L'analisi ABC non funziona

00:00:03 Introduzione all’analisi ABC e alle radici del principio di Pareto.
00:00:33 Analisi di Pareto nei social network, nella supply chain.
00:02:03 Il ruolo dell’analisi ABC nella categorizzazione delle scorte.
00:03:14 Uso e abuso dell’analisi ABC nella supply chain.
00:06:05 Rilevanza dell’analisi ABC nei moderni sistemi di inventario.
00:08:00 Limitazioni del sistema di inventario ABC.
00:09:00 Mancanza di specificità dell’approccio ABC.
00:11:02 Problemi di stabilità e impatto della classificazione ABC.
00:13:01 Proposta di gestione delle scorte basata sui dati.
00:15:38 Vantaggi della previsione per gli articoli ad alto volume di scorte.
00:18:01 Combinazione di driver economici, previsione probabilistica vs. ABC.
00:19:00 Passaggio dall’ABC all’approccio della teoria dell’informazione.
00:21:39 Critica all’analisi ABC: promozione di metriche di vanità.
00:25:17 Pericoli della dipendenza dall’analisi ABC.

Riassunto

Joannes Vermorel, fondatore di Lokad, discute l’analisi ABC, una tecnica di gestione delle scorte basata sul principio dell'80/20 di Pareto. Spiega come categorizza i prodotti in classi in base alle loro velocità di vendita, con ‘A’ che rappresenta prodotti di alto valore e vendita rapida e ‘C’ che rappresenta prodotti di basso valore e vendita lenta. Vermorel esprime preoccupazioni riguardo alla semplificazione e all’uso improprio del metodo nelle moderne supply chain, poiché non riesce a cogliere le sfumature all’interno delle categorie. Egli sostiene un approccio più dettagliato e granulare che tenga conto della storia delle vendite di ciascun prodotto e dei vincoli fisici, avvertendo che l’analisi ABC può portare a metriche fuorvianti e instabilità a causa delle fluttuazioni della domanda e delle rotture di stock.

Riassunto Esteso

La conversazione su Lokad TV ruota attorno al concetto di analisi ABC, un approccio di categorizzazione delle scorte basato sul principio dell'80/20 di Pareto. Questo metodo categorizza un catalogo in base al valore percepito e trova ampio utilizzo nei software ERP e nell’industria più ampia della gestione della supply chain.

Joannes Vermorel, fondatore di Lokad, fornisce una spiegazione dettagliata dell’analisi ABC. Sottolinea che la tecnica deriva dall’analisi di Pareto, secondo cui nei fenomeni socialmente costruiti, i primi 20% degli elementi più significativi rappresentano l'80% del totale. Questo principio è osservabile in vari ambiti, come i social network, la distribuzione della ricchezza e le vendite di prodotti.

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

Vermorel spiega che l’applicazione pratica dell’analisi ABC per le scorte comporta la categorizzazione degli SKU o dei prodotti in classi, di solito tre o cinque. La classe ‘A’ rappresenta gli articoli ad alta rotazione, mentre l’ultima classe, ‘D’ o ‘E’, indica gli articoli a bassa rotazione. Le classi intermedie mostrano velocità di inventario variabili. Il risultato è una categorizzazione a grana grossa che raggruppa prodotti con velocità di inventario simili.

Nonostante la semplicità dell’analisi ABC, è ampiamente utilizzata nell’industria della supply chain, anche se Vermorel suggerisce che sia anche ampiamente utilizzata in modo errato. La categorizzazione, sostiene, è utile quando riflette accuratamente i vincoli fisici dei prodotti. Ad esempio, nell’industria aerospaziale, una prima categoria potrebbe includere prodotti costosi riparabili, mentre l’ultima categoria potrebbe includere beni di consumo non riparabili. Nell’industria alimentare, potrebbero essere stabilite categorie di lavorazione separate per alimenti surgelati e alimenti secchi. Queste classificazioni indicano i diversi metodi di gestione delle merci.

Vermorel illustra come il metodo di analisi ABC sia nato per gestire le scorte senza dover contare ogni singolo articolo. Utilizzando questo sistema, diverse categorie di prodotti potevano essere conservate in contenitori di diverse dimensioni, con una semplice regola per riordinare le scorte quando il contenitore raggiungeva la metà vuota. Questo approccio era pratico quando non esisteva un software per tracciare e gestire le scorte. Tuttavia, Vermorel sostiene che nell’era digitale di oggi, quando le scorte possono essere tracciate automaticamente, il metodo ABC diventa problematico e obsoleto.

Vermorel fa notare che il sistema di classificazione ABC è un’approssimazione a bassa risoluzione della storia delle vendite. Non fornisce alcuna informazione aggiuntiva rispetto a quanto si potrebbe dedurre da un’analisi dettagliata della storia delle vendite di un prodotto. Pertanto, le decisioni basate su queste classificazioni potrebbero essere affinate e rese più accurate utilizzando dati effettivi sulle vendite.

Vermorel sottolinea anche che il metodo ABC può creare un’illusione di omogeneità all’interno delle categorie. Ogni categoria può contenere centinaia di prodotti e possono esserci variazioni significative all’interno di queste categorie. Ad esempio, l'1% dei prodotti migliori potrebbe avere velocità di vendita dieci volte superiori rispetto al 10% migliore, e questa granularità viene persa con la classificazione ABC.

Vermorel suggerisce un approccio più sfumato e “divide et impera” alla gestione delle scorte, che pone maggiore enfasi sulla storia dettagliata delle vendite dei singoli prodotti. Questo approccio prevede l’assegnazione di un responsabile degli acquisti per gestire un numero specifico di articoli in base al loro valore o importanza, garantendo così che gli articoli di alto valore ricevano maggiore attenzione.

Vermorel riflette sul tradizionale processo decisionale umano nella supply chain, che include decisioni sull’acquisto, sulla produzione, sulla posizione delle scorte, sulla liquidazione e sulla determinazione dei prezzi. Tuttavia, con l’avvento dei computer, questo processo sta subendo un significativo cambiamento. I computer possono elaborare migliaia di articoli ripetutamente

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

Vermorel spiega il concetto di livelli di servizio in relazione al volume delle vendite. Suggerisce che gli articoli con un volume di vendite più elevato hanno generalmente una previsione migliore perché vendono in modo più costante. Ad esempio, un articolo che vende 100 unità al giorno probabilmente venderà circa 100 unità il giorno successivo, con una variazione del 10%. Al contrario, gli articoli con volumi di vendita più bassi hanno una domanda più imprevedibile. Potrebbero vendere solo una volta al mese ed è difficile prevedere quando avverrà quella vendita.

Con un articolo ad alto volume, mantenere un alto livello di servizio è più efficiente in termini di costi. Ciò perché la quantità di scorte richiesta è determinata dal tempo di consegna e dalla variabilità della domanda, o “erraticità”. Se un articolo ha un’alta erraticità, richiede più scorte. Tuttavia, rispetto agli articoli a basso volume, gli articoli ad alto volume richiedono meno scorte in rapporto al loro volume di vendite, rendendoli più efficienti nel trasformare la valuta in punti extra di livello di servizio.

Per gli articoli ad alto volume, una previsione probabilistica fornirebbe una previsione relativamente concentrata, riflettendo una bassa incertezza. Al contrario, per gli articoli a lenta rotazione, la previsione sarebbe più dispersa a causa di una maggiore incertezza. Combinando questa previsione probabilistica con i driver economici, come il costo delle scorte, il costo di acquisto, i costi di gestione delle scorte e il margine potenziale, si ottiene un livello di servizio più preciso che non richiede una categorizzazione grezza come l’analisi ABC.

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

Ci sono due ragioni principali per questo. In primo luogo, l’analisi ABC spesso porta a metriche di vanità, che danno l’illusione di una buona performance mentre la realtà potrebbe essere molto diversa. In secondo luogo, le classi ABC sono instabili e possono cambiare rapidamente a causa di esaurimenti delle scorte o fluttuazioni della domanda. Ad esempio, un articolo che subisce un esaurimento massiccio delle scorte potrebbe passare dalla classe A alla classe B, creando l’illusione di un miglioramento del livello di servizio per la classe A, mentre in realtà è solo un effetto collaterale di una scarsa performance.

Vermorel sostiene un approccio più dettagliato 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 delle vendite osservate. In questo contesto, sottolinea l’importanza di esprimere le metriche in termini di valore economico o errore, anziché in percentuali, per allinearsi meglio alle realtà economiche della gestione della supply chain.

Trascrizione completa

Kieran Chandler: Bentornati a Lokad TV. Questa settimana parleremo dell’analisi ABC, un metodo di categorizzazione delle scorte che ha 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 software ERP e dall’intera industria della supply chain. Quindi Joannes, questa è una panoramica dell’analisi ABC, ma forse potresti spiegarcela in modo un po’ più dettagliato.

Joannes Vermorel: Sì. Come hai sottolineato, l’analisi ABC ha le sue radici nell’analisi di Perrito, che descrive essenzialmente intere categorie di reti sociali. L’idea è che il 20% più attivo o importante rappresenti l'80% della massa. Questo è evidente su piattaforme come LinkedIn, dove il 20% degli utenti più attivi probabilmente ha l'80% delle connessioni. Allo stesso modo, il 20% delle persone più ricche possiede probabilmente l'80% della ricchezza. Nel contesto della supply chain, il 20% dei prodotti più venduti rappresenta circa l'80% delle vendite. Questo principio è stato scoperto da un matematico e ingegnere civile italiano di nome Pareto alla fine del XIX secolo. Per quanto riguarda la categorizzazione delle scorte, questa idea, anche se senza la matematica, risale probabilmente all’antichità.

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

Joannes Vermorel: La chiave dell’analisi ABC per le scorte è la categorizzazione dei tuoi SKU o prodotti in classi. Di solito avrai tre o cinque classi, dalla classe ‘A’, dedicata ai prodotti che si muovono velocemente, all’ultima classe ‘D’ o ‘E’ per i prodotti che si muovono lentamente, con classi intermedie che rappresentano diverse velocità per i tuoi diversi prodotti. Questo processo porta a raggruppi relativamente grossolani che raccolgono prodotti con velocità di inventario simili, indicando quante unità devi produrre o servire in un singolo giorno.

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

Joannes Vermorel: È sicuramente semplicistico, ma è ampiamente utilizzato e direi, ampiamente abusato nel mondo della supply chain. Questa categorizzazione aiuta quando i tuoi prodotti riflettono i vincoli fisici che hai sui tuoi prodotti. Ad esempio, nell’aerospaziale, avresti una prima categoria di prodotti molto costosi e riparabili. Poi avresti prodotti relativamente economici ma comunque riparabili, e infine ci sono i prodotti consumabili che non puoi riparare. Ogni categoria rappresenta diversi modi di gestire le merci. Nell’industria alimentare, avresti diversi processi per il cibo surgelato o il cibo secco. Queste categorizzazioni mettono in evidenza i distinti processi fisici coinvolti. Tuttavia, l’analisi ABC stessa non si preoccupa realmente degli aspetti fisici delle merci, ma solo della velocità di vendita. L’abuso a cui ho fatto riferimento in precedenza è la creazione di categorie ampie definite solo dalle vendite relative.

Kieran Chandler: Puoi spiegare la classificazione tipica dei prodotti? Ho capito che ci sono le classi A, B e C. Cosa significa che un prodotto è un articolo A?

Joannes Vermorel: Certamente, un articolo A significa tipicamente che hai, diciamo, oltre 20 unità al giorno che vengono vendute o prodotte. Questo alto tasso di rotazione lo rende un articolo A. Questo sistema di classificazione è un limite numerico basato sulla quantità di vendite in un certo periodo di tempo, diciamo gli ultimi tre mesi. I criteri esatti variano da un’azienda all’altra, ma il concetto principale è che si definisce una velocità come media su un certo periodo di tempo e quindi si impostano limiti per ogni categoria: A, B, C, D, E.

Kieran Chandler: Sembra logico categorizzare i prodotti in questo modo, contrassegnando alcuni come più importanti di altri. Ma ho l’impressione che tu non sia completamente d’accordo con questo approccio. Perché non è rilevante?

Joannes Vermorel: Hai ragione, ho alcune riserve. La cosa interessante di questa analisi ABC è che ti consente di gestire il tuo inventario senza fare alcun conteggio. Prendiamo una prospettiva del XIX secolo sulla gestione dell’inventario. Per gli articoli di classe A, useresti grandi contenitori. Se il contenitore sembra mezzo vuoto, fai un ordine. Gli articoli di classe B utilizzerebbero contenitori più piccoli e gli articoli di classe C potrebbero non avere nemmeno un contenitore, solo uno scaffale. Quando uno viene consumato, ne ordini un altro. Questi metodi ti consentono di gestire il tuo inventario senza contare nulla. Semplicemente fai un ordine in base all’aspetto del tuo inventario, il che è ottimo se non hai alcun software per gestire la tua supply chain. Tuttavia, nel mondo di oggi, dove possiamo tracciare e contare l’inventario automaticamente, questo sistema non ha molto senso.

Fondamentalmente, la categorizzazione dell’inventario come ABCD è un’approssimazione a bassa risoluzione di quanto è necessario produrre o consumare nel corso del tempo. Qualsiasi decisione basata su questa classe potrebbe essere presa in modo più accurato se fosse basata sulla storia effettiva delle vendite del prodotto. La fallacia è che la classe ABC non aggiunge alcuna informazione aggiuntiva rispetto alla storia della domanda effettiva del prodotto.

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

Joannes Vermorel: Ci sono diversi problemi, principalmente derivanti dal fatto che si tratta di un sistema a bassa risoluzione. È come avere la capacità di fare calcoli al grammo ma arrotondare tutto al tonnellata. In primo luogo, 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 ci può essere una vasta gamma di variazioni all’interno di quelle classi. Questo sistema ti dà un’illusione di specificità mentre trascura differenze significative tra i prodotti, soprattutto per i prodotti più venduti, dove probabilmente il tuo top 1% dei prodotti…

Kieran Chandler: Quindi, quando hai il 10% superiore delle tue vendite, probabilmente sta operando a velocità di vendita che sono 10 volte più alte per prodotto. Tuttavia, se hai solo cinque categorie, non otterrai la necessaria granularità. Dall’altra parte dello spettro, per la coda lunga, è davvero molto lunga. La tua classe ‘C’, ad esempio, potrebbe contenere articoli che vengono venduti solo una volta al mese, così come articoli che vengono venduti solo una volta ogni dieci anni. Sono raggruppati insieme, ma sono molto diversi. Il modo in cui affronti qualcosa di necessario una volta ogni dieci anni e qualcosa di necessario una volta al mese sarebbe completamente diverso.

Joannes Vermorel: Inoltre, direi che il problema totale con una classificazione molto approssimativa è che tende ad 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 guardi le vendite di un trimestre, fai la tua analisi ABC, poi guardi i dati delle vendite per il trimestre successivo e rifai la tua analisi ABC, puoi trovarsi in una situazione in cui il 40% dei prodotti ha una classe diversa. Ciò significa che solo perché sei passato a un nuovo trimestre, avrai politiche completamente diverse per un determinato articolo solo perché ha cambiato classe. Non ha molto senso.

Ad esempio, se avessi un articolo che ha avuto un declino graduale ma molto lento negli ultimi due anni, perché decideresti che solo perché hai superato una certa soglia numerica da un giorno all’altro, questo articolo, che stavi riordinando una volta al mese, ora lo riordineresti solo due volte all’anno? Ciò comporta effetti molto non lineari, con molte lacune e prodotti che improvvisamente passano da essere riordinati una volta al mese a essere riordinati solo una volta all’anno. È estremamente arbitrario e non riflette l’evoluzione dettagliata della domanda.

Kieran Chandler: Quindi, come puoi affrontare le cose in modo migliore? Se non stai categorizzando i tuoi prodotti, come fai a garantire che ti stai occupando dei prodotti più importanti?

Joannes Vermorel: Sì, qui è tipicamente un approccio divide-et-impera che alcuni responsabili della supply chain hanno sulla propria supply chain. Potrebbero dire: “Per prestare molta attenzione ai prodotti che contano di più, avrò un responsabile degli acquisti che gestisce gli articoli di classe ‘A’, e gestirà 50 articoli. Se è un responsabile che gestisce gli articoli di classe ‘B’, questo responsabile si occuperà di 200 articoli. E se è un responsabile che gestisce gli articoli di classe ‘C’, questo responsabile si occuperà di 1000 articoli.” In questo modo, hai più potenza cerebrale su ciascuno degli articoli più significativi.

Tuttavia, questa prospettiva assume che tutte le decisioni sulla supply chain, come quanto acquistare, quanto produrre, dove mettere l’inventario, se liquidare l’inventario o come muovere il prezzo, siano guidate da persone 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 ha senso farlo.

Quindi, se vuoi garantire un livello di servizio più elevato per gli articoli di classe ‘A’, quello che stai realmente dicendo è che se hai un articolo che vende di più, puoi avere una previsione migliore. Perché? Perché è un gioco di numeri. È molto più facile fare una previsione se un articolo viene venduto costantemente a 100 unità al giorno.

Kieran Chandler: Intorno a 100, quella sarà una previsione ragionevolmente buona, forse più o meno il 10 percento. Se hai un articolo che viene venduto una volta al mese, la previsione più probabile per domani è zero unità. Tuttavia, è molto erratico. Potrebbero esserci giorni in cui ne vendi due in più.

Joannes Vermorel: La cosa fondamentale è che c’è un lato positivo. Se hai articoli con un volume maggiore, tendi ad avere una minore erraticità. Ciò garantisce un livello di servizio più elevato. Quando parliamo di costi, è più efficiente perché la quantità di inventario che devi mantenere è più o meno proporzionale al tuo tempo di consegna da un lato e all’erraticità dall’altro. Se hai un’erraticità che è due volte più grande, devi avere il doppio delle scorte. Hai bisogno di più scorte per gli articoli che vendono di più, ma in confronto agli articoli con un basso volume di vendite, ne hai molto meno bisogno.

Il tuo inventario per gli articoli ad alto volume e ad alta rotazione è più efficiente in termini di trasformazione di euro o dollari in punti extra di livello di servizio. Ecco perché tipicamente finisci con quei secchielli e tutte quelle ricette. Ma puoi vedere il problema in modo completamente diverso.

Innanzitutto, proporrei di adottare una previsione probabilistica che rifletta nativamente l’incertezza. Per gli articoli ad alto volume, otterrai una previsione che è alta, ovviamente, ma anche relativamente concentrata perché la tua incertezza è bassa. Questa previsione probabilistica fornisce una distribuzione che riflette le incertezze che avrai sulla domanda futura.

Per gli articoli a lenta rotazione, otterrai una distribuzione di probabilità in cui la media della distribuzione è molto più bassa perché in media hai meno domanda, ma la distribuzione sarà molto ampia perché c’è molta incertezza, molta erraticità.

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

Joannes Vermorel: Quello che stai effettivamente dicendo è che per ogni mancanza di stock che affronti, perdi margini. Forse hai una penalità per la mancanza di stock, quindi perdi commercio con i tuoi clienti quando si aspettano di trovare qualcosa e non puoi consegnare la merce che è stata essenzialmente pubblicizzata.

L’idea è che se combini il fatto di avere driver economici, come il costo dello stock, i costi di gestione, il costo di acquisto, il costo della mancanza di stock e il margine che è la tua ricompensa extra, perché rivenderai le tue cose a qualcosa che va oltre il tuo costo, allora il livello di servizio che ottieni è solo una conseguenza della combinazione di quei driver economici con la tua previsione di domanda probabilistica.

La categorizzazione ABC non interviene nemmeno nel calcolo perché in definitiva, la categorizzazione ABC è solo un modo approssimativo per stimare la domanda futura o l’erraticità della domanda futura, che ottieni direttamente se hai un motore di previsione probabilistica.

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

Joannes Vermorel: La differenza chiave è che consideriamo semplicemente di avere tante classi quante sono le voci e tante classi quante sono le possibili storie di vendita. Se hai una granularità così fine da avere una classe per situazione, la categorizzazione diventa un po’ insignificante.

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 proviene dalla storia delle vendite osservate, allora un modello di previsione può potenzialmente ricostruire internamente la propria classificazione.

Kieran Chandler: La classificazione, se ti aiuta a vedere, ma è all’interno del modello o del motore di previsione. Tipicamente, perché è molto granulare, non è così che viene fatto. Non c’è nessun risparmio. L’unico vantaggio dell’analisi ABC è che è un tipo 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 tracciare a mano migliaia di articoli nel XIX secolo - è un incubo. Quindi, era molto importante avere metodi in cui non era necessario fare calcoli, nemmeno un’addizione. È interessante perché questi metodi erano un po’ intuitivi e rappresentavano una sorta di approccio di stima.

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

Kieran Chandler: Ma ci devono essere altri vantaggi dell’analisi ABC. Perché le aziende continuano a usarla?

Joannes Vermorel: Beh, non 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 utilizzano l’analisi ABC come una strategia di “dividi e conquista” per distribuire il carico di lavoro di elaborazione manuale degli articoli tra molti professionisti della supply chain. Tuttavia, la risposta è: non farlo. È una cattiva idea. Dovresti avere qualcosa che elabori uniformemente tutti gli articoli. Se il tuo metodo si basa su una sorta di categorizzazione, è probabile che tu possa ripensare ai tuoi metodi per rimuoverla e utilizzare direttamente la domanda media degli ultimi mesi. Questo di solito funzionerà meglio. Non hai bisogno di qualcosa che passi attraverso grandi incrementi o grandi passi.

Per quanto riguarda la segnalazione, è un approccio in cui la direzione spesso produce metriche di vanità. Le persone sono radicate nell’abitudine di dire: “Guarda, caro CEO, siamo così bravi quando guardiamo gli articoli ‘A’ perché i nostri articoli ‘A’ hanno un livello di servizio, diciamo, del 95 percento”.

Kieran Chandler: Ma ancora una volta, si tratta di una percentuale e non di dollari di errore, quindi non importa se il tuo volume di vendite, se i tuoi articoli hanno un livello di servizio molto, molto alto. Se i tuoi clienti pensano ancora che ciò di cui hanno davvero bisogno sia il resto da vedere, la cosa importante è che tu voglia davvero ridurlo, direi, a dollari di performance, dollari di errore. Voglio dire cose che sono espresse in dollari anziché in percentuale.

Joannes Vermorel: E un’analisi ABC, di solito è consapevole di costruire metriche di vanità in cui hai percentuali e costruisci percentuali extra sopra le tue percentuali. E lo scollamento con la realtà effettiva può essere molto, molto forte. E se si somma il fatto che queste classi ABC sono anche molto instabili, sai, da una cultura all’altra, puoi finire con l’illusione che le tue metriche siano buone mentre in realtà le cose stanno cambiando tutto il tempo. Ad esempio, se hai un articolo che è di Classe A e subisci una grave mancanza di scorte, questo articolo è probabile che cada rapidamente nella Classe B solo perché la quantità di unità vendute è diminuita a causa della mancanza di scorte. Ma poi, in termini di statistiche, sembra buono perché hai appena eliminato dalla tua Classe A un articolo che stava eseguendo male. Quindi improvvisamente, sai, solo perché hai articoli in cui hai una grave mancanza di scorte, in realtà usciranno dalla Classe A da soli per design perché la Classe A pesa come il volume di vendite. Quindi se hai una grave mancanza di scorte su qualcosa che è di Classe A, non durerà nella classe. Cadrà molto rapidamente nella Classe B.

Kieran Chandler: Capisco, quindi stai dicendo che se un articolo subisce una grave mancanza di scorte, potrebbe sembrare che stia funzionando bene in base all’analisi ABC, poiché viene spostato dalla Classe A alla Classe B. Ma questo non significa necessariamente che tutto vada bene perché l’articolo ha avuto una cattiva performance a causa della mancanza di scorte, non perché stava realmente funzionando bene.

Joannes Vermorel: Esattamente, non tutto va bene in quel caso. Hai solo un effetto collaterale in cui le cose che si comportano molto male escono dalla tua classe di articoli ad alta rotazione, ma per tutte le ragioni sbagliate.

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

Joannes Vermorel: Sì, e non farlo.

Kieran Chandler: Bene, questo è tutto per questa settimana. Grazie mille per aver guardato e ci vediamo la prossima volta. Ciao per ora.