Analisi ABC XYZ (Inventario)
L’analisi ABC XYZ, molto simile al suo predecessore ABC analysis, è uno strumento di categorizzazione finalizzato a identificare i prodotti con le migliori performance nel proprio catalogo, in modo da poter determinare adeguati livelli di servizio e scorte di sicurezza. A differenza dell’analisi ABC, che si concentra esclusivamente su un singolo criterio (tipicamente il volume di vendite o il fatturato), l’analisi ABC XYZ tenta anche di quantificare una seconda dimensione (l’incertezza della domanda oppure la sua volatilità). Nonostante fornisca, forse, un’istantanea della performance con una risoluzione leggermente superiore, l’analisi ABC XYZ resta un’applicazione ingenua dei principi matematici sottostanti e serve unicamente ad amplificare la burocrazia e l’instabilità. Conserva inoltre tutte le limitazioni dell’analisi ABC classica, ma si potrebbe sostenere che fornisca una sensazione ancor più marcata di falsa sicurezza attraverso sofismi matematici.

Eseguire un’analisi ABC XYZ
Mentre un’analisi ABC mira a scomporre finanziariamente una serie di SKU in una delle tre classi su un determinato periodo di tempo,1 fornendo così a un operatore della supply chain una ripartizione degli SKU in base alla loro importanza finanziaria, l’analisi ABC XYZ pretende di fare un ulteriore passo avanti. Essa tenta di comprendere e quantificare la varianza della domanda (o volatilità) per ciascun SKU lungo il periodo osservato, e di unire le classiche classi A, B e C con ulteriori classi X, Y e Z. In termini semplici, la varianza della domanda è una misura di quanto la domanda sia cambiata nel corso del periodo osservato. Ciò potrebbe riflettere periodi inaspettati e/o isolati di domanda estremamente alta (o bassa), o una difficoltà complessiva e sostenuta nel prevedere quante unità di un SKU fossero realmente necessarie (o qualsiasi altra ragione per cui la domanda possa essere variata nel tempo). Questa varianza è ciò che le designazioni X, Y e Z intendono catturare.
Sotto questa nuova classificazione a nove categorie, gli SKU di classe X sono i più stabili (presentano la minore varianza della domanda), quelli di classe Y sono relativamente stabili (presentano una varianza moderata della domanda), mentre quelli di classe Z sono i più instabili (presentano la maggiore varianza della domanda). Basandosi sull’analisi ABC classica, un operatore della supply chain riceve una ripartizione apparentemente più sfumata del proprio catalogo lungo il periodo, in cui gli SKU vengono analizzati su un numero doppio di dimensioni.
Per elaborare la nuova classificazione, un operatore della supply chain segue i medesimi passaggi iniziali dell’analisi ABC classica. Una volta completata questa fase, si passa alla parte XYZ dell’analisi, per la quale sono necessari:
- Il numero desiderato di classi di varianza della domanda: solitamente limitato a 3, anche se è flessibile.
- Una soglia per separare ciascuna classe: interamente a discrezione dell’operatore della supply chain. Un esempio potrebbe essere <=10% per la classe X, >10-25% per la classe Y e >25% per la classe Z.
- La media per ogni SKU nel periodo osservato: facilmente calcolabile in qualsiasi foglio di calcolo.
- La deviazione standard e il coefficiente di variazione per ogni SKU: anch’essi facilmente calcolabili in qualsiasi foglio di calcolo.
La deviazione standard, nel contesto di un anno di dati, rappresenta solitamente quanto le vendite di un determinato mese si discostino dalla media mensile complessiva dell’anno. Una volta ottenute queste informazioni, l’operatore della supply chain può calcolare il coefficiente di variazione (CV). Conosciuto anche come deviazione standard relativa, il CV è un valore percentuale che indica quanto un dato si discosti dalla media, il che, in questo caso, rappresenta l’entità della fluttuazione delle vendite per uno SKU nel periodo osservato (rispetto alla media). Questo valore percentuale si ottiene dividendo la deviazione standard per la media.
Una volta calcolato il CV, l’operatore della supply chain classifica gli SKU nelle rispettive classi X, Y e Z in base alle soglie predefinite. Ciò si traduce in una matrice a nove categorie in cui gli SKU sono ordinati in base al fatturato e alla varianza della domanda.

Figura 1. Un modello di analisi ABC XYZ, come presentato nel foglio Excel scaricabile. Per i calcoli espliciti, si prega di consultare le formule nelle colonne rilevanti.
Scarica il foglio Excel: abc-xyz-analysis-tool.xlsx
La prospettiva matematica su ABC e ABC XYZ
Da una prospettiva puramente matematica, sia in modo implicito che esplicito, le analisi ABC e ABC XYZ tentano di sfruttare il concetto di momenti, che rappresenta un insieme infinito di misure quantitative finalizzate a mappare una funzione. Nel contesto attuale, la funzione è una distribuzione dei dati di vendita, e i momenti di interesse sono i primi due: la media per l’analisi ABC tradizionale; la media e la varianza per l’analisi ABC XYZ. In termini di analisi ABC, dato che si concentra solo sul primo momento (la media), sarebbe più corretto definire questo metodo come una segmentazione basata sulla media mobile. Fondamentalmente, non si tenta di identificare l’incertezza della domanda. Per questo motivo, l’analisi ABC XYZ cerca di sfruttare il secondo momento (la varianza) per quantificare questa incertezza. Ciò rende l’analisi ABC XYZ più simile a un metodo di segmentazione basato su media mobile e varianza. A differenza della media, che è ampiamente compresa, la varianza è un concetto un po’ meno colloquiale. In sintesi, essa rappresenta quanto una serie di valori – in questo caso, i dati delle vendite medie mensili – siano dispersi rispetto al valore medio del set. L’analisi ABC XYZ utilizza questo ulteriore strumento matematico per giungere a una comprensione presumibilmente più complessa della variazione di un set di dati. Quanto efficacemente questi strumenti siano applicati verrà esaminato nelle Limitazioni di ABC XYZ.
In che modo l’analisi ABC XYZ informa la politica di inventario
Le applicazioni da manuale dell’analisi ABC XYZ, proprio come l’analisi ABC, ruotano attorno all’assegnazione di obiettivi sia di livello di servizio sia di scorte di sicurezza. Utilizzando la nuova matrice ABC XYZ, un operatore della supply chain può, in teoria, visualizzare meglio gli SKU di interesse e, di conseguenza, modificare le politiche di inventario per riflettere non solo le preoccupazioni legate al fatturato, ma anche le forze della varianza della domanda.
Scorte di sicurezza
Un’applicazione immediata dell’analisi ABC XYZ è il miglioramento degli obiettivi di scorte di sicurezza. Gli SKU di classe A di solito ricevono naturalmente i livelli più elevati, ma, a differenza dell’analisi ABC, si tenta di differenziare tra i membri della classe A (rispetto alla classe C) utilizzando le classi XYZ lungo l’asse x. È qui che i sostenitori dell’analisi ABC XYZ sostengono che l’approccio si distingua maggiormente, e quattro estremi di interesse immediato saranno analizzati di seguito sotto questa prospettiva.
- AX: Questi SKU generano un alto fatturato e presentano una bassa varianza. Di conseguenza, un operatore della supply chain potrebbe decidere che siano necessarie scorte di sicurezza a livelli inferiori rispetto agli altri SKU di classe A, per raggiungere obiettivi di alto livello di servizio.
- AZ: Questi SKU possono generare un fatturato altrettanto elevato come quelli AX e AY, ma presentano una varianza della domanda significativamente maggiore. Di conseguenza, potrebbero essere considerate prudenti scorte di sicurezza a livelli più elevati.
- CX: Questi SKU generano un basso profitto e presentano una bassa varianza. Probabilmente si opterebbe per scorte di sicurezza a livelli bassi (rispetto a AX, AY, AZ, BX, BY e BZ).
- CZ: Questi SKU non solo generano un basso profitto, ma presentano anche livelli elevati di varianza della domanda. Dal punto di vista della supply chain, questi SKU rappresentano il peggiore dei due mondi. Tali SKU, in teoria, avrebbero livelli di scorte di sicurezza bassi e sarebbero candidati principali a eventuali discontinuazioni.
In linea generale, l’analisi ABC XYZ indica che gli SKU richiedono maggiori scorte di sicurezza man mano che ci si sposta lungo l’asse x, in proporzione alla crescente difficoltà di prevedere la domanda (con gli SKU CZ che rappresentano un’eccezione notevole, come descritto sopra).
Livelli di servizio
In modo intuitivo, mantenere elevati livelli di servizio per gli SKU di classe A è di primaria importanza, anche se si potrebbe optare per livelli inferiori man mano che ci si sposta lungo l’asse x. Ad esempio, gli SKU AX probabilmente avranno un obiettivo di livello di servizio superiore rispetto a quelli AZ, data la minore varianza della domanda associata ai primi rispetto ai secondi. Scendendo lungo l’asse y, gli obiettivi di livello di servizio vengono solitamente abbassati e, come ci si potrebbe aspettare, una politica sensata prevederebbe che gli SKU CZ ricevano gli obiettivi di livello di servizio più bassi di tutte le nove categorie.

Figura 2. Una matrice modello ABC XYZ con fatturato sull'asse y e varianza della domanda sull'asse X. Questa matrice mostra i potenziali obiettivi di livello di servizio per ogni designazione, con livelli che si abbassano al diminuire del fatturato e aumentare della varianza della domanda.
Limitazioni dell’ABC XYZ
Nonostante possa fornire (leggermente) una maggiore comprensione del proprio catalogo, l’analisi ABC XYZ rappresenta un tentativo di evoluzione che conserva tutte le limitazioni dell’analisi ABC pur offrendo ben poco in termini di sostanza. In sostanza, si tratta di un’innovazione priva di reale importanza, e non è ingiusto sostenere che inventa persino ulteriori categorie di svantaggi che mancavano all’analisi ABC.
Obiezioni pratiche all’ABC XYZ
- Bassa risoluzione: Così come nell’analisi ABC, le nove categorie di una matrice ABC XYZ non riescono a cogliere schemi di domanda come le tendenze in aumento rispetto a quelle in calo (vedi le magliette di Harry Potter e Tesla in Figura 3), offerte limitate (vedi la maglietta del Canale di Suez) e la stagionalità (vedi le scarpe invernali). Di conseguenza, l’impatto che questi possono avere sulle politiche di inventario risulta completamente inesplorato. Questa limitazione presuppone inoltre che l’operatore della supply chain non abbia arbitrariamente optato per ulteriori classi lungo ciascun asse, il che è del tutto possibile data la natura laissez-faire dell’approccio.

Figura 3. Il grafico a linee dimostra i casi limite che l'analisi ABC XYZ ha mancato nel set di dati modello. Ad esempio, sia le magliette di Harry Potter che quelle di Tesla si sono classificate come SKU di classe BY e avrebbero ricevuto gli stessi obiettivi di livello di servizio e di scorte di sicurezza. Ciò ignora il fatto che gli SKU mostrano tendenze evidentemente in direzioni completamente opposte.
-
Aumenta l’instabilità: L’analisi ABC XYZ estende la categorizzazione arbitraria e instabile creata dall’analisi ABC. La vera differenza in dollari e centesimi tra CZ e CY, o tra BZ e persino BY, potrebbe essere trascurabilmente piccola, se non quasi finanziariamente impercettibile. Non solo, proprio come nell’analisi ABC, queste differenze praticamente impercettibili potrebbero variare a seconda degli orizzonti temporali selezionati. Ad esempio, uno SKU potrebbe oscillare tra AZ e CZ semplicemente espandendo o contraendo il periodo di tempo selezionato (ad es., mensile, trimestrale o annuale). Proprio come nella scelta delle nove categorie descritte sopra, non c’è maggiore o minore senso nel scegliere un orizzonte temporale più grande o più piccolo.2 Di conseguenza, fissare obiettivi di livello di servizio e di scorte di sicurezza basati su tali input instabili è profondamente difettoso.
-
Aumenta la burocrazia: Per definizione, le categorie instabili sopra descritte richiedono l’intervento del management per stabilire politiche distintive per ciascuna di esse. Ciò, purtroppo, si traduce in una maggiore generazione di burocrazia e in un dispendio di risorse. Proprio come la differenza tra uno SKU di classe A e uno di classe B potrebbe essere di un solo punto percentuale (o una manciata di dollari), il differenziale di CV tra gli SKU di classe Y e Z potrebbe essere, al massimo, appena percettibile. Questi parametri sono completamente arbitrari e determinati infine da un comitato, pertanto la loro provenienza è discutibile. Tenendo presente che gli SKU possono facilmente spostarsi tra le nove categorie durante il periodo osservato (indipendentemente da dove possano concluderlo), fissare livelli di servizio arbitrari basati su tali informazioni non solo crea amministrazioni e riunioni inutili, ma aumenta anche la probabilità di costosi eventi di stockout. Inoltre, molti, se non la maggior parte, dei responsabili coinvolti nell’impostare questi parametri arbitrari mancheranno della formazione matematica necessaria per analizzare l’approccio, per non parlare della loro capacità di contribuire in modo significativo alle ricette numeriche. Questa critica viene approfondita nelle Obiezioni teoriche all’ABC XYZ. Va inoltre sottolineato che, nonostante l’aumentata categorizzazione e burocrazia, l’analisi ABC XYZ non identifica in realtà perché certi prodotti siano difficili da prevedere – come gli SKU CZ. Piuttosto, essa si limita a determinare che siano difficili da prevedere, lasciando al management il compito di discutere su quali formule per le scorte di sicurezza applicare arbitrariamente a queste categorizzazioni casuali.
-
Manca la prospettiva finanziaria: Alla base, l’analisi ABC XYZ si fonda su un approccio di primo ordine ai drivers economici. In breve, questo modo di pensare considera gli SKU solo in termini dei loro contributi al margine diretto. Sebbene l’ABC XYZ sembri considerare anche la varianza della domanda, la sua base rimane comunque fondata su quanto ciascun SKU contribuisce in modo individuale e diretto (ad es., entrate). Questo approccio considera gli SKU in isolamento piuttosto che in combinazione. Questa sfumatura è il marchio distintivo di un approccio di secondo ordine, dove il valore di uno SKU CX, per esempio, viene considerato in relazione a uno SKU AX. Sebbene il primo possa non contribuire con entrate significative, averlo in magazzino può facilitare la vendita del secondo, così che il valore indiretto del CX può superare di gran lunga quello diretto. Pertanto, un processo di categorizzazione già arbitrario, che risulta in politiche di inventario altrettanto arbitrarie, è completamente cieco a questi sottili driver economici. Ciò porterà quasi certamente a casi di esaurimento delle scorte per gli SKU il cui vero valore non è stato realizzato.3
Obiezioni teoriche all’ABC XYZ
A prima vista, l’analisi ABC XYZ può sembrare un’iterazione superiore del classico approccio ABC, con le persone forse influenzate dall’apparente applicazione di principi matematici semi-avanzati. Questa impressione, tuttavia, è ingiustificata, poiché l’adozione della teoria dei momenti da parte dell’ABC XYZ è ingenua, dato che l’analisi statistica implicita che si propone di eseguire è incompleta. Pur essendo lecito affermare che la media e la varianza siano parti valide di un’analisi matematica di questo tipo (cioè, comprendere la distribuzione di una variabile casuale della domanda), esistono altri momenti altrettanto istruttivi che vengono completamente trascurati.
Il terzo momento, l’asimmetria, non è presente in un’analisi ABC XYZ, né il quarto, la kurtosi. Quanto in modo uniforme (o meno) le vendite siano distribuite attorno alla media viene misurato dall’asimmetria.4 La kurtosi, nel frattempo, misura quanto la distribuzione sia “concentrata” o “piatta” in confronto a un set di dati distribuiti normalmente. Entrambi questi momenti forniscono intuizioni valide sui dati sottostanti, ed è proprio per questo che un’analisi statistica robusta li includerebbe come prassi standard.5
Di conseguenza, la validità dell’investigazione statistica in un’analisi ABC XYZ è per lo meno incompleta e, al peggio, fuorviante. Infatti, la natura dell’informatica moderna e delle tecniche statistiche è tale da non richiedere di limitare l’ambito a soli quattro momenti, e quindi anche una futura iterazione teorica dell’ABC XYZ che li incorpori sarebbe comunque sotto-potente in confronto.
Il punto di vista di Lokad
L’analisi ABC XYZ è, in ultima analisi, un tentativo inutile e fuorviante di migliorare l’analisi ABC. Mettendo da parte le limitazioni intrinseche della classificazione ABC, i calcoli XYZ non riescono a fornire intuizioni significative, dato quanto la sua domanda di ricerca sia fraintesa e quanto gli strumenti scelti per eseguirla siano inadeguati.
Lo scopo dell’ABC XYZ è aiutare i professionisti a identificare politiche di inventario appropriate per gli SKU difficili da prevedere (ad es., AZ o CZ) senza chiarire perché questi SKU potrebbero essere difficili da prevedere. Inoltre, non fornisce alcuna prospettiva dettagliata su come gli SKU interagiscono (il loro valore indiretto), che gioca un ruolo cruciale nel determinare livelli di servizio sfumati e rispettivi obiettivi di stock. Ignorando queste problematiche, l’analisi si ritrova essenzialmente a cercare nel buio.
In termini di strumenti sottostanti, l’approccio raddoppia i parametri arbitrari del suo predecessore e triplica il numero delle classi, incorporando al contempo una comprensione parziale della statistica. Questa trasgressione non può essere ignorata, per quanto benintenzionati possano essere i sostenitori dell’ABC XYZ. Il pericolo potenziale risiede nella patina di rigore che i calcoli XYZ presentano ai lettori. A differenza dell’analisi ABC, che è accessibile a praticamente chiunque disponga di un computer funzionante e di un cervello operativo, l’ABC XYZ pretende di sfruttare alcuni principi statistici che, per i non iniziati, possono apparire piuttosto avanzati e impressionanti. Questo, tuttavia, è un espediente fatto di parole alla moda che non regge da solo. Un’analisi statistica adeguata dei dati di vendita è possibile utilizzando i momenti, ma richiede una comprensione molto più sofisticata degli stessi rispetto a quella che si trova nell’analisi ABC XYZ.
In fin dei conti, l’analisi ABC XYZ sacrifica la robustezza statistica per rimanere accessibile al praticante generale della supply chain. Tale compromesso si traduce in un processo che amplifica l’instabilità e distoglie gli utenti dalle questioni di fondo. I professionisti le cui aziende hanno superato tali pratiche sono invitati a inviare una email a contact@lokad.com per organizzare una dimostrazione di una soluzione PIR a livello di produzione – la risposta di Lokad ai problemi che l’ABC XYZ tenta di risolvere.
Note
-
Tipicamente, gli SKU di classe A, B e C, dove A rappresenta i più redditizi, C i meno, e B si colloca da qualche parte nel mezzo. Il periodo di riferimento è solitamente un anno solare, ma può variare. ↩︎
-
Certo, esiste un limite minimo di utilità; selezionare i dati di una singola settimana avrebbe quasi nessun valore probatorio. Tuttavia, una volta determinato un set di dati di sufficiente profondità storica (ad esempio, 3 mesi di vendite), non c’è praticamente alcuna obiezione logica al suggerimento che possa essere ampliato di un altro mese. Il risultato di ciò, come accennato sopra, sposterebbe quasi certamente la collocazione di alcuni SKU nella matrice ABC XYZ. Questo sottolinea un altro problema del processo ABC XYZ: una volta raggiunta una massa probatoria di dati, il processo diventa immediatamente vulnerabile a ulteriori tentativi di modifica. Ciò contrasta con l’intento di una categorizzazione: fornire confini robusti e significativi tra le voci. ↩︎
-
Questa è una sintesi molto breve della prospettiva di Lokad e preannuncia la copertura degli stockout come un driver economico cruciale. Entrambi questi concetti sono approfonditi nel nostro tutorial sul riapprovvigionamento inventariale prioritizzato. ↩︎
-
O “SKU-ness” se preferisci. ↩︎
-
Proprio come pi contiene un numero infinito di cifre, una funzione di densità di probabilità ha un numero infinito di momenti di diverso ordine. Tuttavia, nella pratica, generalmente se ne utilizzano solo i primi quattro. ↩︎