00:00:03 Introduzione all’analisi ABC e radici del principio di Pareto.
00:00:33 Analisi Pareto nei social networks, supply chain.
00:02:03 Il ruolo dell’analisi ABC nella categorizzazione degli inventari.
00:03:14 Uso e abuso dell’analisi ABC nella supply chain.
00:06:05 L’importanza dell’analisi ABC nei sistemi moderni di inventario.
00:08:00 Limitazioni del sistema di inventario ABC.
00:09:00 La mancanza di specificità dell’approccio ABC.
00:11:02 Problemi di stabilità della classificazione ABC e impatto.
00:13:01 Proposta di una gestione inventariale basata sui dati.
00:15:38 Vantaggi delle previsioni per articoli di inventario ad alto volume.
00:18:01 Combinare fattori economici, previsione probabilistica vs. ABC.
00:19:00 Transizione da ABC a un approccio basato sulla teoria dell’informazione.
00:21:39 Critica all’analisi ABC: promozione di vanity metrics.
00:25:17 I pericoli della dipendenza dall’analisi ABC.

Riassunto

Joannes Vermorel, fondatore di Lokad, discute di ABC analysis, una tecnica di inventory management basata sulla regola 80/20 di Pareto. Spiega come essa categorizzi i prodotti in classi in base ai tassi di vendita, con ‘A’ che rappresenta i prodotti di alto valore e a rapida rotazione, e ‘C’ quelli di basso valore e lenta vendita. Vermorel esprime preoccupazioni riguardo alla semplificazione eccessiva del metodo e al suo possibile uso improprio nelle modern supply chains, poiché non riesce a cogliere le sfumature interne alle categorie. Sostiene un approccio più dettagliato e granulare che consideri la sales history individuale di ciascun prodotto e i limiti fisici, avvertendo che l’analisi ABC può portare a metriche fuorvianti e a instabilità a causa delle fluttuazioni della domanda e degli stockouts.

Riassunto Esteso

La conversazione su Lokad TV ruota attorno al concetto di analisi ABC, un approccio di categorizzazione degli inventari radicato nella regola 80/20 di Pareto. Questo metodo categorizza un catalogo in base al valore percepito ed è ampiamente utilizzato nel software ERP e nell’industria della supply chain management.

Joannes Vermorel, fondatore di Lokad, fornisce una spiegazione dettagliata dell’analisi ABC. Nota che la tecnica ha origine dall’analisi di Pareto, la quale sostiene che in fenomeni socialmente costruiti il 20% degli elementi più significativi rappresenta l'80% del totale. Questo principio è osservabile in vari ambiti, come i social networks, la distribuzione della ricchezza e le vendite dei prodotti.

Nel contesto delle supply chain, spiega Vermorel, il 20% dei prodotti più importanti solitamente costituisce l'80% delle vendite. Attribuisce questa intuizione a Vilfredo Pareto, un matematico e ingegnere civile italiano della fine del XIX secolo. Vermorel suggerisce inoltre che l’idea di categorizzazione dell’inventario, anche senza la precisione matematica, potrebbe risalire all’antichità.

Vermorel spiega che l’applicazione pratica dell’analisi ABC per l’inventario prevede la categorizzazione degli SKUs o dei prodotti in classi, tipicamente da tre a cinque. La classe ‘A’ rappresenta gli articoli a rapido movimento, mentre l’ultima classe, ‘D’ o ‘E’, indica quelli a lento movimento. Le classi intermedie mostrano velocità d’inventario variabili. Il risultato è una categorizzazione grossolana che raggruppa prodotti con simili velocità di inventario.

Nonostante la semplicità dell’analisi ABC, essa è ampiamente utilizzata nell’industria della supply chain, sebbene Vermorel suggerisca che venga largamente abusata. Egli sostiene che la categorizzazione è utile quando riflette accuratamente i vincoli fisici dei prodotti. Ad esempio, nell’industria aerospaziale una prima categoria può includere prodotti costosi e riparabili, mentre l’ultima potrebbe includere consumabili non riparabili. Nell’industria alimentare potrebbero essere stabilite categorie separate per alimenti surgelati e alimenti secchi. Tali classificazioni indicano i differenti modi di gestire le merci.

Vermorel descrive come il metodo dell’analisi ABC sia nato per gestire l’inventario senza dover contare ogni articolo. Con questo sistema, diverse categorie di prodotti potevano essere immagazzinate in contenitori di dimensioni differenziate, applicando una semplice regola per riapprovvigionarsi quando il contenitore risultava a metà vuoto. Questo approccio era pratico in un’epoca in cui non esisteva un software per monitorare e gestire l’inventario. Tuttavia, Vermorel sostiene che nell’era digitale attuale, in cui l’inventario può essere tracciato automaticamente, il metodo ABC diventa problematico e obsoleto.

Vermorel sottolinea che il sistema di classificazione ABC è un’approssimazione a bassa risoluzione della storia delle vendite. Non fornisce informazioni aggiuntive oltre a quelle che si possono ricavare da un’analisi dettagliata della storia di vendita di un prodotto. Di conseguenza, le decisioni basate su queste classificazioni potrebbero essere perfezionate e rese più accurate utilizzando i dati reali delle vendite.

Vermorel sottolinea inoltre che il metodo ABC può creare un’illusione di omogeneità all’interno delle categorie. Ogni categoria può contenere centinaia di prodotti, con variazioni significative al loro interno. Ad esempio, l'1% dei prodotti migliori potrebbe avere velocità di vendita dieci volte superiori rispetto al top 10%, e tale granularità si perde con la classificazione ABC.

Vermorel suggerisce un approccio più sfumato, “divide et impera”, alla gestione dell’inventario, che pone maggior enfasi sulla storia di vendita dettagliata di ciascun prodotto. Questo approccio prevede l’assegnazione di un responsabile acquisti per gestire un numero specifico di articoli in base al loro valore o importanza, assicurando così che gli articoli di alto valore ricevano maggiore attenzione.

Vermorel riflette sul processo tradizionale guidato dall’uomo delle supply chain decision che include decisioni relative all’acquisto, alla produzione, al posizionamento dell’inventario, alla liquidazione e alla determinazione dei prezzi. Con l’avvento dei computer, tuttavia, questo processo sta subendo un cambiamento significativo. I computer possono elaborare migliaia di articoli ripetutamente

in un giorno, a seconda di ciò che è più sensato, un compito che gli esseri umani non possono eseguire manualmente.

Vermorel spiega il concetto di service levels in relazione al volume delle vendite. Egli suggerisce che gli articoli con volumi di vendita più elevati generalmente presentino previsioni migliori poiché vendono in modo più costante. Un articolo che vende 100 unità al giorno, ad esempio, probabilmente venderà intorno alle 100 unità il giorno successivo, con una variazione di circa il 10%. Al contrario, gli articoli a basso volume di vendita hanno una domanda più imprevedibile. Potrebbero vendersi solo una volta al mese, ed è difficile prevedere quando avverrà quella vendita.

Per un articolo ad alto volume, mantenere un elevato service level risulta più conveniente. Ciò perché la quantità di inventario richiesta è determinata dal lead time e dalla variabilità della domanda, o “erraticity”. Se un articolo presenta un’alta erraticity, richiede più scorte. Tuttavia, rispetto agli articoli a basso volume, quelli ad alto volume necessitano di meno scorte in relazione alle vendite, risultando così più efficienti nel trasformare valuta in punti aggiuntivi di service level.

Per gli articoli ad alto volume, una previsione probabilistica produrrebbe una previsione relativamente concentrata, riflettendo una bassa incertezza. Al contrario, per gli articoli a lento movimento, la previsione sarebbe più dispersa a causa di una maggiore incertezza. Combinando questa previsione probabilistica con i fattori economici, quali il costo dello stock, il costo di acquisto, i costi di gestione del magazzino e il margine potenziale, si ottiene un service level più preciso che non necessita di una categorizzazione grezza come quella dell’analisi ABC.

Vermorel critica l’analisi ABC come un metodo che consente di evitare del tutto i calcoli, il che era utile nel XIX secolo quando tenere traccia manualmente di migliaia di articoli era un compito arduo. Tuttavia, nel mondo odierno, con l’avvento di computer potenti in grado di eseguire miliardi di operazioni al secondo, tale approccio è superato.

Ci sono due ragioni fondamentali per questo. Innanzitutto, l’analisi ABC spesso porta a vanity metrics, che danno l’illusione di buone prestazioni mentre la realtà potrebbe essere nettamente diversa. In secondo luogo, le classi ABC sono instabili e possono cambiare rapidamente a causa di stockouts o fluttuazioni della domanda. Ad esempio, un articolo che subisce un grave stockout potrebbe passare dalla Classe A alla Classe B, creando l’illusione di un service level migliorato per la Classe A, mentre in realtà si tratta solo di un effetto collaterale di una performance scadente.

Vermorel sostiene un approccio più granulare e adattivo, che considera tante classi quanti sono gli articoli e le possibili storie di vendita. Questo approccio sfrutta la teoria dell’informazione per prendere decisioni migliori basate sulla storia di vendita osservata. In questo contesto, egli sottolinea l’importanza di esprimere le metriche in termini di dollari di performance o di errore, piuttosto che in percentuali, per allinearsi meglio con le realtà economiche della supply chain management.

Trascrizione Completa

Kieran Chandler: Bentornati a Lokad TV. Questa settimana parleremo dell’analisi ABC, un metodo di categorizzazione degli inventari che affonda le sue radici nella regola 80/20 di Perrito. Il metodo funziona suddividendo un catalogo in base al suo valore percepito ed è stato adottato da molti importanti software ERP, oltre che dall’industria della supply chain nel suo complesso. Quindi Joannes, questa è una rapida panoramica dell’analisi ABC, ma magari potresti spiegarcela con un po’ più di dettaglio.

Joannes Vermorel: Sì. Come hai sottolineato, l’analisi ABC trae origine dall’analisi di Perrito, che essenzialmente descrive intere categorie di social networks. L’idea è che il 20% degli elementi più attivi o importanti rappresenti l'80% della massa. Questo è evidente su piattaforme come LinkedIn, dove il top 20% degli utenti probabilmente conta l'80% delle connessioni. Allo stesso modo, il 20% delle persone più ricche probabilmente possiede l'80% della ricchezza. Nel contesto della supply chain, il 20% dei prodotti rappresenta circa l'80% delle vendite. Questo principio fu scoperto da un matematico e ingegnere civile italiano, Pareto, alla fine del XIX secolo. Per quanto riguarda la categorizzazione dell’inventario, questa idea, sebbene priva della precisione matematica, risale probabilmente all’antichità.

Kieran Chandler: Quindi, come funziona realmente l’analisi ABC?

Joannes Vermorel: Il principio fondamentale dell’analisi ABC per l’inventario consiste nel categorizzare i tuoi SKU o prodotti in classi. In genere avrai da tre a cinque classi, partendo dalla classe “A”, dedicata agli articoli a rapido movimento, fino all’ultima classe “D” o “E” per quelli a lento movimento, con classi intermedie che rappresentano le diverse velocità dei tuoi prodotti. Questo processo porta a raggruppamenti relativamente grossolani che raccolgono prodotti con velocità d’inventario simili, indicando quante unità devi produrre o distribuire in un singolo giorno.

Kieran Chandler: Questo metodo è utilizzato quotidianamente dalle aziende? Sembra molto semplicistico.

Joannes Vermorel: È davvero un metodo semplicistico, ma è ampiamente usato e, direi, largamente abusato nel mondo della supply chain. Questa categorizzazione è utile quando i prodotti rispecchiano i vincoli fisici a cui sono sottoposti. Ad esempio, nell’industria aerospaziale si potrebbe avere una prima categoria di prodotti molto costosi e riparabili. Poi prodotti relativamente economici, ma comunque riparabili, e poi consumabili che non si possono riparare. Ogni categoria rappresenta un modo diverso di gestire le merci. Tuttavia, l’analisi ABC non si concentra sugli aspetti fisici dei beni, ma esclusivamente sulla velocità di vendita. L’abuso di cui parlavo è la creazione di categorie ampie definite soltanto in base alle vendite relative.

Kieran Chandler: Puoi spiegare la classificazione tipica dei prodotti? Ho capito che esistono le classi A, B e C. Cosa significa che un prodotto sia un articolo di classe A?

Joannes Vermorel: Certo, un articolo di classe A significa tipicamente che vengono vendute o prodotte, ad esempio, oltre 20 unità al giorno. Questo alto tasso di rotazione lo rende un articolo di classe A. Il sistema di classificazione si basa su una soglia numerica derivante dalla quantità di vendite in un certo periodo, per esempio negli ultimi tre mesi. I criteri esatti variano da azienda ad azienda, ma il concetto centrale è definire una velocità come media su un certo periodo e poi stabilire delle soglie per ciascuna categoria: A, B, C, D, E.

Kieran Chandler: Sembra logico categorizzare i prodotti in questo modo, evidenziandone l’importanza diversa. Ma ho la sensazione che tu non sia completamente d’accordo con questo approccio. Perché non è rilevante?

Joannes Vermorel: Hai ragione, ho alcune riserve. La particolarità dell’analisi ABC sta nel permetterti di gestire l’inventario senza dover contare nulla. Considera la gestione dell’inventario dal punto di vista del XIX secolo. Per gli articoli di classe A si usavano grandi contenitori: se il contenitore risultava a metà vuoto, si effettuava un ordine. Gli articoli di classe B venivano immagazzinati in contenitori più piccoli, mentre quelli di classe C potevano non avere nemmeno un contenitore, ma solo uno scaffale. Quando un articolo veniva consumato, si ordinava un altro. Questi metodi consentivano di gestire l’inventario senza contare nulla, basandosi semplicemente sull’aspetto delle scorte, cosa ottima in assenza di software per la supply chain. Tuttavia, nel mondo di oggi, dove possiamo monitorare e contare automaticamente l’inventario, questo sistema non ha molto senso.

Fondamentalmente, la categorizzazione dell’inventario come ABCD è un’approssimazione a bassa risoluzione di quanto sia necessario produrre o consumare in un certo periodo di tempo. Qualsiasi decisione basata su questa classe potrebbe essere presa in maniera più accurata se si basasse sulla storia reale delle vendite del prodotto. L’errore consiste nel fatto che la classe ABC non aggiunge alcuna informazione supplementare rispetto alla storia grezza della domanda del prodotto.

Kieran Chandler: Quali tipi di problemi possono sorgere dall’utilizzo di questo approccio ABC?

Joannes Vermorel: Ci sono diversi problemi, derivanti principalmente dal fatto che si tratta di un sistema a risoluzione molto bassa. È come avere la capacità di fare calcoli al grammo, ma arrotondare tutto per tonnellate. Innanzitutto, c’è il problema dell’eterogeneità all’interno di una classe. Se hai 2.000 prodotti e crei cinque classi, ogni classe conterrà comunque circa 400 prodotti, e può esserci un’ampia gamma di variazioni all’interno di queste classi. Questo sistema ti dà l’illusione di una specificità, trascurando differenze significative tra i prodotti, specialmente per i best seller, dove probabilmente il tuo top 1% dei prodotti…

Kieran Chandler: Quindi, quando hai il top 10% delle tue vendite, probabilmente opera a velocità di vendita per prodotto dieci volte superiori. Tuttavia, se hai solo cinque categorie, non raggiungerai la granularità necessaria. All’altro estremo, per la long tail, è davvero molto lunga. La tua classe “C”, per esempio, potrebbe contenere articoli che vengono venduti solo una volta al mese, oltre ad articoli che vengono venduti una volta ogni decennio. Sono raggruppati insieme, ma sono molto diversi. L’approccio verso qualcosa necessario una volta ogni decennio e qualcosa richiesto una volta al mese sarebbe completamente differente.

Joannes Vermorel: Inoltre, direi che il problema totale di una classificazione molto grezza è che tende a essere instabile nel tempo. Abbiamo sperimentato con diversi clienti e abbiamo notato tipicamente che tra un terzo e la metà dei prodotti cambiano classe da un periodo all’altro. Quando osservi le vendite di un trimestre, fai la tua analisi ABC, poi guardi i dati di vendita del trimestre successivo e rifai l’analisi ABC, puoi ritrovarti in una situazione in cui il 40% dei prodotti appartiene a una classe diversa. Ciò significa che, solo perché sei passato a un nuovo trimestre, avrai politiche completamente differenti per un dato articolo, semplicemente perché ha cambiato classe. Non ha davvero senso.

Ad esempio, se avessi un articolo che ha subito un calo graduale ma molto lento negli ultimi due anni, perché dovresti decidere che, solo perché hai superato una certa soglia numerica da un giorno all’altro, questo articolo, che ordinavi una volta al mese, ora lo ordinerai solo due volte all’anno? Questo genera effetti molto non lineari, con numerosi divari e prodotti che improvvisamente passano dall’essere ordinati una volta al mese a essere ordinati solo una volta all’anno. È estremamente arbitrario e non riflette l’evoluzione fine della domanda.

Kieran Chandler: Quindi, come puoi affrontare le cose in modo migliore? Se non categorizzi i tuoi prodotti, come fai a garantire di curare quelli che sono veramente i più importanti?

Joannes Vermorel: Sì, qui solitamente si adotta un approccio divide-et-impera che alcuni supply chain managers applicano alla propria supply chain. Potrebbero dire: “Per prestare davvero attenzione ai prodotti che contano di più, avrò un responsabile acquisti che gestisce gli articoli di classe ‘A’, e lui si occuperà di 50 articoli. Se è un manager che gestisce gli articoli di classe ‘B’, questo manager si occuperà di 200 articoli. E se è un manager che gestisce gli articoli di classe ‘C’, questo manager si occuperà di 1.000 articoli.” In questo modo, hai più capacità di concentrazione su ciascuno degli articoli più significativi.

However, questa prospettiva presuppone che tutte le decisioni della supply chain, come quanti prodotti acquistare, quanto produrre, dove posizionare l’inventario, se liquidare l’inventario o come modificare il prezzo, siano guidate da esseri umani che fanno tutto manualmente. Ma la realtà è che, non appena hai dei computer, tutto cambia. Il computer non ha problemi a elaborare migliaia di articoli centinaia o addirittura migliaia di volte al giorno, se questo ha senso.

Quindi, se vuoi garantire un livello di servizio più elevato per i tuoi articoli di classe “A”, ciò che stai realmente dicendo è che, se hai un articolo che vende di più, puoi avere una previsione migliore. Perché? Perché si tratta di un gioco di numeri. È molto più facile prevedere se un articolo viene venduto costantemente a 100 unità al giorno.

Kieran Chandler: Intorno a 100, quella sarà una previsione ragionevolmente buona, magari con una variazione del 10 percento in più o in meno. Se hai un articolo che viene venduto una volta al mese, la previsione più probabile per domani è zero unità. Tuttavia, è molto erratico. Ci possono essere giorni in cui vendi due unità in più.

Joannes Vermorel: In sostanza, c’è una luce in fondo al tunnel. Se hai articoli con un volume maggiore, tendi ad avere un’erraticità inferiore. Questo garantisce un livello di servizio più elevato. Quando parliamo di costi, è più efficiente perché la quantità di inventario che devi tenere è più o meno proporzionale al tuo lead time da un lato, e all’erraticità dall’altro. Se l’erraticità è il doppio, devi avere il doppio delle scorte. Hai bisogno di più scorte per gli articoli che vendono di più, mentre, relativamente, per gli articoli a basso volume di vendita, ti serve molto meno.

Il tuo inventario per articoli ad alto volume e a rapido movimento è più efficiente in termini di trasformare euro o dollari in punti di servizio extra. È per questo che tipicamente finisci con quei raggruppamenti e tutte quelle ricette. Ma, puoi vedere il problema in modo completamente diverso.

Prima di tutto, proporrei di adottare una previsione probabilistica che rifletta in modo nativo l’incertezza. Per gli articoli ad alto volume, otterrai una previsione che è alta, ovviamente, ma anche relativamente concentrata poiché l’incertezza è bassa. Questa previsione probabilistica fornisce una distribuzione che rispecchia le incertezze della domanda futura.

Per gli articoli a lento scorrimento, otterrai una distribuzione di probabilità in cui la media della distribuzione è molto più bassa, perché mediamente hai meno domanda, ma la distribuzione sarà molto dispersa, poiché c’è molta incertezza, molta erraticità.

Kieran Chandler: Quindi, quando dici che vuoi avere un livello di servizio elevato, cosa intendi veramente?

Joannes Vermorel: Quello che stai realmente dicendo è che, per ogni esaurimento delle scorte che incontri, perdi margine. Forse hai una penalità per stock-out, quindi perdi commercio con i tuoi clienti quando si aspettano di trovare qualcosa e non riesci a consegnare i beni che erano stati essenzialmente pubblicizzati.

L’idea è che, se combini il fatto che hai dei driver economici, come il costo delle scorte, i costi di mantenimento, il costo di acquisto, il costo dell’esaurimento delle scorte e il margine che rappresenta il tuo guadagno extra, perché rivenderai i tuoi prodotti a un prezzo superiore al costo, allora il livello di servizio che ottieni è semplicemente una conseguenza della combinazione di questi driver economici con la tua previsione probabilistica della domanda.

La categorizzazione ABC non interviene nemmeno nel calcolo, perché in definitiva la categorizzazione ABC è solo un modo grezzo di stimare la domanda futura o l’erraticità della domanda futura, che ottieni “out of the box” se hai un motore di previsione probabilistica.

Kieran Chandler: Quindi, stai dicendo che è un modo molto grezzo di farlo con l’analisi ABC. La soluzione di Lokad non è forse un tipo di ottimizzazione molto più fine, una sorta di estensione dell’analisi ABC? Qual è la differenza principale?

Joannes Vermorel: La differenza principale è che noi considereremmo semplicemente di avere tante classi quanti sono gli articoli e tante classi quanti sono gli storici di vendita possibili. Se hai una granularità così sottile da avere una classe per ogni situazione, la categorizzazione diventa un po’ priva di senso.

L’approccio di Lokad è pensare in termini di informazione, più nel senso della teoria dell’informazione. Da dove proviene l’informazione per prendere una decisione migliore? Se tutta l’informazione ha origine dalla storia delle vendite osservata, allora un modello di previsione può potenzialmente ricostruire internamente la propria classificazione.

Kieran Chandler: La categorizzazione, se ti può aiutare a capire, però risiede all’interno del modello o del motore di previsione. Tipicamente, dato che è molto granulare, non è così che viene fatto. Non c’è alcun risparmio. L’unico vantaggio dell’analisi ABC è che è una sorta di metodo che ti permette di evitare di fare calcoli del tutto. Questo è ottimo se tutto ciò che hai è una matita, un foglio di carta e migliaia di articoli. Immagina di dover tracciare migliaia di articoli a mano nel XIX secolo - è un incubo. Quindi, era molto importante avere metodi in cui non era necessario fare alcun calcolo, nemmeno un’addizione. È interessante perché questi metodi erano in qualche modo intuitivi e rappresentavano una sorta di approccio stimato.

Joannes Vermorel: Da Lokad, adottiamo un approccio diverso. Il nostro approccio supply chain mira a quantificare le cose al massimo grado possibile. Abbiamo computer incredibilmente veloci che possono eseguire miliardi di addizioni al secondo, quindi la potenza di elaborazione grezza non è una risorsa scarsa. L’analisi ABC è semplicistica, e come hai menzionato, uno dei veri aspetti positivi è che non hai bisogno di penna e carta.

Kieran Chandler: Ma ci devono essere altri vantaggi dell’analisi ABC. Perché le aziende la usano ancora?

Joannes Vermorel: Beh, non ne sono del tutto sicuro. Abbiamo visto molte situazioni in cui ci sono molti benefici percepiti, ma quando si tratta di benefici reali e tangibili, è molto meno chiaro. Le aziende usano l’analisi ABC come una strategia “divide et impera” per distribuire manualmente il carico di lavoro nel processamento degli articoli tra molti operatori della supply chain. Tuttavia, la risposta è: non farlo. È una cattiva idea. Dovresti avere qualcosa che processa uniformemente tutti gli articoli. Se il tuo metodo si basa su una qualche forma di categorizzazione, probabilmente puoi ripensare ai tuoi metodi per eliminarla e utilizzare direttamente la domanda media degli ultimi mesi. Questo, in genere, darà risultati migliori. Non hai bisogno di qualcosa che proceda a grandi incrementi o grandi passi.

Per quanto riguarda il reporting, si tratta di un approccio in cui il management spesso produce metriche di vanità. Le persone sono abituate a dire: “Guarda, caro CEO, siamo così bravi quando osserviamo gli articoli di classe ‘A’, perché i nostri articoli di classe ‘A’ hanno un livello di servizio, diciamo, del 95 percento.”

Kieran Chandler: Ma ancora, questa è una percentuale e non dollari di errore, quindi non importa se il volume delle tue vendite, se i tuoi articoli hanno un livello di servizio molto, molto alto. Se i tuoi clienti pensano ancora che ciò di cui hanno veramente bisogno sia il resto per capirlo, il punto è che devi davvero ridurlo a, direi, dollari di performance, dollari di errore. Intendo cose espresse in dollari piuttosto che in percentuali.

Joannes Vermorel: E un’analisi ABC tende tipicamente a generare metriche di vanità, dove hai percentuali e costruisci percentuali extra sopra quelle percentuali. E la disconnessione con la realtà effettiva può essere molto, molto forte. E se colleghi questo al fatto che quelle classi ABC sono anche molto instabili, sai, da una cultura all’altra, potresti finire con l’illusione che le tue metriche siano buone mentre in realtà le cose cambiano continuamente. Per esempio, se hai un articolo di Classe A e subisci un massiccio stockout, questo articolo molto probabilmente scenderà rapidamente in Classe B, semplicemente perché il numero di unità vendute è diminuito a causa dello stockout. Ma poi, in termini statistici, sembra tutto a posto perché hai appena eliminato dalla Classe A un articolo che stava performando male. Quindi, improvvisamente, sai, solo perché hai articoli in cui si verifica un massiccio stockout, questi usciranno dalla Classe A per design, perché la Classe A pesa come il volume delle vendite. Quindi, se hai un massiccio stockout su un articolo di Classe A, non durerà in quella classe. Scenderà molto rapidamente in Classe B.

Kieran Chandler: Capisco, quindi stai dicendo che se un articolo subisce un massiccio stockout, potrebbe apparire come se performasse bene in base all’analisi ABC, dato che viene spostato dalla Classe A alla Classe B. Ma questo non significa necessariamente che tutto sia a posto, perché l’articolo ha performato male a causa dello stockout, non perché stava realmente andando bene.

Joannes Vermorel: Esattamente, in quel caso non va tutto bene. Hai semplicemente un effetto collaterale in cui gli articoli che performano molto male escono dalla tua classe dei fast mover, ma per tutte le ragioni sbagliate.

Kieran Chandler: Ok, beh, temo che dovremo concludere qui. Ma un grande insegnamento di oggi è che l’analisi ABC è solo per i molto vanitosi.

Joannes Vermorel: Sì, e non farlo.

Kieran Chandler: Fantastico, quindi questo è tutto per questa settimana. Grazie mille per averci seguito, e ci vediamo ancora la prossima volta. Ciao per ora.