00:00:03 Introducción al análisis ABC y las raíces del principio de Pareto.
00:00:33 Análisis de Pareto en redes sociales y cadena de suministro.
00:02:03 El papel del análisis ABC en la categorización de inventario.
00:03:14 Uso y mal uso del análisis ABC en la cadena de suministro.
00:06:05 La relevancia del análisis ABC en los sistemas de inventario modernos.
00:08:00 Limitaciones del sistema de inventario ABC.
00:09:00 Falta de especificidad en el enfoque ABC.
00:11:02 Problemas de estabilidad y impacto en la clasificación ABC.
00:13:01 Propuesta de gestión de inventario basada en datos.
00:15:38 Beneficios de la previsión para artículos de inventario de alto volumen.
00:18:01 Combinación de impulsores económicos, previsión probabilística vs. ABC.
00:19:00 Cambio del enfoque ABC a la teoría de la información.
00:21:39 Crítica al análisis ABC: promoción de métricas vanidosas.
00:25:17 Peligros de depender del 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, donde ‘A’ representa productos de alto valor y alta rotación, y ‘C’ representa productos de bajo valor y baja rotación. Vermorel expresa preocupaciones sobre la simplificación excesiva del método y su posible mal uso en las cadenas de suministro modernas, ya que no captura los matices dentro de las categorías. Aboga por un enfoque más detallado y granular que considere el historial de ventas y las limitaciones físicas de cada producto, advirtiendo que el análisis ABC puede llevar a métricas engañosas e inestabilidad debido a las fluctuaciones de la demanda y los faltantes de stock (stockouts).
Resumen Extendido
La conversación en Lokad TV gira en torno al concepto de análisis ABC, un enfoque de categorización de inventario basado en la regla 80/20 de Pareto. Este método categoriza un catálogo según el valor percibido y se utiliza ampliamente en software de ERP y en la industria de gestión de la cadena de suministro.
Joannes Vermorel, fundador de Lokad, brinda 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% superior de los elementos más significativos representa el 80% del total. Este principio se observa en diversas áreas, como las redes sociales, la distribución de la riqueza y las ventas de productos.
En el contexto de las cadenas de suministro, Vermorel explica que el 20% de los productos más importantes suelen representar el 80% de las ventas. Atribuye esta idea a Vilfredo Pareto, un matemático y ingeniero civil italiano de finales del siglo XIX. Vermorel también sugiere que la idea de categorización de inventario, incluso sin la precisión matemática, podría remontarse a la antigüedad.
Vermorel explica que la aplicación práctica del análisis ABC para el inventario implica categorizar SKUs o productos en clases, generalmente de tres a cinco. La clase ‘A’ representa los artículos de movimiento rápido, mientras que la última clase, ‘D’ o ‘E’, denota los artículos de movimiento lento. Las clases intermedias exhiben velocidades de inventario variables. 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 la cadena de suministro, aunque Vermorel sugiere que también se utiliza de manera incorrecta. La categorización, argumenta, es beneficiosa cuando refleja con precisión las limitaciones físicas de los productos. Por ejemplo, en la industria aeroespacial, una primera categoría puede incluir productos costosos y reparables, mientras que la última categoría puede incluir consumibles irreparables. En la industria alimentaria, se pueden establecer categorías de procesamiento separadas para alimentos congelados y alimentos secos. Estas clasificaciones denotan los diferentes métodos de manipulación de mercancías.
Vermorel describe cómo el método de análisis ABC se originó para gestionar el inventario sin tener que contar cada artículo. Con este sistema, diferentes categorías de productos podían almacenarse en contenedores de diferentes tamaños, con una regla simple para reordenar el stock cuando el contenedor llega a la mitad vacío. Este enfoque era práctico cuando no existía software para rastrear y gestionar el inventario. Sin embargo, Vermorel argumenta que en la era digital actual, cuando el inventario se puede rastrear automáticamente, el método ABC se vuelve problemático y obsoleto.
Vermorel señala que el sistema de clasificación ABC es una aproximación de baja resolución del historial de ventas. No proporciona ninguna información adicional más allá de lo que se podría obtener al examinar detalladamente el historial de ventas de un producto. Como tal, las decisiones basadas en estas clasificaciones podrían refinarse y hacerse más precisas utilizando 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 categorías. Por ejemplo, el 1% superior de los productos podría tener velocidades de venta diez veces más altas que el 10% superior, y esta granularidad se pierde con la clasificación ABC.
Vermorel sugiere un enfoque más matizado de “dividir y conquistar” para la gestión de inventario, que pone más énfasis en el historial detallado de ventas de productos individuales. Este enfoque implica asignar a un gerente de compras 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 la cadena de suministro, 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 sea más sensato, lo cual es una 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 pronóstico mejor porque se venden de manera más consistente. Por ejemplo, un artículo que vende 100 unidades por día probablemente venderá alrededor de 100 unidades al día siguiente, con una variación 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 predecir 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 requerido se determina por el tiempo de entrega y la variabilidad de la demanda, o “erraticidad”. Si un artículo tiene una alta erraticidad, requiere más stock. Sin embargo, en comparación con los artículos de bajo volumen, los artículos de alto volumen requieren menos stock en relación con su volumen de ventas, lo que los hace más eficientes en la transformación de la moneda en puntos adicionales de nivel de servicio.
Para artículos de alto volumen, un pronóstico probabilístico produciría un pronóstico relativamente concentrado, reflejando una baja incertidumbre. En cambio, para artículos de movimiento lento, el pronóstico sería más disperso debido a una mayor incertidumbre. Combinar este pronóstico probabilístico con impulsores económicos, como el costo del stock, el costo de compra, los costos de mantenimiento y el margen potencial, resulta en un nivel de servicio más preciso que no necesita una categorización “cruda” como el análisis ABC.
Vermorel critica el análisis ABC como un método que permite evitar cálculos por completo, lo cual fue útil en el siglo XIX cuando llevar un registro manual de miles de artículos era una tarea desalentadora. Sin embargo, en el mundo actual, con la llegada de potentes computadoras capaces de realizar miles de millones de operaciones por segundo, este enfoque está desactualizado.
Hay dos razones clave para esto. En primer lugar, el análisis ABC a menudo conduce a métricas vanidosas, que dan una ilusión de buen rendimiento mientras que la realidad puede ser muy diferente. En segundo lugar, las clases ABC son inestables y pueden cambiar rápidamente debido a faltantes de stock o fluctuaciones en la demanda. Por ejemplo, un artículo que sufre un gran 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 de un mal rendimiento.
Vermorel aboga por un enfoque más granular y adaptativo, que considere tantas clases como artículos y posibles historiales de ventas. Este enfoque aprovecha la teoría de la información para tomar mejores decisiones basadas en el historial de ventas observado. En este contexto, enfatiza la importancia de expresar las métricas en términos de dólares de rendimiento o error, en lugar de en porcentajes, para alinearse mejor con las realidades económicas de la gestión de la cadena de suministro.
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 en función de su valor percibido y ha sido adoptado por muchos software de ERP importantes, así como por toda la industria de la cadena de suministro. Entonces, Joannes, esa es una descripción general rápida del análisis ABC, pero tal vez puedas explicárnoslo con un poco más de detalle.
Joannes Vermorel: Sí. Como señalaste, el análisis ABC tiene sus raíces en el análisis de Perrito, que describe categorías enteras de 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 es probable que el 20% superior de los usuarios tenga 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 la cadena de suministro, 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 fines del siglo XIX. En cuanto a la categorización del inventario, esta idea, aunque sin las matemáticas, 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 SKU o productos en clases. Típicamente tendrás tres a cinco clases, desde la clase ‘A’, que está dedicada a los productos de movimiento rápido, hasta la última clase ‘D’ o ‘E’ para los productos de movimiento lento, con clases intermedias que representan diferentes velocidades para tus diferentes productos. Este proceso resulta en grupos relativamente gruesos 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 regularmente por las empresas a diario? Parece muy simplista.
Joannes Vermorel: De hecho, es simplista, pero se utiliza ampliamente, y diría que se abusa ampliamente en el mundo de la cadena de suministro. Esta categorización ayuda cuando tus productos reflejan las limitaciones físicas que tienes en tus productos. Por ejemplo, en la industria aeroespacial, tendrías una primera categoría de productos muy caros y reparables. Luego tendrías productos relativamente baratos pero aún reparables, y luego hay consumibles que no puedes reparar. Cada categoría representa diferentes formas de manejar los bienes. En la industria alimentaria, tendrías diferentes procesamientos para alimentos congelados o alimentos secos. Estas categorizaciones resaltan los distintos procesos físicos involucrados. Sin embargo, el análisis ABC en sí no se preocupa realmente por los aspectos físicos de los bienes, sino solo por la velocidad de ventas. El abuso al que me referí anteriormente es la creación de categorías amplias definidas únicamente por 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 tienes, digamos, más de 20 unidades por día que se venden o se producen. Esta alta rotación lo convierte en un artículo A. Este sistema de clasificación es un corte numérico basado en la cantidad de ventas en un cierto período de tiempo, digamos los últimos tres meses. Los criterios exactos varían de una empresa a otra, pero el concepto principal es que defines una velocidad como un promedio en un cierto período de tiempo y luego estableces límites 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: Tienes razón, tengo algunas reservas. Lo interesante de este análisis ABC es que te permite gestionar tu inventario sin tener que contar nada en absoluto. Tomemos una perspectiva del siglo XIX sobre la gestión de inventario. Para los artículos de Clase A, usarías contenedores grandes. Si el contenedor parece medio vacío, haces un pedido. Los artículos de Clase B usarían contenedores más pequeños, y los artículos de Clase C podrían no tener ni siquiera un contenedor, solo un estante. Cuando uno se consume, haces otro pedido. Estos métodos te permiten gestionar tu inventario sin contar nada. Simplemente haces un pedido basado en la apariencia de tu inventario, lo cual es genial si no tienes ningún software para gestionar tu cadena de suministro. Sin embargo, en el mundo actual, donde podemos rastrear y contar el inventario automáticamente, 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 hacerse de manera más precisa si se basara en el historial de ventas real del producto. La falacia es que la clase ABC no agrega ninguna información adicional en comparación con el historial de demanda real 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 redondear todo por tonelada. En primer lugar, está el problema de la heterogeneidad dentro de una clase. Si tienes 2,000 productos y creas cinco clases, cada clase aún contendrá alrededor de 400 productos, y puede haber una amplia gama de variación dentro de esas clases. Este sistema te da una ilusión de especificidad mientras pasas por alto diferencias significativas entre productos, especialmente para los productos más vendidos, donde probablemente tu top 1% de productos…
Kieran Chandler: Entonces, cuando tienes el 10% superior de tus ventas, probablemente esté operando a velocidades de venta que son 10 veces más altas por producto. Sin embargo, si solo tienes cinco categorías, no lograrás la granularidad necesaria. En el otro extremo del espectro, para la larga cola, es muy larga de hecho. 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 juntos, pero son muy diferentes. La forma en que abordas algo que se necesita una vez por década y algo que se necesita una vez por mes sería completamente diferente.
Joannes Vermorel: Además, diría que el problema total con una clasificación muy rudimentaria es que tiende a ser inestable con el tiempo. Hemos experimentado con varios clientes y típicamente hemos notado que entre un tercio y la mitad de los productos cambian de clase de un período a otro. Cuando miras las ventas de un trimestre, haces tu análisis ABC, luego miras los datos de ventas para el próximo trimestre y vuelves a hacer tu análisis ABC, puedes terminar en 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, vas a tener políticas completamente diferentes para un determinado artículo solo porque cambió de clase. Realmente no tiene sentido.
Por ejemplo, si tuvieras un artículo que tuvo un declive gradual pero muy lento en los últimos dos años, ¿por qué decidirías que solo porque cruzaste un cierto umbral numérico de un día para otro, este artículo, que estabas reordenando una vez al mes, ahora lo reordenarías solo dos veces al año? Eso te da efectos muy no lineales, con muchas brechas 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 mejor manera? Si no estás categorizando tus productos, ¿cómo te aseguras de que estás cuidando esos productos que son realmente los más importantes?
Joannes Vermorel: Sí, aquí típicamente es un enfoque de dividir y conquistar que algunos gerentes de la cadena de suministro tienen sobre su propia cadena de suministro. Podrían decir: “Para prestar mucha atención a los productos que más importan, tendré un gerente de compras que maneje los artículos de clase ‘A’, y este gerente manejará 50 artículos. Si es un gerente que maneja los artículos de clase ‘B’, este gerente manejará 200 artículos. Y si es un gerente que maneja los artículos de clase ‘C’, este gerente manejará 1000 artículos”. De esta manera, tienes más capacidad cerebral sobre cada uno de los artículos que son más significativos.
Sin embargo, esta perspectiva asume que todas las decisiones de la cadena de suministro, como cuánto comprar, cuánto producir, dónde colocar el inventario, si liquidar el inventario o cómo mover el precio, son impulsadas por humanos que hacen 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 es lo que tiene sentido.
Entonces, si quieres asegurarte de tener un nivel de servicio más alto 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 pronóstico. ¿Por qué? Porque es un juego de números. Es mucho más fácil pronosticar si un artículo se vende de manera constante a 100 unidades al día.
Kieran Chandler: Alrededor de 100, ese será un pronóstico razonablemente bueno, tal vez más o menos un 10 por ciento. Si tienes un artículo que se vende una vez al mes, el pronóstico más probable para mañana es cero unidades. Sin embargo, es muy errático. Puede haber días en los que vendas dos extras.
Joannes Vermorel: La conclusión es que hay un lado positivo. Si tienes artículos con mayor volumen, tiendes a tener una menor erraticidad. Esto asegura un nivel de servicio más alto. Cuando hablamos de costos, es más eficiente porque la cantidad de inventario que necesitas mantener es más o menos proporcional a tu tiempo de espera por un lado y la erraticidad por el otro. Si tienes una erraticidad que es el doble de grande, necesitas tener el doble de stock. Necesitas más stock para los artículos que se venden más, pero comparativamente, en comparación con los artículos que tienen un bajo volumen de ventas, necesitas mucho menos.
Tu inventario para artículos de alto volumen y rápido movimiento es más eficiente en términos de convertir euros o dólares en puntos adicionales 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 pronóstico probabilístico que refleje nativamente la incertidumbre. Para artículos de alto volumen, obtendrás un pronóstico que es alto, obviamente, pero también relativamente concentrado porque tu incertidumbre es baja. Este pronóstico probabilístico proporciona una distribución que refleja las incertidumbres que tendrás sobre la demanda futura.
Para los productos de movimiento lento, obtendrás una distribución de probabilidad donde la media de la distribución es mucho más baja porque en promedio tienes menos demanda, pero la distribución será muy dispersa porque hay mucha incertidumbre, mucha erraticidad.
Kieran Chandler: Entonces, cuando dices que quieres tener un alto nivel de servicio, ¿qué significa realmente eso?
Joannes Vermorel: Lo que realmente estás diciendo es que por cada faltante de stock que enfrentas, pierdes márgenes. Tal vez 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 de faltante de stock y el margen que es tu recompensa adicional, porque vas a revender tus cosas a algo que está más allá de tu costo, entonces el nivel de servicio que obtienes es solo una consecuencia de combinar esos impulsores económicos con tu pronóstico de demanda probabilístico.
La categorización ABC ni siquiera interviene en el cálculo porque en última instancia, la categorización ABC es solo una forma rudimentaria de estimar la demanda futura o la erraticidad de la demanda futura, que obtienes de manera automática si tienes un motor de pronóstico probabilístico.
Kieran Chandler: Entonces, estás diciendo que es una forma muy rudimentaria de hacerlo con el análisis ABC. ¿La solución de Lokad no es simplemente una optimización mucho más detallada, una extensión del análisis ABC? ¿Cuál es la diferencia clave?
Joannes Vermorel: La diferencia clave es que consideraríamos que tenemos tantas clases como tenemos artículos y tantas clases como tenemos historial de ventas posible. Si tienes una granularidad tan fina que tienes una clase por situación, la categorización se vuelve un poco insignificante.
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 proviene del historial de ventas observado, entonces un modelo de pronóstico puede reconstruir internamente su propia clasificación.
Kieran Chandler: Clasificación, si te ayuda a entender, pero se encuentra dentro del modelo o motor de pronóstico. Por lo general, debido a su granularidad, no se hace de esa manera. No hay 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 todo lo 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. Por lo tanto, era muy importante tener métodos en los que no necesitaras hacer ningún cálculo, ni siquiera una suma. Es interesante porque estos métodos eran intuitivos y representaban una especie de enfoque de estimación.
Joannes Vermorel: En Lokad, tomamos un enfoque diferente. Nuestro enfoque de la cadena de suministro tiene como objetivo cuantificar las cosas en la mayor medida posible. Tenemos computadoras increíblemente rápidas que pueden hacer miles 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 un lápiz y papel.
Kieran Chandler: Pero debe haber otros beneficios del análisis ABC. ¿Por qué las empresas siguen usándolo?
Joannes Vermorel: Bueno, no estoy del todo seguro. Hemos visto muchas situaciones en las que hay muchos beneficios percibidos, pero cuando se trata de beneficios reales y tangibles, es mucho menos claro. Las empresas utilizan el análisis ABC como una estrategia de “dividir y conquistar” para distribuir la carga de trabajo de procesar manualmente los artículos entre muchos profesionales de la cadena de suministro. Sin embargo, la respuesta es: no lo hagas. Es una mala idea. Deberías tener algo que procese uniformemente todos los artículos. Si tu método se basa en alguna forma de categorización, es probable que puedas replantear tus métodos para eliminar eso y usar directamente la demanda promedio de los últimos meses. Esto generalmente funcionará mejor. No necesitas algo que pase por grandes incrementos o grandes pasos.
En cuanto a los informes, es un enfoque en el que la dirección a menudo produce métricas vanidosas. Las personas están arraigadas en el hábito de decir: “Mira, querido CEO, somos muy buenos cuando miramos los artículos ‘A’ porque nuestros artículos ‘A’ tienen un nivel de servicio del, digamos, 95 por ciento”.
Kieran Chandler: Pero nuevamente, esto es un porcentaje y no dólares de error, por lo 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 el resto para verlo, lo que realmente quieres es reducirlo a, diría yo, dólares de rendimiento, dólares de error. Me refiero a cosas que se expresan en dólares en lugar de en porcentaje.
Joannes Vermorel: Y un análisis ABC, típicamente, es consciente de construir métricas vanidosas donde tienes porcentajes y construyes porcentajes adicionales encima de tus porcentajes. Y la desconexión con la realidad actual puede ser muy, muy fuerte. Y si a eso le sumas el hecho de que esas clases ABC también son muy inestables, 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 Clase A y sufres un faltante de stock masivo, es probable que este artículo caiga rápidamente en la Clase B simplemente porque la cantidad de unidades vendidas disminuyó debido al faltante de stock. Pero luego, en términos de estadísticas, parece bueno porque acabas de sacar de tu Clase A un artículo que tenía un mal rendimiento. Así que de repente, ya sabes, solo porque tienes artículos donde tienes un faltante de stock masivo, ellos mismos se van a salir de la Clase A por diseño porque la Clase A se pondera según el volumen de ventas. Entonces, si tienes un faltante de stock masivo en algo que es Clase A, no va a durar en la clase. Va a caer muy rápidamente en la Clase B.
Kieran Chandler: Ya veo, entonces estás diciendo que si un artículo experimenta un faltante de stock masivo, puede parecer que está funcionando bien según el análisis ABC, ya que se mueve de la Clase A a la Clase B. Pero esto no necesariamente significa que todo está bien porque el artículo tuvo un mal desempeño debido al faltante de stock, no porque estuviera realmente funcionando bien.
Joannes Vermorel: Exactamente, no todo está bien en ese caso. Solo tienes un efecto secundario donde las cosas que tienen un rendimiento muy malo están saliendo de tu clase de productos de alta rotación, pero por todas las razones equivocadas.
Kieran Chandler: Bueno, me temo que tendremos que terminar aquí. Pero una gran lección 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 la próxima vez. Hasta luego.
