ABC分析（在庫）

在庫管理では、ABC分析は、企業にとって最も重要なアイテムに努力とリソースを集中させるための粗いな優先化メカニズムとして使用される在庫の分類方法です。この方法は、アイテムまたはSKUのごく一部が通常ビジネスの大部分を占めるという経験的な観察に基づいています。永続的な在庫システムが一般的になる前、ABC分析は在庫管理に関連する事務作業の量を減らすために使用されました。2000年代以降、この方法は主にデータの可視化方法として使用され、サプライチェーンの実践者の注意を優先的に引くための方法として使用されています。彼らは定期的に在庫管理システム内の補充設定（最小/最大パラメータやサービスレベルなど）を再評価する必要があります。

ABC分析の実施

ABC分析は、アイテム（またはSKU、または製品）にクラスを割り当てる在庫の分類方法であり、通常A、B、Cと呼ばれるクラスが割り当てられます。ここで、A（またはC）は最も頻繁に売れる（または消費される）アイテムに関連するクラスです。3つ以上のクラスがある場合もあります（例：D、E、Fなど）、ただし通常は1桁の数でクラスの数を保持します。

クラスを計算するために、サプライチェーンの実践者はABC分析を特徴付ける一連のパラメータを選択する必要があります：

• クラスの数
• 任意のアイテムの「重み」を測定するための単位
• 測定の歴史的な深さ
• 各クラスのしきい値として使用されるパーセンテージ。

パーセンテージは、重みを測定するために選択した単位と関連しています。これらのパーセンテージは通常、ドルまたは販売された単位で測定される売上高に関連しています。

これらのパラメータの選択に関しては、ガイダンスが提供されることがありますが、基本的には多少任意的なものです。ABC分析は企業内の多様な対象者にアクセス可能であることを意図しているため、パラメータは通常、覚えやすい丸められた数値として選択されます。

たとえば、年間売上高5000万ユーロの10,000枚のTシャツのアソートメントを販売するニッチなeコマースの在庫マネージャーは、次のパラメータでABC分析を実施することを決定します：

• 3つのクラス（A、B、C）
• 各販売単位は「1」としてカウントされます
• 過去3か月間の売上が考慮されます
• しきい値は60％（A）、30％（B）、10％（C）です。

スプレッドシートを使用して、マネージャーは3か月間の販売数量（販売単位で測定）に基づいてすべてのアイテムを降順でランク付けします。その後、しきい値はアイテムの重みの累積シェアに対して使用されます。AクラスはCクラスよりもはるかに少ないアイテムを持つことが期待されます。以下の例では、A/B/Cクラスはそれぞれ4/7/14のアイテムを持っています。

Excelスプレッドシートをダウンロード: abc-analysis.xlsx

上記のExcelスプレッドシートで示されているように、ABC分析は簡単に実行できます。さらに、多くの在庫管理ソフトウェアはABC分析を備えており、実装は比較的簡単なソフトウェアエンジニアリングの一部です。

計量単位は、前述の例のように、すべての販売またはサービス対象のアイテムが類似の価格を持つ傾向がある場合は「個」（つまり販売単位）になります。ただし、一部のアイテムが他のアイテムよりもかなり高価である場合は、通常、購入価格または販売価格に対して重みを付ける方が意味があります。

平均数量が統計的に有意であるためには、履歴の深さは十分に長くする必要があります。通常、クラスは一般的な周期性の倍数（例：1年）を使用するとより安定します。これにより、深さが短い場合には週の曜日効果を中和するために週の整数倍を使用することができます。

しきい値は通常、各クラスが前のクラスの5倍以上のアイテムを持つように調整されます。これにより、少数のクラスでも大きなカタログをカバーすることができます。100個のAクラスから始め、5倍の増加を仮定すると、上記のTシャツ小売業者はカタログ全体をカバーするために4つのクラスが必要です（100x5x5x5 = 12,500）。

パレートの法則とべき乗則

ABC分析は、パレートの法則または80/20の法則として知られる経験的な観察に基づいています。この法則によれば、通常、上位20％のアイテムが売上高の80％を占めます。したがって、このような状況では、在庫のアイテムを興味のある要素に応じてセグメント化することは合理的です。つまり、ABCクラスによって重要度の「大きさ」に基づいて分類します。

より数学的な観点から見ると、ABC分析のような重要度指向の分析は、確率の分布が「ファットテール」を持つ場合に魅力的です。つまり、平均から大きく外れる点が存在することです¹。このような状況は、自然現象や人間の活動の両方で頻繁に発生します。たとえば、以下の分布は通常、ファットテールです：

• 国内の企業の従業員数
• 特定の地域の種のバイオマス（トン）
• ある年の映画の興行収入
• 自動車産業のリコール（台数）
• …

供給チェーンの具体的な場合では、経済的な要因が通常は外れ値の大きさを人為的に制限するため、単純なABC分析によってもたらされる結果があります。たとえば、在庫に戻す商品の場合、最もパフォーマンスの悪い商品は通常、完全にアソートメントから削除されます。したがって、1年に1回しか売れないとされる商品は、その売上レベルに到達する前に会社がその商品の販売を停止したため、観察されません。

供給チェーンの具体的な場合では、経済的な要因が通常は外れ値の大きさを人為的に制限するため、単純なABC分析によってもたらされる結果があります。たとえば、在庫に戻す商品の場合、最もパフォーマンスの悪い商品は通常、完全にアソートメントから削除されます。したがって、1年に1回しか売れないとされる商品は、その売上レベルに到達する前に会社がその商品の販売を停止したため、観察されません。

逆に、商品が非常に売れている場合、会社は色、サイズ、または他の技術的属性のバリエーションを導入することで、全体の売上高をさらに増やす動機を持っています。再び、数千万個のユニットを売るであろう商品は、元の商品の販売を食い止めるバリエーションが導入されたため、観察されない場合があります。

ABC分析に基づく一般的な手法

ABC分析は、仕入れに関連する意思決定をサポートするために使用されます。ABC分析に基づく手法が「良い手法」と見なされるかどうかは議論の余地がありますが（ABC分析の制約に関する以下のセクションを参照）、次のような手法が広く行われています。

• アイテムのクラスに基づいてサービスレベルを割り当てる - 最初のクラスが最も高い目標を持ち、最後のクラスが最も低い目標を持つ。
• 各クラスに均等な人員（注意）を割り当てる - たとえば、サプライチェーンの専門家はAクラス（100アイテム）を1時間レビューし、次にDクラス（10,000アイテム）を1時間レビューします。
• すべてのKPIをクラスごとにセグメント化し、同様にクラスに基づいてダッシュボードやレポートをセグメント化する。
• ABCクラス自体に依存するルールに基づいて、サプライチェーンチームのパフォーマンスレビューを行う。

実際には、ABCクラスは簡単に作成および維持できるため、これらのクラスは通常、在庫関連の分析を洗練する直感的な方法として会社のサプライチェーンの実践に溶け込んでしまいます。

歴史的な資材管理の視点

歴史的に、ABC分析は在庫に関連する事務処理の負荷を最小限に抑えることを目的とした資材管理の視点から生まれました。各アイテムのクラスには、それぞれ固有のプロセスがあります：

• “Aアイテム"は非常に厳密な制御と正確な記録が必要です。
• “Bアイテム"はより緩やかな制御と正確な記録が必要です。
• “Cアイテム"は可能な限り簡単な制御と最小限の記録が必要です。

実際には、70年代以前は、在庫記録は書記によって手動で本に書かれなければなりませんでしたが、これは遅くて高価でした。したがって、ほとんどの場合、在庫の管理方法は、カンバンのように、どのような種類の記録も必要としない在庫管理方法を採用する方が効率的でした。

しかし、低コストの永久在庫システムとバーコードリーダーの登場により、この慣行は徐々に廃れてきました。実際、（デジタルの）記録のない在庫移動に伴うリスク（盗難など）は、通常、それらの記録の事務的なコストをはるかに上回っています。したがって、重要性に関係なく、すべてのアイテムは厳密な制御と正確な記録、つまりAアイテムの扱いを受けることができます。

ただし、ほとんどの企業は、追跡が必要な処理および販売される在庫アイテムと、そうでない一般的な消耗品（例：オフィス用品）を区別しています。

興味深いことに、多くの情報源は、この歴史的な視点をABC分析の中核的な動機として指摘していますが、この慣行は2000年代初頭以降、ほとんどの中小および大企業のプロセスから実質的に消えています。

ABC分析の限界

ABC分析は、粗い在庫の分類方法であり、多くの制約があります。これらの制約は、ストックアウト、在庫過剰、信頼性の低下、生産性の低下など、多くの既存のサプライチェーンの問題を悪化させる傾向があります。

不安定性。上記の例で示されているような「合理的な」パラメータを使用する場合、ABC分析は、多くの業界で毎四半期においてアイテムの四半期ごとにカテゴリが変わることがよくあります。さらに悪いことに、ABC分析の安定性を評価することは、ABC分析自体を実行するよりも複雑であるため、ほとんどの企業はこの問題にさえ気づいていません。これらの不安定要素により、ABC分類に基づいて実施される多くの是正措置の多くが誤ったアイテムに提供されることになります。

静的な視点。ABC分析は、製品の導入などの基本的な需要パターンとは相容れません。新しく導入されたアイテムは、その販売量が観察されるまで低いボリュームを持っています。新規性の効果を緩和することは可能ですが、季節性などの他のパターンはプロセスを複雑にします。たとえば、10月には、6ヶ月前に導入されたおもちゃはCアイテムとして分類されますが、クリスマスの販売が迫っています。ABC分析は需要の静的な視点であり、需要が静的でない場合には在庫の非効率性を生じさせます。

低い有意性。統計的な指標として、需要履歴から抽出された情報量とABCクラスを通じてパックされた情報量は非常に低いです。たとえば、「昨年の総販売数量」という単純な指標でも、そのアイテムのABCクラスよりも多くの情報を持っている傾向があります。さらに、歴史的な在庫データに対して任意のタスクを実行する統計モデルは、必要に応じてABC分析を内部的に再実装することができますが、実際にはそうではありません。

バイクシェッディング。ABC分析は、パラメータの任意の選択を伴います。ABC分析には明らかな欠点があります（上記参照）。そのため、これらの欠点を緩和するために通常はさらに多くのパラメータが導入されます。そして、ABC分析は理解しやすいため、多くの人々がこれらのパラメータの選択に関与する必要を感じ、または独自のバリエーションを要求することになります。その結果、ABC分析は、迅速かつ簡単な方法の名目の下で、具体的な結果をもたらさないリソースを消費する官僚的な作業になることが通常です。

盲目性。頻度は経済的な重要性と同等ではありません。ABC分析は、製品の重要性を使用頻度や収益に基づいて評価します。しかし、多くの場合、頻繁に消費されないまたは価値のあるアイテムの利用できないことは、最も壊滅的な結果をもたらす可能性があり、高い在庫レベルと重要性がこのアイテムに与えられるべきです。小売業の例としては、顧客を引き付けるために必要ながらほとんど売れないシャイニーアイテムがウィンドウに配置される商品効果があります。製造業や航空業では、まれに使用され、購入の観点からはほとんど価値のない特定の部品が、商業航空機の離陸を妨げる可能性があります。

LokadによるABC分析の考え方

ABC分析は20世紀初頭に導入されましたが、バーコードリーダーが存在せず、在庫追跡方法が高価で信頼性に欠ける時代でした。驚くべきことに、この方法は広く普及している一方で、この方法が解決しようとするほとんどの問題は既に解決されています。私たちのABC分析に対する一般的な見解は次のとおりです：ABC分析ができることは、アイテムの分類ではなく、アイテムのスコアリングなどのより単純な方法の方が優れています。もちろん、これらの「より単純な」方法はコンピューターで実行する必要がありますので、「単純」とは広い文脈によって一部に依存すると言えます。

純粋に報告の観点からすれば、ABC分析は受け入れられるかもしれません。ABCクラスは、カテゴリ内のA/B/Cアイテムの割合を報告することで、製品カテゴリについて迅速な洞察を得るのに役立ちます。ただし、上記で指摘されているように、ABC分析はバイクシェッディングのリスクがあります。したがって、A/B/Cクラスの上にエンジニアリング指標やKPIを慎重に導入することをお勧めします。これらの取り組みは、ほとんどの場合、元々意図された利益をもたらしません。

ノート