ABC XYZ分析（在庫）

ABC XYZ分析は、その前身であるABC分析と同様に、カタログ内で最もパフォーマンスの高い製品を特定し、適切なサービスおよび安全在庫レベルを定めるための分類ツールです。一般的に販売量や収益といった単一の基準にのみ注目するABC分析とは異なり、ABC XYZ分析は第二の次元、つまり需要の不確実性または変動性も定量化しようと試みます。パフォーマンスのスナップショットをわずかに高解像度で提供するかもしれませんが、ABC XYZ分析は依然として基礎となる数学的原理の単純な応用にすぎず、単に官僚主義と不安定性を助長するにとどまります。また、従来のABC分析のすべての制約を引き継ぎつつ、数学的なごまかしによって一層の誤った安心感を与えるとも言えます。

ABC XYZ分析の実施方法

ABC分析は、ある期間にわたってSKUの集合を財務上の重要度に基づいて3つのクラスに分解することを目的としており、これによりサプライチェーン担当者にSKUの財務的重要度の内訳を提供します。それに対し、ABC XYZ分析はさらに一歩進んだ手法です。本手法は、観測期間中の各SKUにおける_需要変動_（すなわち変動性）を理解し、定量化しようと試み、従来のA、B、Cクラスに加えてX、Y、Zのクラスを統合します。言い換えれば、_需要変動_とは、観測期間中に需要がどれだけ変動したかを示す尺度です。これは、非常に高い（または低い）需要が予期せず、または一時的に発生した場合や、SKUの必要数量を予測する上で持続的な_全体的な_困難さを反映している可能性があります。この変動性こそが、X、Y、Zといった区分で捉えようとするものです。

この新たな9カテゴリーの枠組みでは、XクラスのSKUは最も安定しており（需要変動が最も少ない）、Yクラスはやや安定（中程度の需要変動がある）、そしてZクラスは最も不安定（需要変動が最も大きい）とされます。従来のABC分析に基づき、サプライチェーン担当者は時間軸に沿ってSKUを2倍の次元で分析する、より細分化されたカタログの内訳を得ることができます。

この新分類を実施するために、サプライチェーン担当者は従来のABC分析と同じ初期手順（同じ初期ステップ）に従います。この段階が完了すると、次にXYZ分析の段階に進み、以下の要件が求められます：

• 要求される需要変動クラスの数: 通常は3に限定されますが、柔軟に対応可能です。
• 各クラスを分ける閾値: 完全にサプライチェーン担当者の裁量によります。例えば、Xクラスは<=10%、Yクラスは>10-25%、Zクラスは>25%とする場合があります。
• 観測期間中の各SKUの平均値: どのスプレッドシートでも容易に計算できます。
• 各SKUの標準偏差と変動係数: これもまた、どのスプレッドシートでも容易に計算できます。

1年分のデータにおける標準偏差は、通常、任意の月の売上が年間の全体的な月間平均からどれだけ乖離しているかを示します。この情報を得たサプライチェーン担当者は、変動係数（CV）を計算できます。_相対標準偏差_としても知られるCVは、与えられたデータ点が平均からどれだけ離れているかを示すパーセンテージ値であり、ここではSKUの売上の変動度合い（平均と比較して）を表します。このパーセンテージ値は、標準偏差を平均で割ることで求められます。

変動係数が算出されると、サプライチェーン担当者は予め定めた閾値に基づいてSKUをそれぞれのX、Y、Zクラスに分類します。これにより、SKUが収益および需要変動に従って分類された9カテゴリーのマトリックスが作成されます。

図1. ダウンロード可能なエクセルスプレッドシートに掲載されているモデルABC XYZ分析です。明示的な計算については、該当する列内の数式をご参照ください。

エクセルスプレッドシートをダウンロード: abc-xyz-analysis-tool.xlsx

ABCおよびABC XYZにおける数学的視点

純粋な数学的観点から見ると、暗黙的または明示的に、ABC分析とABC XYZ分析の両方は、関数を写し出すことを目的とした無限の定量的尺度である_モーメント_の概念を活用しようと試みています。本件において、関数とは売上データの分布を指し、注目すべきモーメントは最初の2つ、すなわち伝統的なABC分析における_平均_、およびABC XYZ分析における_平均_と_分散_です。ABC分析に関しては、平均という第一のモーメントのみに注目しているため、この手法は移動平均セグメンテーションと呼ぶのがより正確かもしれません。根本的には、需要の不確実性を特定しようとする試みはなされていません。このため、ABC XYZ分析は第二のモーメントである分散を活用してこの不確実性を定量化しようと試みます。これにより、ABC XYZ分析は移動平均-分散セグメンテーション手法により近いものとなります。平均は一般的に理解されている一方で、分散はやや日常的ではありません。要するに、分散は一組の値、ここでは平均月間売上データが集合の平均値からどれほど散らばっているかを示します。ABC XYZ分析は、この追加の数学的ツールを利用して、データセットの変動性に関する、いわゆるより複雑な理解を導き出そうとするのです。これらのツールがどれだけ効果的に適用されるかは、_ABC XYZの限界_で再検討されます。

ABC XYZ分析が在庫方針に与える影響

ABC分析と同様に、教科書的なABC XYZ分析の応用は、サービスレベルおよび安全在庫の目標値の設定に焦点を当てています。この新たなABC XYZマトリックスを使用することで、サプライチェーン担当者は理論上、関心のあるSKUをより的確に視覚化し、収益面の懸念だけでなく需要変動の影響も反映した在庫方針を調整することが可能となります。

安全在庫

ABC XYZ分析の即時の応用例として、より適切な安全在庫目標が挙げられます。AクラスのSKUは当然のごとく最も高い水準が割り当てられますが、ABC分析とは異なり、XYZクラスを用いてAクラス（およびCクラス）の内部を区別しようと試みます。ここに、ABC XYZ分析の支持者が最も効果を発揮すると主張する点があり、以下では4つの極例がこの観点から分析されます。

• AX: これらのSKUは高い収益を生み出し、需要変動が低いです。そのため、サプライチェーン担当者は、他のAクラスSKUよりも低い安全在庫水準で済むと判断し、高いサービスレベル目標を達成する可能性があります。
• AZ: これらのSKUはAXやAYと同等の高収益を生み出す可能性がありますが、需要変動が著しく大きいです。その結果、より高い安全在庫水準が賢明と判断されるかもしれません。
• CX: これらのSKUは利益が低く、需要変動も低いです。安全在庫水準は、AX、AY、AZ、BX、BY、BZと比べて低く設定される可能性が高いです。
• CZ: これらのSKUは利益が低いだけでなく、需要変動が著しく大きいです。サプライチェーンの視点から見ると、これらのSKUは最悪の状況を示しています。このようなSKUは理論上、低い安全在庫水準となり、廃止の候補となり得ます。

一般的な経験則として、ABC XYZ分析は、需要予測が難しくなるにつれて（上記のようにCZ SKUを除いて）、x軸上で進むほどSKUにはより多くの安全在庫が必要であることを示しています。

サービスレベル

直感的には、AクラスSKUのサービスレベルを維持することが最も重要ですが、x軸上で進むにつれて低い水準にする選択も考えられます。例えば、AX SKUは、需要変動が少ないため、AZ SKUよりも高いサービスレベル目標が設定される可能性が高いです。また、y軸下に移動するにつれてサービスレベル目標は一般的に低くなり、合理的な方針として、全9カテゴリー中でCZ SKUが最も低いサービスレベル目標を受けることになるでしょう。

図2. y軸に収益、X軸に需要変動を示したモデルABC XYZマトリックスです。このマトリックスは、収益が減少し需要変動が上昇するに伴い、各区分の潜在的なサービスレベル目標を表示しています。

ABC XYZの限界

カタログに対して（わずかに）より大きな洞察を提供すると主張できるにもかかわらず、ABC XYZ分析はABC分析のすべての制約を引き継ぎつつ、実質的な内容がほとんど伴わない進化の試みです。率直に言えば、これは内容のない革新であり、ABC分析に欠けていた追加の欠点のカテゴリをも生み出していると示唆することも決して過言ではありません。

ABC XYZへの実務的な異議

• 低解像度: ABC分析と同様に、ABC XYZマトリックスの9つのカテゴリーは、上昇や下降傾向（図3の_Harry Potter_や_Tesla_のTシャツ参照）、限られた品揃え（_Suez Canal_のTシャツ参照）、そして季節性（_winter shoes_参照）といった需要パターンを見逃す場合があります。その結果、これらが在庫方針に与える影響は全く予測されません。この制約は、サプライチェーン担当者が各軸に沿ってさらに多くのクラスを恣意的に選択していないことも前提としており、これはアプローチの_レッセフェール_な性質を考えると十分にあり得ることです。

図3. この折れ線グラフは、モデルデータセットにおいてABC XYZ分析が見逃したエッジケースを示しています。例えば、_Harry Potter_および_Tesla_のTシャツは両方ともBYクラスのSKUとして仕上がり、同じサービスレベルと安全在庫目標が設定されることになりましたが、これはSKUが明らかに全く逆の傾向を示している事実を無視しています。

• 不安定性の増加: ABC XYZ分析は、ABC分析によって生み出された恣意的で不安定な分類を拡大します。CZとCY、あるいはBZやBYの間の実際の_ドル差_は、ほとんど無視できるほど小さい場合があり、金融的にほとんど気づかれないかもしれません。さらに、ABC分析と同様に、これらのほとんど知覚できない差異は、選択された時間枠によって変動する可能性があります。例えば、SKUは選択された時間枠（月次、四半期、年間など）を拡大または縮小するだけで、AZとCZの間を行き来することがあります。上述の9つのカテゴリーの選択と同様に、より長いまたは短い時間枠の選択に、大きな意味の差はありません。¹ このような不安定な入力に基づいてサービスレベルや安全在庫目標を設定することは、非常に欠陥があります。

• 官僚主義の増加: 定義上、上記で説明された不安定なカテゴリーは、各カテゴリーごとに異なるポリシーを策定するために経営陣の介入を必要とします。これにより、不必要な官僚主義が一層生み出され、リソースが浪費されることになります。A SKUとB SKUの差が1パーセントポイント（またはほんの数ドル）であるのと同様に、YクラスとZクラスSKU間のCV差もほとんど微小である可能性があります。これらのパラメータは完全に恣意的であり、最終的には委員会によって決定されるため、その出所には疑問が残ります。さらに、SKUは観測期間中に容易に9つのカテゴリー間を移動できる（どこで_締めくくられるかに関わらず）ため、この情報に基づいて恣意的なサービスレベルを設定することは、不要な管理や会議を生むだけでなく、高額なストックアウト事象の発生リスクを高めます。 さらに、これらの恣意的なパラメータ設定に関与するシェフ（関係者）の多くは、むしろほとんどの場合、アプローチを解析するための必要な数学的訓練を欠いており、ましてや数値レシピに有意義に貢献する能力すら持っていません。この批判は_ABC XYZへの理論的異議_で詳述されています。また、分類と官僚主義の増加にもかかわらず、ABC XYZ分析は実際に特定の製品がなぜ予測困難なのか（例：CZ SKU）を特定するものではなく、単にそれらが予測困難であると判定するにとどまり、経営陣はどの安全在庫計算式を恣意的に適用するかを議論する羽目になるのです。

• 財務的視点の欠如: 本質的に、ABC XYZ分析は経済的ドライバーに対する_一次_のアプローチに基づいています。要するに、この考え方はSKUを_直接的_なマージン貢献度、例えば売上高という点でのみ評価します。ABC XYZは需要変動も考慮しているように見えますが、その根幹は依然として各SKUが個別にどれだけ貢献しているかに基づいています。このアプローチは、SKUを_単独_ではなく_組み合わせ_で評価するというニュアンスを欠いており、これは_二次的_なアプローチの特徴です。例えば、CX SKUの価値はAX SKUとの関係で評価されるべきであり、前者が大きな売上に寄与しなくとも、在庫として保持することで後者の販売を促進し、結果的にCXの_間接的_な価値が_直接的_な価値を大きく上回る場合があります。したがって、既に恣意的な分類プロセスは、同様に恣意的な在庫方針の結果をもたらし、これら微妙な経済的要因に全く無頓着です。これにより、本来の価値が十分に発揮されないSKUのストックアウト事象が発生することはほぼ確実です。²

ABC XYZへの理論的異議

一見すると、ABC XYZ分析は、古典的なABC手法の優れた改良版のように思われ、半ば高度な数学的原理が応用されているように見えるため、人々はその魅力に引き寄せられるかもしれません。しかし、この印象は不当であり、ABC XYZが採用するモーメント理論は、実施しようとする暗黙の統計分析が不完全であることから、あまりにも素朴なものです。平均と分散がこの種の数学的解析（つまり、ランダムな需要変数の分布を理解すること）の有効な要素であると言える一方で、他にも_同様に示唆に富む_モーメントが完全に見落とされています。

第三のモーメントである_歪度_はABC XYZ分析には採用されておらず、第四のモーメントである_尖度_も同様です。売上が平均値の周りにどれだけ均等に（または均等でなく）分布しているかは歪度によって測定されます.³ 一方、尖度は、通常分布するデータセットと比較して、その分布がどれだけ「尖っている」または「平ら」であるかを測る指標です。これら両方のモーメントは基礎となるデータに関する有効な洞察を提供するため、頑健な統計分析では標準的に取り入れられるのです.⁴

その結果、ABC XYZ分析における統計調査の有効性は、せいぜい未完成であり、最悪の場合は誤解を招くものとなっています。実際、現代のコンピューティングと統計手法の性質上、調査対象をわずか4つのモーメントに限定する必要はなく、したがってこれらのモーメントを取り入れたとしても、将来理論上のABC XYZのバージョンは、それと比べると依然として力不足であると言えるでしょう。

Lokadの見解

最終的に、ABC XYZ分析は、ABC分析を改善しようとする不必要で誤った試みです。ABC分類の固有の制約を脇に置いても、XYZ計算は、その研究課題がいかに誤解され、選ばれた手法がそれを実行するには不適切であるかを考慮すると、有意義な洞察をもたらすことに失敗しています。

ABC XYZは、予測が困難なSKU（例えば、AZやCZ）のための適切な在庫方針を特定するのに役立つことを目的としていますが、なぜこれらのSKUが予測困難であるかという理由には踏み込んでいません。さらに、SKU同士の相互作用（それらの_間接的な_価値）に関する詳細な視点も提供しておらず、これが微妙なサービスレベルや各在庫水準目標の決定において重要な役割を果たすのです。これらの懸念を無視することで、分析は本質的に暗闇の中を手探りしている状態となっています。

根底にあるツールに関しては、この手法は前身の恣意的なパラメータを倍にし、クラス数を3倍にするだけでなく、部分的な統計知識を組み込んでいます。いかにABC XYZの支持者が善意であっても、この逸脱は無視できません。潜在的な危険性は、XYZ計算が読者に提示する厳密さの表層にあります。動作するコンピューターと機能する脳を持つほぼ誰もでも利用可能なABC分析とは異なり、ABC XYZは、未経験者にとっては非常に高度で印象的に見えるいくつかの統計原理を活用していると主張します。しかしながら、これは自らの重みを支えることのできない流行語のお世辞に過ぎません。売上データの適切な統計分析はモーメントを用いることで可能ですが、それにはABC XYZ分析で見られる以上に洗練されたモーメントの理解が必要です。

要するに、ABC XYZ分析は、一般的なサプライチェーン担当者が利用しやすい状態を維持するために、統計的堅牢性を犠牲にしています。このトレードオフは、不安定さを増幅させ、利用者を本来注目すべき根本的な問題から逸らす結果となっています。そのような手法を乗り越えたビジネスを展開している実務者は、製品グレードのPIRソリューションのデモンストレーションの手配について、ぜひcontact@lokad.comまでメールしてください。これが、ABC XYZが解決しようと試みる問題に対するLokadの回答です。

注釈