya que la adopción de la teoría de momentos en ABC XYZ es ingenua, dado que el análisis estadístico implícito que pretende realizar está incompleto. Aunque es justo decir que la media y la varianza son partes válidas de un análisis matemático de este tipo (es decir, la comprensión de la distribución de una variable de demanda aleatoria), existen otros momentos igualmente instructivos que se pasan por alto.

El tercer momento, asimetría, no figura en un análisis ABC XYZ, ni tampoco el cuarto, curtosis. La forma en que se distribuyen las ventas alrededor de la media se mide mediante la asimetría.4 La curtosis, por su parte, mide cuán “puntiaguda” o “plana” es la distribución en comparación con un conjunto de datos distribuidos normalmente. Ambos momentos proporcionan perspectivas válidas sobre los datos subyacentes, precisamente por lo que un análisis estadístico riguroso los incorporaría como práctica estándar.5

Como resultado, la validez de la investigación estadística en un análisis ABC XYZ es, en el mejor de los casos, incompleta y, en el peor, engañosa. De hecho, la naturaleza de la computación moderna y de las técnicas estadísticas es tal que no es necesario limitar el alcance a solo cuatro momentos, por lo que incluso una iteración teórica futura de ABC XYZ que incorpore estos momentos seguiría siendo insuficiente en comparación.

La postura de Lokad

El análisis ABC XYZ es, en última instancia, un intento innecesario y equivocado de mejorar el análisis ABC. Dejando de lado las limitaciones inherentes de la clasificación ABC, los cálculos XYZ no logran aportar perspectivas significativas dado lo malinterpretada que está su pregunta de investigación y lo inapropiadas que son las herramientas elegidas para ejecutarla.

ABC XYZ tiene como objetivo ayudar a los profesionales a identificar políticas de inventario apropiadas para SKUs difíciles de forecast (por ejemplo, AZ o CZ) sin determinar por qué estos SKUs podrían ser difíciles de forecast. Además, no logra proporcionar una perspectiva detallada acerca de cómo interactúan los SKUs (su valor indirecto), lo cual desempeña un papel crucial en la determinación de niveles de servicio matizados y objetivos de stock respectivos. Al ignorar estas cuestiones, el análisis se encuentra esencialmente tanteándose en la oscuridad.

En cuanto a las herramientas subyacentes, el enfoque duplica los parámetros arbitrarios de su predecesor y triplica el número de clases, al tiempo que incorpora un conocimiento parcialmente culto de la estadística. Esta transgresión no puede pasarse por alto, por muy bien intencionados que sean los defensores de ABC XYZ. El peligro potencial reside en la pátina de rigor que los cálculos XYZ presentan a los lectores. A diferencia del análisis ABC, que es accesible para casi cualquier persona con una computadora funcional y un cerebro en funcionamiento, ABC XYZ pretende aprovechar algunos principios estadísticos que, para los no iniciados, pueden parecer bastante avanzados e impresionantes. No obstante, esto es simplemente una muleta de palabras de moda que no sostiene su propio peso. Un análisis estadístico adecuado de los datos de ventas es posible utilizando momentos, pero requiere una comprensión mucho más sofisticada de los mismos de la que se encuentra en el análisis ABC XYZ.

En definitiva, el análisis ABC XYZ sacrifica la robustez estadística para seguir siendo accesible al profesional general de supply chain. Este compromiso resulta en un proceso que amplifica la inestabilidad y distrae a los usuarios de los problemas subyacentes de interés. A los profesionales cuyos negocios hayan superado tales prácticas se les invita a enviar un correo electrónico a contact@lokad.com para coordinar una demostración de una solución PIR de grado producción – la respuesta de Lokad a los problemas que ABC XYZ intenta resolver.

Notas


  1. Típicamente, SKUs de clase A, B y C, donde A representa los más rentables, C los menos, y B se sitúa en un punto intermedio. El período normalmente es un año calendario, pero esto puede variar. ↩︎

  2. Es cierto que existe un límite inferior a la utilidad; seleccionar los datos de una sola semana tendría casi ningún valor probatorio. Sin embargo, una vez que se ha determinado un conjunto de datos con una profundidad histórica suficiente (por ejemplo, 3 meses de ventas), casi no hay objeción lógica para sugerir que se podría ampliar por otro mes. El resultado de esto sería, como se mencionó anteriormente, casi seguramente desplazar la ubicación de algunos SKUs en la matriz ABC XYZ. Esto pone de relieve otro problema del proceso ABC XYZ: una vez alcanzada una masa probatoria de datos, el proceso se vuelve inmediatamente vulnerable a más manipulaciones. Esto contrasta con lo que se pretende que haga una categorización: proporcionar límites robustos y significativos entre las entradas. ↩︎

  3. Este es un resumen muy breve de la perspectiva de Lokad y anticipa la cobertura de faltante de stock como un impulsor económico crucial. Ambos conceptos se amplían en nuestro tutorial de reabastecimiento de inventario priorizado↩︎

  4. O “SKU-ness” si lo prefieres. ↩︎

  5. Así como pi contiene un número infinito de dígitos, una función de densidad de probabilidad tiene un número infinito de momentos de diferente orden. Sin embargo, en la práctica, generalmente solo se utilizan los primeros cuatro. ↩︎