00:00:03 Introducción al análisis ABC y raíces del principio de Pareto.
00:00:33 Análisis de Pareto en redes sociales, supply chain.
00:02:03 El papel del análisis ABC en la categorización de inventario.
00:03:14 Uso y abuso del análisis ABC en supply chain.
00:06:05 La relevancia del análisis ABC en los sistemas modernos de inventario.
00:08:00 Limitaciones del sistema de inventario ABC.
00:09:00 La falta de especificidad del enfoque ABC.
00:11:02 Problemas e impacto de la estabilidad de la clasificación ABC.
00:13:01 Propuesta de gestión de inventario basada en datos.
00:15:38 Beneficios del forecast para artículos de inventario de alto volumen.
00:18:01 Combinando drivers económicos, forecast probabilístico vs. ABC.
00:19:00 Cambio del ABC a un enfoque basado en la teoría de la información.
00:21:39 Crítica al análisis ABC: promover métricas de vanidad.
00:25:17 Peligros de la dependencia en el análisis ABC.
Resumen
Joannes Vermorel, fundador de Lokad, analiza el análisis ABC, una técnica de gestión de inventario basada en la regla 80/20 de Pareto. Explica cómo categoriza los productos en clases según sus tasas de ventas, siendo ‘A’ la que representa productos de alto valor y de venta rápida, y ‘C’ la que representa productos de bajo valor y de venta lenta. Vermorel expresa sus preocupaciones acerca de la simplificación excesiva del método y su potencial mal uso en las supply chains modernas, ya que no logra capturar las sutilezas dentro de las categorías. Aboga por un enfoque más detallado y granular que considere la historia de ventas individual de cada producto y sus restricciones físicas, advirtiendo que el análisis ABC puede llevar a métricas engañosas e inestabilidad debido a fluctuaciones en la demanda y faltante de stock.
Resumen Ampliado
La conversación en Lokad TV gira en torno al concepto del análisis ABC, un enfoque de categorización de inventario basado en la regla 80/20 de Pareto. Este método categoriza un catálogo según su valor percibido y se está usando ampliamente en software de ERP y en la industria de la supply chain.
Joannes Vermorel, fundador de Lokad, proporciona una explicación detallada del análisis ABC. Señala que la técnica se origina en el análisis de Pareto, que postula que en fenómenos socialmente construidos, el 20% de los elementos más significativos representan el 80% del total. Este principio es observable en diversas áreas, como redes sociales, distribución de la riqueza y ventas de productos.
En el contexto de supply chains, explica Vermorel, el 20% de los productos más importantes usualmente constituyen el 80% de las ventas. Atribuye esta observación a Vilfredo Pareto, un matemático e ingeniero civil italiano del siglo XIX. Vermorel también sugiere que la idea de la categorización de inventario, incluso sin la precisión matemática, podría tener orígenes en la antigüedad.
Vermorel explica que la aplicación práctica del análisis ABC para el inventario implica categorizar SKUs o productos en clases, típicamente de tres a cinco. La clase ‘A’ representa artículos de alta rotación, mientras que la última clase, ‘D’ o ‘E’, denota artículos de baja rotación. Las clases intermedias exhiben diferentes velocidades de inventario. El resultado es una categorización de grano grueso que agrupa productos con velocidades de inventario similares.
A pesar de la simplicidad del análisis ABC, se utiliza ampliamente en la industria de supply chain, aunque Vermorel sugiere que también se abusa de él. La categorización, argumenta, es beneficiosa cuando refleja con precisión las restricciones físicas de los productos. Por ejemplo, en la industria aeroespacial, una primera categoría puede incluir productos costosos y reparables, mientras que la última categoría podría incluir consumibles irreparables. En la industria alimentaria, se pueden establecer categorías de procesamiento separadas para alimentos congelados y alimentos secos. Estas clasificaciones indican los diferentes métodos de manejo de mercancías.
Vermorel expone cómo se originó el método de análisis ABC para gestionar el inventario sin tener que contar cada artículo. Utilizando este sistema, se podían almacenar diferentes categorías de productos en contenedores de distintos tamaños, con una regla simple para reabastecer el stock cuando el contenedor se queda a medio vaciar. Este enfoque era práctico cuando no existía software para rastrear y gestionar el inventario. Sin embargo, Vermorel sostiene que en la era digital actual, cuando el inventario puede ser rastreado automáticamente, el método ABC se vuelve problemático y obsoleto.
Vermorel señala que el sistema de clasificación ABC es una aproximación de baja resolución de la historia de ventas. No proporciona información adicional más allá de lo que se podría obtener de un análisis detallado de la historia de ventas de un producto. Como tal, las decisiones basadas en estas clasificaciones podrían potencialmente afinarse y hacerse más precisas usando datos reales de ventas.
Vermorel también señala que el método ABC puede crear una ilusión de homogeneidad dentro de las categorías. Cada categoría puede contener cientos de productos, y puede haber variaciones significativas dentro de estas. Por ejemplo, el 1% superior de los productos podría tener velocidades de ventas diez veces mayores que el 10% superior, y esta granularidad se pierde con la clasificación ABC.
Vermorel sugiere un enfoque más matizado de “divide y vencerás” para la gestión de inventario, que pone mayor énfasis en la historia de ventas detallada de cada producto. Este enfoque implica asignar un gerente de compras para manejar un número específico de artículos en función de su valor o importancia, asegurando así que los artículos de alto valor reciban más atención.
Vermorel reflexiona sobre el proceso tradicional, impulsado por humanos, de toma de decisiones en supply chain, que incluye decisiones sobre compras, producción, ubicación de inventario, liquidación y precios. Sin embargo, con la llegada de las computadoras, este proceso está experimentando un cambio significativo. Las computadoras pueden procesar miles de artículos repetidamente en un día, dependiendo de lo que tenga más sentido, tarea que los humanos no pueden realizar manualmente.
Vermorel explica el concepto de niveles de servicio en relación con el volumen de ventas. Sugiere que los artículos con mayor volumen de ventas generalmente tienen un mejor forecast porque se venden de manera más constante. Un artículo que se vende a 100 unidades por día, por ejemplo, probablemente venderá alrededor de 100 unidades al día siguiente, con un margen de error del 10%. Por el contrario, los artículos con volúmenes de ventas más bajos tienen una demanda más impredecible. Pueden venderse solo una vez al mes, y es difícil forecast cuándo ocurrirá esa venta.
Con un artículo de alto volumen, mantener un alto nivel de servicio es más rentable. Esto se debe a que la cantidad de inventario requerida está determinada por el lead time y la variabilidad de la demanda, o “erraticidad”. Si un artículo tiene alta erraticidad, requiere más stock. Sin embargo, en comparación con los artículos de bajo volumen, los de alto volumen requieren menos stock en relación con su volumen de ventas, lo que los hace más eficientes en transformar moneda en puntos adicionales de nivel de servicio.
Para artículos de alto volumen, un forecast probabilístico produciría un forecast relativamente concentrado, reflejando baja incertidumbre. En contraste, para los artículos de baja rotación, el forecast sería más disperso debido a una mayor incertidumbre. Combinar este forecast probabilístico con los drivers económicos, tales como el costo del stock, el costo de compra, los costes de inventario y el margen potencial, resulta en un nivel de servicio más preciso que no necesita una categorización cruda como la del análisis ABC.
Vermorel critica el análisis ABC como un método que permite evitar los cálculos por completo, lo cual fue útil en el siglo XIX cuando llevar el recuento de miles de artículos manualmente era una tarea desalentadora. Sin embargo, en el mundo actual, con la llegada de computadoras poderosas capaces de realizar miles de millones de operaciones por segundo, dicho enfoque está obsoleto.
Hay dos razones clave para ello. Primero, el análisis ABC a menudo conduce a métricas de vanidad, que dan la ilusión de un buen desempeño mientras que la realidad puede ser completamente diferente. Segundo, las clases ABC son inestables y pueden cambiar rápidamente debido a faltante de stock o fluctuaciones en la demanda. Por ejemplo, un artículo que sufre un masivo faltante de stock podría pasar de la Clase A a la Clase B, creando la ilusión de un nivel de servicio mejorado para la Clase A, cuando en realidad es solo un efecto secundario del mal desempeño.
Vermorel aboga por un enfoque más granular y adaptativo, que considere tantas clases como artículos e historias de ventas posibles. Este enfoque aprovecha la teoría de la información para tomar mejores decisiones basadas en la historia de ventas observada. En este contexto, enfatiza la importancia de expresar las métricas en términos de dólares de desempeño o error, en lugar de porcentajes, para alinearse mejor con las realidades económicas de la gestión de supply chain.
Transcripción completa
Kieran Chandler: Bienvenidos de nuevo a Lokad TV. Esta semana vamos a hablar sobre el análisis ABC, un método de categorización de inventario que tiene sus raíces en la regla 80/20 de Perrito. El método funciona dividiendo un catálogo según su valor percibido y ha sido adoptado por muchos de los principales software de ERP, así como por la industria de supply chain en su conjunto. Así que, Joannes, esa es una visión general del análisis ABC, pero tal vez podrías explicárnoslo con un poco más de detalle.
Joannes Vermorel: Sí. Como has señalado, el análisis ABC tiene sus raíces en el análisis de Perrito, que esencialmente describe categorías enteras en redes sociales. La idea es que el 20% más activo o importante representa el 80% de la masa. Esto es evidente en plataformas como LinkedIn, donde probablemente el 20% superior de los usuarios tiene el 80% de las conexiones. De manera similar, es probable que el 20% de las personas más ricas posean el 80% de la riqueza. En el contexto de supply chain, el 20% superior de los productos representa aproximadamente el 80% de las ventas. Este principio fue descubierto por un matemático e ingeniero civil italiano llamado Pareto a finales del siglo XIX. En cuanto a la categorización del inventario, esta idea, aunque sin el rigor matemático, probablemente se remonta a la antigüedad.
Kieran Chandler: Entonces, ¿cómo funciona realmente el análisis ABC?
Joannes Vermorel: La idea clave en el análisis ABC para el inventario es categorizar tus SKUs o productos en clases. Por lo general, tendrás de tres a cinco clases, comenzando con la clase ‘A’, que se dedica a los de alta rotación, hasta la última clase ‘D’ o ‘E’ para los de baja rotación, con clases intermedias que representan diferentes velocidades para tus distintos productos. Este proceso resulta en agrupaciones de grano relativamente grueso que agrupan productos con velocidades de inventario similares, indicando cuántas unidades necesitas producir o servir en un solo día.
Kieran Chandler: ¿Se utiliza este método de forma regular por las empresas a diario? Parece muy simplista.
Joannes Vermorel: Es cierto que es simplista, pero se utiliza ampliamente, y diría que se abusa ampliamente en el mundo de supply chain. Esta categorización es útil cuando tus productos reflejan las restricciones físicas que tienen. Por ejemplo, en aeroespacial, tendrías una primera categoría de productos muy costosos y reparables. Luego tendrías productos relativamente baratos pero aún reparables, y después están los consumibles que no se pueden reparar. Cada categoría representa diferentes maneras de manejar los bienes. Sin embargo, el análisis ABC en sí mismo no se preocupa realmente por los aspectos físicos de los productos, sino solo por la velocidad de ventas. El abuso al que me refería anteriormente es la creación de categorías amplias definidas únicamente por las ventas relativas.
Kieran Chandler: ¿Puedes explicar la clasificación típica de productos? Entiendo que hay clases A, B y C. ¿Qué significa que un producto sea un artículo A?
Joannes Vermorel: Claro, un artículo A típicamente significa que se venden o producen, digamos, más de 20 unidades por día. Esta alta tasa de rotación lo convierte en un artículo A. Este sistema de clasificación es un umbral numérico basado en la cantidad de ventas durante un determinado periodo de tiempo, digamos los últimos tres meses. Los criterios exactos varían de una empresa a otra, pero el concepto central es que defines una velocidad como un promedio durante un cierto periodo y luego estableces umbrales para cada categoría: A, B, C, D, E.
Kieran Chandler: Parece lógico categorizar los productos de esta manera, marcando algunos como más importantes que otros. Pero tengo la sensación de que no estás completamente de acuerdo con este enfoque. ¿Por qué no es relevante?
Joannes Vermorel: Es correcto, tengo algunas reservas. Lo interesante del análisis ABC es que te permite gestionar tu inventario sin tener que contar nada. Tomemos una perspectiva del siglo XIX sobre la gestión de inventario. Para los artículos de Clase A, utilizarías contenedores grandes. Si el contenedor parece medio vacío, haces un pedido. Los artículos de Clase B usarían contenedores más pequeños, y es posible que los artículos de Clase C ni siquiera tengan contenedor, solo una estantería. Cuando se consume uno, haces otro pedido. Estos métodos te permiten gestionar el inventario sin contar absolutamente nada. Simplemente realizas un pedido basándote en la apariencia de tu inventario, lo cual es ideal si no tienes software para gestionar tu supply chain. Sin embargo, en el mundo actual, donde podemos rastrear y contar el inventario de forma automática, este sistema no tiene mucho sentido.
Fundamentalmente, la categorización de inventario como ABCD es una aproximación de baja resolución de cuánto necesitas producir o consumir en un período de tiempo. Cualquier decisión basada en esta clase podría tomarse con mayor precisión si se basara en el historial de ventas real del producto. La falacia es que la clase ABC no añade información adicional en comparación con el historial de demanda bruto del producto.
Kieran Chandler: ¿Qué tipo de problemas pueden surgir al utilizar este enfoque ABC?
Joannes Vermorel: Hay varios problemas, principalmente derivados del hecho de que es un sistema de muy baja resolución. Es como tener la capacidad de hacer cálculos por gramo pero redondeando todo a la tonelada. Primero, está el problema de la heterogeneidad dentro de una clase. Si tienes 2,000 productos y creas cinco clases, cada clase aún contendrá aproximadamente 400 productos, y puede haber una amplia variedad de variación dentro de esas clases. Este sistema te da la ilusión de especificidad mientras pasa por alto diferencias significativas entre productos, especialmente para los que más se venden, donde probablemente se encuentre el 1% superior de tus productos…
Kieran Chandler: Entonces, cuando tienes el 10% superior de tus ventas, probablemente esté operando a velocidades de venta que son 10 veces mayores por producto. Sin embargo, si solo tienes cinco categorías, no vas a lograr la granularidad necesaria. En el otro extremo del espectro, para la larga cola, es realmente extensa. Tu clase “C”, por ejemplo, podría contener artículos que se venden solo una vez al mes, así como artículos que se venden una vez cada década. Están agrupados, pero son muy diferentes. La forma en que abordas algo que se necesita una vez cada década y algo que se necesita una vez al mes sería completamente distinta.
Joannes Vermorel: Además, diría que el problema total de una clasificación tan burda es que tiende a ser inestable con el tiempo. Hemos experimentado con varios clientes y, generalmente, notamos que entre un tercio y la mitad de los productos cambian de clase de un período al siguiente. Cuando miras las ventas de un trimestre, haces tu análisis ABC, luego revisas los datos de ventas del siguiente trimestre y vuelves a hacer tu análisis ABC, puedes terminar con una situación en la que el 40% de los productos tienen una clase diferente. Eso significa que, solo porque has pasado a un nuevo trimestre, tendrás políticas completamente diferentes para un artículo determinado, solo porque cambió de clase. Realmente no tiene sentido.
Por ejemplo, si tuvieras un artículo que ha tenido una disminución gradual pero muy lenta durante los últimos dos años, ¿por qué decidirías que, solo porque cruzaste un cierto umbral numérico de un día para otro, ese artículo, que reordenabas una vez al mes, ahora se reordenaría solo dos veces al año? Eso te genera efectos muy no lineales, con muchos vacíos y productos que de repente pasan de ser reordenados una vez al mes a ser reordenados solo una vez al año. Es extremadamente arbitrario y no refleja la evolución detallada de la demanda.
Kieran Chandler: Entonces, ¿cómo puedes abordar las cosas de una manera mejor? Si no estás categorizando tus productos, ¿cómo aseguras que estás atendiendo aquellos productos que son realmente los más importantes?
Joannes Vermorel: Sí, aquí típicamente se utiliza un enfoque de divide y vencerás que algunos supply chain managers tienen sobre su propio supply chain. Podrían decir, “Para prestar mucha atención a los productos que más importan, tendré un gerente de compras que gestione artículos de clase ‘A’, y ese gerente administrará 50 artículos. Si se trata de un gerente que gestiona artículos de clase ‘B’, este gerente administrará 200 artículos. Y si es un gerente que gestiona artículos de clase ‘C’, este gerente administrará 1000 artículos.” De esa manera, tienes más capacidad para concentrarte en cada uno de los artículos que son más significativos.
Sin embargo, esta perspectiva asume que todas las decisiones de supply chain, como cuánto comprar, cuánto producir, dónde ubicar el inventario, si liquidar el inventario o cómo mover el precio, son tomadas por humanos haciendo todo manualmente. Pero la realidad es que, tan pronto como tienes computadoras, todo cambia. La computadora no tiene problema en procesar miles de artículos cientos o incluso miles de veces al día si eso tiene sentido.
Entonces, si quieres asegurarte de tener un mayor nivel de servicio para tus artículos de clase “A”, lo que realmente estás diciendo es que, si tienes un artículo que se vende más, puedes tener un mejor forecast. ¿Por qué? Porque es un juego de números. Es mucho más fácil forecast si un artículo se vende constantemente a 100 unidades al día.
Kieran Chandler: Alrededor de 100, ese va a ser un forecast razonablemente bueno, tal vez más o menos un 10 por ciento. Si tienes un artículo que se vende una vez al mes, el forecast más probable para mañana es cero unidades. Sin embargo, es muy errático. Puede haber días en los que vendas dos unidades adicionales.
Joannes Vermorel: En resumen, hay un lado positivo. Si tienes artículos que tienen un mayor volumen, tiendes a tener una erraticidad menor. Esto garantiza un mayor nivel de servicio. Cuando hablamos de costos, es más eficiente porque la cantidad de inventario que necesitas mantener es más o menos proporcional a tu tiempo de entrega por un lado, y a la erraticidad por el otro. Si la erraticidad es el doble, necesitas tener el doble de stock. Necesitas más stock para los artículos que se venden más, pero, en comparación, para los artículos que tienen un bajo volumen de ventas, necesitas mucho menos.
Tu inventario para artículos de alto volumen y de rápida rotación es más eficiente en términos de transformar euros o dólares en puntos extra de nivel de servicio. Por eso, típicamente terminas con esos grupos y todas esas recetas. Pero puedes ver el problema de manera completamente diferente.
Primero, propondría adoptar un forecast probabilístico que refleje de forma nativa la incertidumbre. Para artículos de alto volumen, obtendrás un forecast que es alto, obviamente, pero también relativamente concentrado porque tu incertidumbre es baja. Este forecast probabilístico proporciona una distribución que refleja las incertidumbres que tendrás sobre la demanda futura.
Para los artículos de baja rotación, obtendrás una distribución de probabilidad donde la media de la distribución es mucho menor porque, en promedio, tienes menos demanda, pero la distribución estará muy dispersa porque hay mucha incertidumbre, mucha erraticidad.
Kieran Chandler: Entonces, cuando dices que quieres tener un alto nivel de servicio, ¿qué es lo que realmente quieres decir?
Joannes Vermorel: Lo que realmente estás diciendo es que, por cada faltante de stock que enfrentas, pierdes márgenes. Quizás tengas una penalización por faltante de stock, por lo que pierdes comercio con tus clientes cuando esperan encontrar algo y no puedes entregar los productos que básicamente se anunciaron.
La idea es que, si combinas el hecho de que tienes impulsores económicos, como el costo del stock, los costos de mantenimiento, el costo de compra, el costo del faltante de stock, y el margen que es tu recompensa extra, porque vas a revender tus productos a un precio superior a tu costo, entonces el nivel de servicio que obtienes es solo una consecuencia de combinar esos impulsores económicos con tu forecast probabilístico de demanda.
La categorización ABC ni siquiera interviene en el cálculo porque, en última instancia, la categorización ABC es solo una manera burda de estimar la demanda futura o la erraticidad de la demanda futura, que obtienes de serie si tienes un motor de forecast probabilístico.
Kieran Chandler: Entonces, ¿estás diciendo que es una forma muy burda de hacerlo con el análisis ABC? ¿No es la solución de Lokad simplemente un tipo de optimización de mucho mayor granularidad, una especie de extensión del análisis ABC? ¿Cuál es la diferencia clave?
Joannes Vermorel: La diferencia clave es que simplemente consideraríamos que tenemos tantas clases como artículos y tantas clases como historiales de ventas posibles. Si tienes una granularidad tan fina que tienes una clase por situación, la categorización se vuelve algo sin sentido.
El enfoque de Lokad es pensar en términos de información, más en el sentido de la teoría de la información. ¿De dónde proviene la información para tomar una mejor decisión? Si toda la información se origina en el historial de ventas observado, entonces un modelo de forecast puede potencialmente reconstruir internamente su propia clasificación.
Kieran Chandler: La clasificación, si eso te ayuda a ver, pero se encuentra dentro del modelo o motor de forecast. Típicamente, debido a que es muy granular, no es así como se hace. No hay un ahorro. El único beneficio del análisis ABC es que es una especie de método que te permite evitar hacer cálculos por completo. Esto es genial si lo único que tienes es un lápiz, una hoja de papel y miles de artículos. Imagina hacer un seguimiento de miles de artículos a mano en el siglo XIX: es una pesadilla. Así que, era muy importante tener métodos en los que no necesitaras hacer ningún cálculo, ni siquiera una suma. Es interesante porque estos métodos eran algo intuitivos y representaban una especie de enfoque de estimación.
Joannes Vermorel: En Lokad, tomamos un enfoque diferente. Nuestro enfoque de supply chain apunta a cuantificar las cosas hasta el máximo grado posible. Tenemos computadoras increíblemente rápidas que pueden hacer miles de millones de sumas por segundo, por lo que la potencia de procesamiento en bruto no es un recurso escaso. El análisis ABC es simplista, y como mencionaste, uno de los verdaderos aspectos positivos es que no necesitas lápiz y papel.
Kieran Chandler: Pero debe haber otros beneficios del análisis ABC. ¿Por qué las empresas aún lo están usando?
Joannes Vermorel: Bueno, no estoy completamente seguro. Hemos visto muchas situaciones en las que se perciben muchos beneficios, pero cuando se trata de beneficios reales y tangibles, es mucho menos claro. Las empresas usan el análisis ABC como una estrategia de “divide y vencerás” para repartir la carga de trabajo de procesar manualmente los artículos entre muchos profesionales de supply chain. Sin embargo, la respuesta es: no hagas eso. Es una mala idea. Deberías tener algo que procese uniformemente todos los artículos. Si tu método se basa en algún tipo de categorización, lo más probable es que puedas replantear tus métodos para eliminar eso y utilizar directamente la demanda promedio de los últimos meses. Esto típicamente funcionará mejor. No necesitas algo que opere en grandes incrementos o pasos grandes.
En cuanto a los reportes, es un enfoque en el que la gerencia a menudo produce métricas de vanidad. La gente está acostumbrada a decir, “Mira, querido CEO, somos tan buenos cuando miramos los artículos de clase ‘A’ porque nuestros artículos de clase ‘A’ tienen un nivel de servicio de, digamos, el 95 por ciento.”
Kieran Chandler: Pero nuevamente, esto es un porcentaje y no dólares de error, así que no importa si tu volumen de ventas, si tus artículos tienen un nivel de servicio muy, muy alto. Si tus clientes aún piensan que lo que realmente necesitan es lo que queda por ver, la cuestión es que realmente quieres reducirlo a, diría yo, dólares de desempeño, dólares de error. Me refiero a cosas que se expresan en dólares en lugar de en porcentaje.
Joannes Vermorel: Y un análisis ABC, típicamente, tiende a construir métricas de vanidad en las que se utilizan porcentajes, y se generan porcentajes adicionales sobre esos porcentajes. Y la desconexión con la realidad puede ser muy, muy grande. Y si se suma a eso el hecho de que esas clases ABC también son muy inestables, ya sabes, de una cultura a otra, puedes terminar con la ilusión de que tus métricas son buenas, mientras que en realidad las cosas están cambiando todo el tiempo. Por ejemplo, si tienes un artículo que es de Clase A y sufres un faltante de stock masivo, es probable que este artículo caiga a Clase B muy rápidamente, solo porque la cantidad de unidades vendidas disminuyó a causa del faltante de stock. Pero luego, en términos de estadísticas, se ve bien porque acabas de expulsar de tu Clase A un artículo que estaba teniendo un mal desempeño. Entonces, de repente, ya sabes, solo porque tienes artículos en los que experimentas un faltante de stock masivo, en realidad saldrán de la Clase A por diseño, ya que la Clase A se pondera como el volumen de ventas. Así que, si tienes un faltante de stock masivo en algo que es Clase A, no va a permanecer en la clase. Caerá muy rápidamente a la Clase B.
Kieran Chandler: Entiendo, entonces estás diciendo que si un artículo experimenta un faltante de stock masivo, podría parecer que está funcionando bien según el análisis ABC, ya que se mueve de la Clase A a la Clase B. Pero esto no significa necesariamente que todo esté bien, porque el artículo tuvo un mal desempeño debido al faltante de stock, no porque realmente estuviera funcionando bien.
Joannes Vermorel: Exactamente, en ese caso todo no está bien. Simplemente ocurre que los artículos que tienen un desempeño muy malo están saliendo de tu clase de rápida rotación, pero por todas las razones equivocadas.
Kieran Chandler: De acuerdo, me temo que tendremos que concluir aquí. Pero una gran conclusión de hoy es que el análisis ABC es solo para los muy vanidosos.
Joannes Vermorel: Sí, y no lo hagas.
Kieran Chandler: Genial, eso es todo por esta semana. Muchas gracias por vernos, y nos vemos de nuevo la próxima vez. Adiós por ahora.
