00:00:03 ABC分析の紹介とパレートの法則のルーツ。
00:00:33 ソーシャルネットワークやサプライチェーンにおけるパレート分析。
00:02:03 在庫の分類におけるABC分析の役割。
00:03:14 サプライチェーンにおけるABC分析の利用と誤用。
00:06:05 現代の在庫システムにおけるABC分析の関連性。
00:08:00 ABC在庫システムの制約事項。
00:09:00 ABCアプローチの具体性の欠如。
00:11:02 ABC分類の安定性の問題と影響。
00:13:01 データ駆動型の在庫管理提案。
00:15:38 高ボリュームの在庫品に対する予測の利点。
00:18:01 経済的要因と確率的予測とABCの組み合わせ。
00:19:00 ABCから情報理論アプローチへの転換。
00:21:39 ABC分析の批判：虚栄の指標の促進。
00:25:17 ABC分析への依存の危険性。
要約
Lokadの創設者であるJoannes Vermorelは、パレートの80/20の法則に基づくABC分析という在庫管理技術について説明しています。彼は、この方法が製品を販売率に基づいてクラスに分類し、「A」が高価で売れ筋の製品、「C」が低価値で売れ行きの遅い製品を表すと説明しています。Vermorelは、この方法の過度の単純化と現代のサプライチェーンでの潜在的な誤用について懸念を表明し、カテゴリ内の微妙なニュアンスを捉えることができないと指摘しています。彼は、各製品の個別の販売履歴と物理的な制約を考慮した、より詳細で細かいアプローチを提唱し、ABC分析が需要の変動やストックアウトによる指標の誤解や不安定性につながる可能性があると警告しています。
詳細な要約
Lokad TVの話題は、パレートの80/20の法則に根ざしたABC分析の概念について展開しています。この方法は、知覚される価値に基づいてカタログを分類し、ERPソフトウェアや広範なサプライチェーン業界で広く使用されています。
Lokadの創設者であるJoannes Vermorelは、ABC分析について詳細な説明をしています。彼は、この技術がパレート分析から派生しており、社会的に構築された現象では、上位20％の要素が全体の80％を占めるという考え方に基づいていると述べています。この原則は、ソーシャルネットワーク、富の分布、製品販売など、さまざまな分野で観察されています。
サプライチェーンの文脈では、Vermorelは、最も重要な20％の製品が通常売上の80％を占めると説明しています。彼は、この洞察を19世紀末のイタリアの数学者兼土木技師であるヴィルフレド・パレートに帰属しています。Vermorelは、数学的な精度を持たなくても、在庫の分類のアイデアは古代にまで遡るかもしれないとも示唆しています。
Vermorelは、在庫のABC分析の実践的な適用について説明しています。これは、SKUsまたは製品を通常3〜5つのクラスに分類することを含みます。 ‘A’クラスは動きの速いアイテムを表し、最後のクラスである ‘D’または ‘E’は動きの遅いアイテムを示します。その間のクラスは、在庫の速度が異なることを示しています。その結果、似たような在庫速度を持つ製品をグループ化する粗い分類が行われます。
ABC分析の単純さにもかかわらず、Vermorelは、これがサプライチェーン業界で広く使用されている一方で、広く誤用されていると指摘しています。彼は、製品の物理的な制約を正確に反映する場合には、この分類が有益であると主張しています。たとえば、航空宇宙産業では、最初のカテゴリには高価で修理可能な製品が含まれ、最後のカテゴリには修理不可能な消耗品が含まれるかもしれません。食品産業では、冷凍食品と乾燥食品のために別々の処理カテゴリが設定されるかもしれません。これらの分類は、商品の取り扱い方法の異なることを示しています。
Vermorelは、ABC分析法がすべてのアイテムを数えることなく在庫を管理するために生まれたことを説明しています。このシステムを使用すると、異なるカテゴリの製品を異なるサイズのビンに格納し、ビンが半分空になったときに在庫を再注文するという単純なルールが適用されます。在庫を追跡および管理するためのソフトウェアがない時代には、このアプローチは実用的でした。しかし、Vermorelは、在庫を自動的に追跡できる現代のデジタル時代においては、ABC法は問題があり、時代遅れであると主張しています。
Vermorelは、ABC分類システムが売上履歴の低解像度の近似値であることを指摘しています。詳細な売上履歴を詳細に調べることで得られる情報を超えるものは提供しません。そのため、これらの分類に基づく意思決定は、実際の売上データを使用して洗練され、より正確に行われる可能性があります。
Vermorelは、ABC法がカテゴリ内の均質性の錯覚を生み出す可能性があることも指摘しています。各カテゴリには数百の製品が含まれ、これらのカテゴリ内には大きなばらつきがあります。たとえば、トップ1％の製品の売上速度は、トップ10％の製品の売上速度の10倍高い場合があり、この詳細さはABC分類では失われます。
Vermorelは、在庫管理においてより微妙な「分割と征服」アプローチを提案しています。このアプローチでは、個々の製品の詳細な売上履歴により重点を置いています。これにより、商品の価値や重要性に基づいて、購買担当者が特定の数のアイテムを担当するように割り当てられ、高価値のアイテムがより注意を受けるようになります。
Vermorelは、購買、生産、在庫の場所、処分、価格などの伝統的な人間によるサプライチェーンの意思決定プロセスについて考察しています。しかし、コンピュータの登場により、このプロセスは大きな変化を遂げています。コンピュータは、人間が手動で実行することができないタスクに応じて、1日に何千ものアイテムを繰り返し処理することができます。
Vermorelは、売上高と関連してサービスレベルの概念を説明しています。彼は、売上高が高いアイテムほど予測がより良い傾向にあると示唆しています。たとえば、1日あたり100個のアイテムを販売している場合、次の日もおおよそ100個の販売が予想されるでしょう（10％の誤差を含む）。逆に、売上高が低いアイテムは需要が予測しにくいです。それらは月に1回しか販売されず、その販売がいつ行われるかを予測するのは難しいです。
高売上高のアイテムでは、高いサービスレベルを維持する方がコスト効率が良いです。これは、在庫の必要量がリードタイムと需要の変動性、つまり「不規則性」によって決まるからです。アイテムの不規則性が高い場合、より多くの在庫が必要です。しかし、低売上高のアイテムに比べて、高売上高のアイテムは売上高に対して相対的に少ない在庫が必要であり、通貨をサービスレベルの追加ポイントに変換する際に効率的です。
高売上高のアイテムに対しては、確率的予測は比較的集中した予測を示し、不確実性が低いことを反映します。一方、売上が遅いアイテムに対しては、予測は不確実性が高いため、より分散したものになります。この確率的予測を経済ドライバー（在庫のコスト、購買コスト、保有コスト、利益率など）と組み合わせることで、ABC分析のような単純な分類を必要としない、より正確なサービスレベルが得られます。
Vermorelは、ABC分析を計算を回避する方法として批判しています。19世紀には数千のアイテムを手動で追跡することが困難だったため、この方法は有用でした。しかし、現代のパワフルなコンピューターは1秒間に数十億の演算が可能であり、このようなアプローチは時代遅れです。
これには2つの主な理由があります。まず、ABC分析はしばしば虚栄の指標を生み出し、実際のパフォーマンスとは大きく異なる場合があります。また、ABCクラスは在庫切れや需要の変動によって急速に変化することがあります。たとえば、大量の在庫切れを経験したアイテムは、クラスAからクラスBに降格する可能性があり、クラスAのサービスレベルが向上したように見えるかもしれませんが、実際にはパフォーマンスの低下の副産物です。
Vermorelは、より詳細で適応性のあるアプローチを提唱しています。このアプローチでは、アイテムと可能な販売履歴の数だけクラスを考慮します。このアプローチは情報理論を活用して、観測された販売履歴に基づいてより良い意思決定を行います。この文脈では、経済的な現実により適合するように、メトリックをパフォーマンスやエラーのドルで表現することの重要性を強調しています。
フルトランスクリプト
Kieran Chandler: Lokad TVへようこそ。今週は、ABC分析について話します。これは、Perritoの80/20ルールに基づく在庫の分類方法です。この方法は、多くの主要なERPソフトウェアやサプライチェーン業界全体で採用されています。では、Joannesさん、ABC分析についてもう少し詳しく説明していただけますか？
Joannes Vermorel: はい。おっしゃる通り、ABC分析はPerrito分析に基づいています。これは、社会ネットワークのカテゴリ全体を記述するものです。アイデアは、最も活発または重要な20％が全体の80％を占めるというものです。LinkedInのようなプラットフォームでは、トップ20％のユーザーが80％のつながりを持っているでしょう。同様に、最も裕福な20％の人々が富の80％を所有している可能性があります。サプライチェーンの文脈では、トップ20％の製品が売上の約80％を占めます。この原則は、19世紀末にイタリアの数学者兼土木技師であるパレートによって発見されました。在庫の分類に関しては、数学を除いたアイデアはおそらく古代にまでさかのぼるでしょう。
Kieran Chandler: では、ABC分析は実際にどのように機能するのでしょうか？
Joannes Vermorel: 在庫のABC分析における重要な洞察は、SKUまたは製品をクラスに分類することです。通常、‘A’クラスから始まり、最後のクラスである’D’または’E’クラスまで、異なる製品の異なる速度を表す中間のクラスを含めて、3〜5つのクラスがあります。このプロセスにより、似た在庫速度を持つ製品が集まる粗いバケットが作成され、1日にどれだけのユニットを生産または提供する必要があるかが示されます。
Kieran Chandler: この方法は企業が日常的に使用しているのですか？非常に単純化されているように思えますが。
Joannes Vermorel: 確かに単純化されていますが、供給チェーンの世界では広く使用され、濫用されていると言えます。この分類は、製品が製品に対する物理的な制約を反映している場合に役立ちます。たとえば、航空宇宙では、非常に高価で修理可能な製品の最初のカテゴリがあります。次に、比較的安価ですが修理可能な製品があり、修理できない消耗品があります。各カテゴリは、商品の取り扱い方法が異なることを示しています。食品業界では、冷凍食品や乾燥食品に対して異なる処理が行われます。これらの分類は、関与する異なる物理的プロセスを強調しています。ただし、ABC分析自体は、商品の物理的な側面にはあまり関心がありません。売上速度のみに関心があります。先ほど言及した濫用は、相対的な売上によってのみ定義される広範なカテゴリの作成です。
Kieran Chandler: 製品の典型的な分類を説明してもらえますか？A、B、Cのクラスがあると理解していますが、Aアイテムとはどういう意味ですか？
Joannes Vermorel: もちろん、Aアイテムは通常、1日に20個以上の販売または生産があることを意味します。この高い回転率により、Aアイテムとなります。この分類システムは、一定期間（たとえば過去3か月間）の売上高に基づいた数値のカットオフです。具体的な基準は企業によって異なりますが、各カテゴリ（A、B、C、D、E）のためのカットオフを設定するというコアコンセプトがあります。
Kieran Chandler: このように製品を分類することは論理的に思えます。一部の製品を他の製品よりも重要としてマークすることです。しかし、このアプローチに完全に同意していないような気がします。なぜ関連性がないのですか？
Joannes Vermorel: 正しいですね、私はいくつかの懸念を抱いています。このABC分析の興味深い点は、何も数えずに在庫を管理できることです。在庫管理における19世紀の視点を考えてみましょう。Aクラスのアイテムでは、大きなビンを使用します。ビンが半分空になったら、注文を出します。Bクラスのアイテムでは、より小さなビンを使用し、Cクラスのアイテムではビンではなく棚があるかもしれません。消費されたら、別のものを注文します。これらの方法を使用すると、何も数えずに在庫を管理できます。在庫の外観に基づいて注文を行うだけです。これは、供給チェーンを管理するためのソフトウェアがない場合には非常に便利です。ただし、在庫を自動的に追跡および数えることができる現代の世界では、このシステムはあまり意味をなしません。
基本的に、ABCDのような在庫の分類は、一定期間における生産または消費の必要量の低解像度の近似です。このクラスに基づいた意思決定は、製品の実際の販売履歴に基づいて行われた場合よりも正確に行われる可能性があります。誤りは、ABCクラスが製品の生の需要履歴と比べて追加の情報を提供しないことです。
Kieran Chandler: このABCアプローチを使用することでどのような問題が発生する可能性がありますか？
Joannes Vermorel: いくつかの問題がありますが、主に非常に低解像度のシステムであるという事実から派生しています。それは、計算をグラム単位で行う能力があるが、すべてをトン単位で切り上げるようなものです。まず、クラス内の異質性の問題があります。2,000個の製品があり、5つのクラスを作成する場合、各クラスには約400個の製品が含まれ、それらのクラス内には幅広い変動があります。このシステムは、製品間の重要な違いを見落としながら、特にトップセラーの場合、製品間の重要な違いを見落としながら、特にトップセラーの場合、特定性の錯覚を与えます。おそらく、製品の上位1%の製品が含まれているでしょう…
Kieran Chandler: ですので、売上の上位10%を持っている場合、製品ごとの売上速度は10倍高くなる可能性があります。ただし、カテゴリが5つしかない場合、必要な細かさは得られません。スペクトラムの反対側では、ロングテールは非常に長いです。たとえば、‘C’クラスには、月に1回しか売られないアイテムや10年に1回しか売られないアイテムが含まれるかもしれません。それらは一緒に詰められていますが、非常に異なるものです。10年に1回必要なものと月に1回必要なものにアプローチする方法はまったく異なります。
Joannes Vermorel: さらに、非常に粗い分類の全体的な問題は、時間の経過とともに不安定になる傾向があると言えます。いくつかのクライアントで実験を行いましたが、通常、製品の3分の1から半分が次の期間においてクラスが変わることに気付きました。四半期の売上を見てABC分析を行い、次の四半期の売上データを見てABC分析をやり直すと、製品の40%が異なるクラスになる状況になることがあります。つまり、新しい四半期に移行しただけで、クラスが変わったために、特定のアイテムに対して完全に異なる方針を取ることになります。それは実際には意味をなさないですね。
たとえば、過去2年間で徐々にしかし非常にゆっくりと減少していたアイテムがあった場合、なぜある日から次の日にかけてある数値の閾値を超えたというだけで、このアイテムを1か月に1回再注文するだけでなく、年に2回だけ再注文することに決めるのでしょうか？それは非常に非線形な効果をもたらし、ギャップが多く、一度に1か月に1度再注文される製品が一度に1年に1度再注文される製品に急に変わることになります。これは非常に恣意的であり、需要の微細な進化を反映していません。
Kieran Chandler: では、どのようにしてより良い方法で物事に取り組むことができますか？製品を分類しない場合、本当に重要な製品に対処する方法はありますか？
Joannes Vermorel: はい、ここでは、供給チェーンマネージャーの一部が自分自身の供給チェーンに対して持っている分割統治アプローチが一般的です。彼らは、「最も重要な製品に非常に注意を払うために、‘A’クラスのアイテムを管理する購買マネージャーを持ち、そのマネージャーは50個のアイテムを管理します。‘B’クラスのアイテムを管理するマネージャーの場合、このマネージャーは200個のアイテムを扱います。そして、‘C’クラスのアイテムを管理するマネージャーの場合、このマネージャーは1000個のアイテムを管理します。」と言うかもしれません。これにより、最も重要なアイテムごとにより多くの知識を持つことができます。
ただし、この視点では、どれだけ購入するか、どれだけ生産するか、在庫をどこに置くか、在庫を処分するか、価格をどのように動かすかなど、すべての供給チェーンの意思決定が、人間がすべて手動で行うことによって駆動されていると仮定しています。しかし、現実は、コンピュータがあればすべてが変わります。コンピュータは、それが意味をなす場合には、1日に何度も何千回もアイテムを処理することに問題はありません。
ですので、‘A’クラスのアイテムに対してより高いサービスレベルを確保したい場合、本当に言いたいことは、売れているアイテムほど予測が容易であるということです。なぜなら、それは数字のゲームだからです。アイテムが1日あたり100個の安定した売上を上げている場合、予測ははるかに容易です。
キーラン・チャンドラ: おおよそ100個くらいで、それはかなり良い予測になるでしょう。プラスマイナス10パーセントくらいです。一か月に一度しか売れないアイテムがある場合、明日の最も確からしい予測はゼロ個です。それでも、非常に不規則です。追加で2個売れる日もあるかもしれません。
ジョアネス・ヴェルモレル: 要するに、希望が持てるということです。売上が多いアイテムほど、不規則性が低くなります。これにより、より高いサービスレベルが確保されます。コストについて話すと、リードタイムと不規則性に比例して在庫を保持する必要があるため、効率的です。不規則性が2倍大きい場合、在庫を2倍保持する必要があります。売上が多いアイテムにはより多くの在庫が必要ですが、比較的売上が少ないアイテムに比べてはるかに少ない在庫が必要です。
高売上高回転アイテムの在庫は、ユーロやドルをサービスレベルの追加ポイントに効率的に変換することができます。だから通常、それらのバケツやレシピができるわけです。しかし、問題をまったく異なる視点で見ることもできます。
まず、私は不確実性を本来的に反映する確率的な予測の採用を提案します。高売上アイテムの場合、予測はもちろん高くなりますが、不確実性が低いため比較的集中しています。この確率的な予測は、将来の需要に対する不確実性を反映した分布を提供します。
売れ行きの鈍いアイテムの場合、平均的に需要が少ないため、分布の平均値ははるかに低くなりますが、不確実性や不規則性が非常に高くなります。
キーラン・チャンドラ: では、高いサービスレベルを持ちたいと言うと、実際には何を意味しているのですか？
ジョアネス・ヴェルモレル: 実際に言っていることは、在庫切れに直面するたびに利益を失うということです。在庫切れのペナルティがあるかもしれませんので、顧客が何かを見つけることを期待していたのに、実際には商品を提供できない場合、商売が失われます。
アイテムのコスト、在庫保持コスト、購買コスト、在庫切れのコスト、およびマージン（コストを超えて商品を再販すること）などの経済的な要素と、確率的な需要予測を組み合わせることで得られるサービスレベルは、これらの経済的な要素と組み合わせることで得られます。
ABC分類は計算にさえ介入しません。なぜなら、ABC分類は将来の需要や将来の需要の不規則性を推定するための単純な方法に過ぎず、確率的な予測エンジンがあればそれが手に入るからです。
キーラン・チャンドラ: つまり、ABC分析を使った非常に単純な方法でやっていると言っているわけですね。ロカドのソリューションは、ABC分析のより細かい最適化、ABC分析の拡張とも言えるものですか？その違いは何ですか？
ジョアネス・ヴェルモレル: 違いは、アイテムの数だけクラスがあり、可能な販売履歴の数だけクラスがあると考えるということです。クラスが1つの状況ごとに非常に細かい場合、分類はあまり意味をなさなくなります。
ロカドのアプローチは、情報の観点で考えることです。より良い意思決定をするための情報はどこから来るのでしょうか？すべての情報が観測された販売履歴から発生する場合、予測モデルは内部的に自分自身の分類を再構築することができます。
キーラン・チャンドラ: 分類は、見えるようにするためのものですが、予測モデルやエンジンの内部に存在します。通常、非常に細かいため、それが行われる方法ではありません。節約はありません。ABC分析の唯一の利点は、計算を一切行わなくても良いということです。これは、鉛筆と紙、そして何千ものアイテムしか持っていない場合には非常に便利です。19世紀に手作業で何千ものアイテムを追跡することを想像してみてください - それは悪夢です。ですので、計算を一切行わなくても良い方法が必要でした。これらの方法は直感的で、ある種の推定手法を表していました。
ジョアネス・ヴェルモレル: ロカドでは、異なるアプローチを取っています。私たちのサプライチェーンアプローチは、可能な限り物事を数量化することを目指しています。私たちには、1秒間に数十億の加算を行うことができる非常に高速なコンピュータがありますので、生の処理能力は不足していません。ABC分析は単純化されており、あなたが言及したように、ペンと紙は必要ありません。
キーラン・チャンドラ: しかし、ABC分析には他の利点もあるはずです。なぜ企業はまだそれを使用しているのですか？
ジョアネス・ヴェルモレル: それは完全にはわかりません。多くの場合、多くの認識された利点があるという状況を目にしますが、実際の具体的な利点になると、はるかに明確ではありません。企業はABC分析を使用して、多くのサプライチェーンの専門家によるアイテムの手動処理の作業量を分散させるための「分割と征服」戦略として使用しています。しかし、答えは、それをしないことです。それは悪い考えです。すべてのアイテムを均等に処理するものを持つべきです。もし、あなたの方法がある種の分類に依存しているのであれば、数ヶ月間の平均需要を直接使用して、その分類を取り除くことができます。これは通常、より良いパフォーマンスを発揮します。大きな増分や大きなステップを踏む必要はありません。
レポートに関しては、経営陣がしばしば虚栄心の指標を作り出すアプローチです。人々は、「CEOさん、私たちは’A’アイテムを見るととても良いですよ。たとえば、‘A’アイテムのサービスレベルは95パーセントです」と言う習慣に固執しています。
キーラン・チャンドラ: しかし、これはパーセンテージであり、エラーのドルではないので、非常に高いサービスレベルを持つ販売数量、アイテムがあっても問題ありません。クライアントが本当に必要としているのは、残りを見ることです。つまり、パフォーマンスのドル、エラーのドルであるべきです。パーセンテージではなく、ドルで表されるものです。
ジョアネス・ヴェルモレル: そして、ABC分析は、通常、パーセンテージを持つ虚栄心の指標を作成するためのものです。そして、実際の現実との乖離は非常に強い場合があります。そして、それらのABCクラスは非常に不安定です。文化によって異なるため、実際には常に変化しているという錯覚に陥ることができます。たとえば、Class Aのアイテムが大量の在庫切れになった場合、そのアイテムは販売された単位数が減少するため、非常に速くClass Bに移動する可能性があります。しかし、統計的には良いように見えます。なぜなら、悪くパフォーマンスの低いアイテムをClass Aから排除したからです。ですので、大量の在庫切れがあるアイテムがある場合、それらは設計上、販売数量のようにClass Aの重みがあるため、Class Aには長くは留まりません。非常に速くClass Bに落ちるでしょう。
Kieran Chandler: 私はわかりました、つまり、アイテムが大量の在庫切れを経験した場合、ABC分析に基づいて良いパフォーマンスを示しているように見えるかもしれませんが、それは本当に良いパフォーマンスをしているわけではなく、在庫切れのために悪いパフォーマンスをしただけです。
Joannes Vermorel: まさに、その場合は全てがうまくいっているわけではありません。非常に悪い結果を出しているものが、正当な理由ではなく、急速な動きのクラスから出ていくだけです。
Kieran Chandler: そうですね、それでは話を終わらせる必要があります。今日の大きな教訓は、ABC分析は非常に虚栄心の強いものだということです。
Joannes Vermorel: はい、そうしてはいけません。
Kieran Chandler: それでは、今週はこれで全てです。ご視聴いただき、ありがとうございました。また次回お会いしましょう。さようなら。
