ABC XYZ анализ (Инвентаризация)
ABC XYZ анализ, подобно своему предшественнику ABC анализ, является инструментом категоризации, предназначенным для определения наиболее эффективных товаров в каталоге, чтобы можно было установить соответствующие уровни сервиса и страхового запаса stock levels. В отличие от ABC анализа, который фокусируется исключительно на одном критерии (обычно объеме продаж или выручке), ABC XYZ анализ пытается также количественно оценить второе измерение (неопределенность спроса demand uncertainty или волатильность). Несмотря на то, что он, возможно, предоставляет немного более детализированную картину производительности, ABC XYZ анализ остается наивным применением базовых математических принципов и лишь усиливает бюрократию и нестабильность. Он также сохраняет все ограничения классического ABC анализа, но, возможно, создает еще больше ложного ощущения безопасности за счет математической ерунды.

Проведение анализа ABC XYZ
В то время как ABC анализ стремится финансово разделить массив SKU на три класса за определенный период,1 предоставляя специалисту по цепям поставок разбивку SKU по финансовой значимости, анализ ABC XYZ претендует на один шаг вперед. Он пытается понять и количественно оценить вариацию спроса (или волатильность) для каждого SKU за наблюдаемый период и объединить классические классы A, B и C с дополнительными X, Y и Z. Проще говоря, вариация спроса – это мера того, насколько изменялся спрос в течение наблюдаемого периода. Это может отражать неожиданные и/или изолированные периоды чрезвычайно высокого (или низкого) спроса, или устойчивую общую сложность в прогнозировании истинного количества необходимых единиц SKU (или любые другие причины, по которым спрос мог колебаться в течение этого временного интервала). Эта вариация и предназначена для фиксации обозначениями X, Y и Z.
В рамках этой новой системы из девяти категорий, SKU класса X являются самыми стабильными (испытывают наименьшую вариацию спроса), SKU класса Y – несколько стабильными (испытывают умеренную вариацию спроса), а SKU класса Z – самыми нестабильными (испытывают наибольшую вариацию спроса). Основываясь на классическом ABC анализе, специалист по цепям поставок получает, казалось бы, более детализированное распределение каталога за рассматриваемый период, где SKU анализируются по вдвое большему количеству измерений.
Для обработки новой классификации специалист по цепям поставок следует тем же первоначальным шагам, что и в классическом ABC анализе. После завершения этого этапа переходит к части анализа XYZ, где требуется:
- Желаемое количество классов вариации спроса: обычно ограничено тремя, хотя это может быть изменено.
- Порог для разделения каждого класса: определяется по усмотрению специалиста по цепям поставок. Например, <=10% для класса X, >10-25% для класса Y и >25% для класса Z.
- Среднее значение для каждого SKU за наблюдаемый период: легко рассчитывается в любой таблице.
- Стандартное отклонение и коэффициент вариации для каждого SKU: также легко рассчитываются в любой таблице.
Стандартное отклонение, в контексте данных за год, обычно показывает, насколько продажи в любом данном месяце отличались от общего среднемесячного показателя за год. Как только специалист по цепям поставок получает эту информацию, он может рассчитать коэффициент вариации (CV). Также известный как относительное стандартное отклонение, CV представляет собой процентное значение, показывающее, насколько далеко от среднего находится данная точка данных, что в данном случае отражает величину колебания продаж для SKU за наблюдаемый период (по сравнению со средним). Это процентное значение получается делением стандартного отклонения на среднее значение.
После вычисления CV специалист по цепям поставок распределяет SKU по их соответствующим классам X, Y и Z в соответствии с заранее установленными порогами. Это приводит к созданию матрицы из девяти категорий, где SKU классифицируются по выручке и вариации спроса.

Рисунок 1. Модель анализа ABC XYZ, представленного в загружаемой Excel-таблице. Для подробных расчетов, пожалуйста, ознакомьтесь с формулами в соответствующих столбцах.
Скачать Excel-таблицу: abc-xyz-analysis-tool.xlsx
Математическая перспектива ABC и ABC XYZ
С чисто математической точки зрения, как неявно, так и явно, и анализ ABC, и анализ ABC XYZ пытаются использовать концепцию моментов, представляющих собой бесконечное множество количественных мер, направленных на отображение функции. В данном контексте функция – это распределение данных по продажам, а интерес представляют первые два момента: среднее для традиционного ABC анализа; среднее и дисперсия для анализа ABC XYZ. Если говорить об ABC анализе, учитывая, что он фокусируется только на первом моменте (среднем), его можно было бы назвать более точным методом сегментации по скользящему среднему. По сути, нет попытки определить неопределенность спроса. По этой причине анализ ABC XYZ пытается использовать второй момент (дисперсию) для количественной оценки этой неопределенности. Это делает анализ ABC XYZ более похожим на метод сегментации по скользящему среднему и дисперсии. В отличие от среднего, которое является понятным большинству, дисперсия несколько менее понятна. Кратко, она представляет собой меру разброса набора значений – здесь, средних месячных данных о продажах – относительно среднего значения набора. Анализ ABC XYZ использует этот дополнительный математический инструмент для получения, якобы, более сложного понимания вариаций набора данных. Насколько эффективно применяются эти инструменты, будет рассмотрено в разделе Ограничения анализа ABC XYZ.
Как анализ ABC XYZ влияет на политику инвентаризации
Учебные применения анализа ABC XYZ, подобно ABC анализу, сосредоточены на назначении целевых уровней сервиса и страхового запаса. Используя новую матрицу ABC XYZ, специалист по цепям поставок теоретически может лучше визуализировать интересующие SKU и, таким образом, корректировать политику инвентаризации, учитывая не только вопросы выручки, но и влияние вариации спроса.
Страховой запас
Немедленное применение анализа ABC XYZ заключается в более точном определении целевых уровней страхового запаса. SKU класса A естественно получают самые высокие уровни, но, в отличие от ABC анализа, имеется попытка различать между элементами класса A (относительно класса C) с помощью классов XYZ по оси x. Именно здесь сторонники анализа ABC XYZ утверждают, что этот подход проявляет себя наилучшим образом, и ниже будут проанализированы четыре наиболее интересных случая.
- AX: Эти SKU генерируют высокую выручку и испытывают низкую вариацию. Поэтому специалист по цепям поставок может решить, что требуется меньший уровень страхового запаса по сравнению с другими SKU класса A.
- AZ: Эти SKU могут генерировать такую же высокую выручку, как и AX и AY, но испытывают значительно большую вариацию спроса. В результате рекомендуется устанавливать более высокий уровень страхового запаса.
- CX: Эти SKU приносят низкую прибыль и испытывают низкую вариацию. Вероятно, будет выбран низкий уровень страхового запаса (по сравнению с AX, AY, AZ, BX, BY и BZ).
- CZ: Эти SKU не только приносят низкую прибыль, но и испытывают повышенную вариацию спроса. С точки зрения управления цепями поставок, эти SKU представляют худшее из двух миров. Такие SKU, теоретически, имели бы низкий уровень страхового запаса и являются основными кандидатами для возможного прекращения производства.
В качестве общего правила, анализ ABC XYZ указывает, что SKU требуют большего страхового запаса по мере продвижения вдоль оси x, что соответствует увеличению сложности прогнозирования спроса (за исключением, как описано выше, SKU класса CZ).
Уровни сервиса
Интуитивно понятно, что поддержание высоких уровней сервиса для SKU класса A имеет первостепенное значение, хотя можно установить более низкие уровни по мере продвижения по оси x. Например, для SKU класса AX целевой уровень сервиса, вероятно, будет выше, чем для SKU класса AZ, учитывая сниженный уровень вариации спроса для первых по сравнению со вторыми. По мере продвижения вниз по оси y целевые уровни сервиса обычно снижаются, и, как можно ожидать, разумная политика предусматривает, что SKU класса CZ получают самые низкие уровни сервиса из всех девяти категорий.

Рисунок 2. Модельная матрица ABC XYZ с выручкой по оси y и вариацией спроса по оси X. Эта матрица показывает потенциальные целевые уровни сервиса для каждого обозначения, уровни которых снижаются по мере уменьшения выручки и увеличения вариации спроса.
Ограничения анализа ABC XYZ
Несмотря на то, что анализ ABC XYZ, возможно, предоставляет (слегка) более глубокое понимание каталога, он является попыткой эволюции, сохраняющей все ограничения ABC анализа, при этом предоставляя крайне мало существенного содержания. Проще говоря, это инновация без содержания, и не будем жалеть, если скажем, что она даже изобретает дополнительные классы недостатков, которыми не обладал ABC анализ.
Практические возражения против анализа ABC XYZ
- Низкая разрешающая способность: Точно так же, как и в ABC анализе, девять категорий матрицы ABC XYZ не учитывают такие шаблоны спроса, как восходящие и нисходящие тренды (см. футболки Harry Potter и Tesla на Рисунке 3), ограниченный ассортимент (см. футболку Suez Canal) и сезонность. В результате влияние этих факторов на политику инвентаризации остается полностью незамеченным. Это ограничение также предполагает, что специалист по цепям поставок не выбрал произвольно еще большее количество классов вдоль каждой оси, что вполне возможно, учитывая либеральный характер данного подхода.

Рисунок 3. Линейный график демонстрирует крайние случаи, которые анализ ABC XYZ не учел в модельном наборе данных. Например, как футболки Harry Potter, так и Tesla оказались SKU класса BY и получили бы одинаковые целевые уровни сервиса и страхового запаса. Это игнорирует тот факт, что направления тренда для этих SKU существенно противоположны.
-
Увеличение нестабильности: Анализ ABC XYZ расширяет произвольную и нестабильную категоризацию, созданную ABC анализом. Реальная разница в деньгах и центах между CZ и CY или между BZ и даже BY может быть крайне незначительной, если не практически незаметной с финансовой точки зрения. Как и в ABC анализе, эти практически незаметные различия могут изменяться в зависимости от выбранных временных горизонтов. Например, SKU может колебаться между AZ и CZ просто за счет расширения или сжатия выбранного временного интервала (например, месячного, квартального или годового). Как и выбор девяти категорий, описанный выше, нет большего или меньшего смысла в выборе большего или меньшего временного интервала.2 Таким образом, установка целевых уровней сервиса и страхового запаса на основе таких нестабильных данных глубоко ошибочна.
-
Увеличение бюрократии: По определению, нестабильные категории, описанные выше, требуют вмешательства руководства и установления отдельных правил для каждой из них. Это, к сожалению, приводит к еще большей бюрократии и трате ресурсов. Так же как разница между A и B SKU может составлять всего один процентный пункт (или несколько долларов), разница по CV между SKU классов Y и Z может быть едва заметной. Эти параметры полностью произвольны и в конечном счете определяются комитетом, поэтому их происхождение вызывает сомнения. Учитывая, что SKU могут легко переходить между девятью категориями в течение наблюдаемого периода (независимо от того, в каком классе они завершат период), установка произвольных уровней сервиса на основе этой информации не только создает ненужное административное бремя и совещания, но и увеличивает вероятность дорогостоящих дефицит товара ситуаций. Кроме того, многие, если не большинство, специалистов, участвующих в установлении этих произвольных параметров, не обладают необходимой математической подготовкой для анализа данного подхода, не говоря уже о том, чтобы вносить осмысленный вклад в числовые рецепты. Эта критика подробно описана в разделе Теоретические возражения против анализа ABC XYZ. Следует также отметить, что, несмотря на повышенную категоризацию и бюрократию, анализ ABC XYZ на самом деле не определяет, почему определенные товары трудно прогнозировать – например, SKU класса CZ. Скорее, он просто определяет, что их прогнозировать трудно, и руководство остается придумывать, какие формулы страхового запаса применять к этим случайным категориям.
-
Лишено финансовой перспективы: В основе анализа ABC XYZ лежит подход первого порядка к экономическим драйверам. Кратко говоря, этот способ мышления рассматривает SKU только с точки зрения их прямых вкладов в маржу. Хотя ABC XYZ, по-видимому, также учитывает дисперсию спроса, его основа по-прежнему заключается в том, сколько каждый SKU вносит своим индивидуальным, прямым способом (например, через доход). Этот подход рассматривает SKU в изоляции, а не в комбинации. Эта тонкость является отличительной чертой подхода второго порядка, когда, например, ценность SKU CX рассматривается в соотношении с SKU AX. Хотя первый может не приносить значительного дохода, его наличие на складе может способствовать продаже второго, таким образом косвенная ценность CX может значительно превосходить его прямую. Следовательно, уже произвольный процесс категоризации, который приводит к одинаково произвольным политикам инвентаризации, полностью игнорирует эти тонкие экономические драйверы. Это почти наверняка приведёт к случаям отсутствия запасов для SKU, истинная ценность которых не была реализована.3
Теоретические возражения против ABC XYZ
На первый взгляд, анализ ABC XYZ может показаться усовершенствованной итерацией классического подхода ABC, чему, возможно, способствуют люди, впечатлённые кажущимся применением полу-усовершенствованных математических принципов. Однако это впечатление незаслуженно, так как внедрение теории моментов в ABC XYZ является наивным, поскольку проводимый им скрытый статистический анализ является неполным. Хотя справедливо отметить, что среднее и дисперсия являются действительными частями такого математического анализа (то есть понимания распределения случайной величины спроса), существуют и другие также поучительные моменты, которые полностью упускаются из виду.
Третий момент, асимметрия, не включён в анализ ABC XYZ, как и четвёртый, куртозис. Насколько равномерно (или неравномерно) распределены продажи относительно среднего, измеряется с помощью асимметрии.4 Куртозис, в свою очередь, измеряет, насколько «острым» или «плоским» является распределение по сравнению с нормально распределённым набором данных. Оба эти момента предоставляют достоверное понимание базовых данных, именно поэтому надёжный статистический анализ предполагает их использование в качестве стандартной практики.5
В результате достоверность статистического исследования в анализе ABC XYZ оказывается, в лучшем случае, незавершённой и, в худшем, вводящей в заблуждение. Фактически, природа современных вычислительных и статистических методов такова, что нет необходимости ограничиваться только четырьмя моментами, и поэтому даже теоретическая будущая версия ABC XYZ, включающая эти моменты, всё равно будет недостаточно мощной.
Точка зрения Lokad
Анализ ABC XYZ в конечном итоге является излишней и ошибочной попыткой усовершенствовать анализ ABC. Отложив в сторону присущие ограничения классификации ABC, расчёты XYZ не способны дать значимые выводы, учитывая, насколько неправильно понята его исследовательская задача и насколько неуместны выбранные для её выполнения инструменты.
ABC XYZ нацелен на помощь специалистам в определении подходящих политик инвентаризации для SKU, сложных для прогнозирования (например, AZ или CZ), не объясняя, почему эти SKU могут быть трудными для прогнозирования. Более того, он не предоставляет детальной картины того, как взаимодействуют SKU (их косвенная ценность), что играет решающую роль в определении нюансированных уровней обслуживания и соответствующих целевых уровней запасов. Игнорируя эти вопросы, анализ фактически блуждает во тьме.
Что касается используемых инструментов, данный подход удваивает произвольные параметры своего предшественника и утраивает число классов, при этом опираясь на поверхностное понимание статистики. Это нарушение нельзя игнорировать, как бы благими ни были намерения сторонников ABC XYZ. Потенциальная опасность заключается в ореоле строгости, который расчёты XYZ представляют читателям. В отличие от анализа ABC, доступного практически каждому с рабочим компьютером и функционирующим мозгом, ABC XYZ претендует на использование нескольких статистических принципов, которые для непосвящённых могут показаться довольно продвинутыми и впечатляющими. Однако это опора на модные слова, которая не выдерживает проверки на прочность. Правильный статистический анализ данных о продажах возможен с использованием моментов, но для него требуется гораздо более глубокое понимание моментов, чем то, что можно найти в анализе ABC XYZ.
В конечном итоге, анализ ABC XYZ жертвует статистической надёжностью, чтобы оставаться доступным для обычного специалиста по цепочке поставок. Этот компромисс приводит к процессу, который усиливает нестабильность и отвлекает пользователей от основных проблем. Специалисты, чей бизнес вырос за рамки таких методов, могут написать на электронную почту contact@lokad.com для организации демонстрации производственного решения PIR — ответа Lokad на проблемы, которые пытается решить ABC XYZ.
Примечания
-
Обычно SKU классов A, B и C, где класс A представляет самые прибыльные, класс C – наименее прибыльные, а класс B находится где-то между ними. Период времени обычно составляет календарный год, но это может варьироваться. ↩︎
-
Безусловно, существует нижний предел полезности; выбор данных за одну неделю почти не обладает доказательной силой. Однако, как только определяется набор данных с достаточной исторической глубиной (скажем, 3 месяца продаж), практически нет логических возражений против предположения, что его можно расширить ещё на один месяц. В результате, как упоминалось выше, некоторые SKU почти наверняка сменят своё положение в матрице ABC XYZ. Это подчёркивает ещё одну проблему процесса ABC XYZ: как только достигается доказательная масса данных, процесс становится сразу же уязвимым для дальнейших манипуляций. Это противоречит тому, для чего предназначена категоризация: установлению надёжных и значимых границ между записями. ↩︎
-
Это очень краткое изложение точки зрения Lokad и предвещает, что обеспечение отсутствия дефицита запасов является ключевым экономическим драйвером. Обе эти концепции подробно раскрываются в нашем руководстве по приоритизированному пополнению запасов. ↩︎
-
Или «SKU-ность», если вам так больше нравится. ↩︎
-
Подобно тому, как pi содержит бесконечное число цифр, функция плотности вероятности имеет бесконечное число моментов различного порядка. Однако на практике обычно используются только первые четыре. ↩︎