00:00:03 Введение в ABC-анализ и истоки принципа Парето.
00:00:33 Анализ Парето в социальных сетях, цепях поставок.
00:02:03 Роль ABC-анализа в категоризации запасов.
00:03:14 Использование и злоупотребление ABC-анализом в цепях поставок.
00:06:05 Актуальность ABC-анализа в современных системах управления запасами.
00:08:00 Ограничения системы ABC-анализа запасов.
00:09:00 Недостаток конкретизации подхода ABC.
00:11:02 Проблемы стабильности классификации по ABC и их влияние.
00:13:01 Предложение по управлению запасами на основе данных.
00:15:38 Преимущества прогнозирования для товаров с большим оборотом запасов.
00:18:01 Сочетание экономических факторов, вероятностного прогноза и ABC-анализа.
00:19:00 Переход от ABC-анализа к подходу информационной теории.
00:21:39 Критика ABC-анализа: продвижение показателей тщеславия.
00:25:17 Опасности зависимости от ABC-анализа.
Резюме
Joannes Vermorel, основатель Lokad, обсуждает ABC-анализ, технику управления запасами, основанную на правиле 80/20 Парето. Он объясняет, как метод категоризирует продукты в классы в зависимости от их скорости продаж, где ‘A’ обозначает высокоценные, быстро продающиеся товары, а ‘C’ обозначает товары с низкой стоимостью и медленной продажей. Vermorel выражает озабоченность по поводу упрощенности метода и потенциального его неправильного применения в современных цепях поставок, поскольку он не учитывает нюансы в пределах категорий. Он выступает за более детальный, гранулярный подход, который учитывает индивидуальную историю продаж каждого продукта и физические ограничения, предупреждая, что ABC-анализ может приводить к вводящим в заблуждение показателям и нестабильности из-за колебаний спроса и дефицита товара.
Расширенное Резюме
Обсуждение на Lokad TV вращается вокруг концепции ABC-анализа, подхода к категоризации запасов, основанного на правиле 80/20 Парето. Этот метод категоризирует каталог на основе воспринимаемой ценности и нашел широкое применение в программном обеспечении ERP и в более широкой индустрии цепей поставок.
Joannes Vermorel, основатель Lokad, дает подробное объяснение ABC-анализа. Он отмечает, что техника берет начало из анализа Парето, который по сути описывает целые категории в социальных сетях. Идея заключается в том, что 20% самых активных или важных составляют 80% от общего результата. Этот принцип наблюдается в различных областях, таких как социальные сети, распределение богатства и продажи товаров.
В контексте цепей поставок, как объясняет Vermorel, 20% самых важных товаров обычно составляют 80% продаж. Он приписывает это наблюдение Вильфредо Парето, итальянскому математику и гражданскому инженеру конца XIX века. Vermorel также предполагает, что идея категоризации запасов, даже без математической точности, может иметь древние корни.
Vermorel объясняет, что практическое применение ABC-анализа запасов включает категоризацию SKU или продуктов на классы, как правило, от трех до пяти. Класс “A” представляет быстро движущиеся товары, тогда как последний класс, “D” или “E”, обозначает медленно движущиеся товары. Промежуточные классы демонстрируют различную скорость обращения запасов. Результатом является грубая категоризация, которая объединяет товары с похожей скоростью оборота запасов.
Несмотря на простоту ABC-анализа, он широко используется в индустрии цепей поставок, хотя Vermorel отмечает, что его также часто злоупотребляют. Он утверждает, что категоризация полезна, когда точно отражает физические ограничения товаров. Например, в аэрокосмической отрасли первый класс может включать дорогие, ремонтируемые товары, тогда как последний класс может включать неремонтируемые расходники. В пищевой промышленности могут быть установлены отдельные категории для замороженных и сухих продуктов. Эти классификации обозначают различные методы обработки товаров.
Vermorel описывает, как метод ABC-анализа появился для управления запасами без необходимости подсчета каждого товара. С помощью этой системы различные категории товаров могли храниться в контейнерах разного размера, с простым правилом пополнения запасов когда контейнер становится наполовину пустым. Такой подход был практичен, когда не было программного обеспечения для отслеживания и управления запасами. Однако Vermorel утверждает, что в современную цифровую эпоху, когда запасы можно отслеживать автоматически, метод ABC становится проблематичным и устаревшим.
Vermorel указывает, что система классификации по ABC является приближением с низким разрешением к истории продаж. Она не предоставляет никакой дополнительной информации сверх того, что можно было бы извлечь из подробного анализа истории продаж товара. Таким образом, решения, основанные на этой классификации, потенциально могут быть уточнены и сделаны более точными с использованием фактических данных о продажах.
Vermorel также указывает, что метод ABC может создавать иллюзию однородности внутри категорий. Каждая категория может содержать сотни товаров, и в пределах этих категорий могут быть значительные различия. Например, у верхних 1% товаров скорость продаж может быть в десять раз выше, чем у верхних 10%, и эта гранулярность теряется при классификации по ABC.
Vermorel предлагает более тонкий, метод «разделяй и властвуй» в управлении запасами, который придает больше значения детальной истории продаж отдельных товаров. Этот подход предполагает назначение менеджера по закупкам для работы с определенным числом товаров в зависимости от их ценности или значимости, что гарантирует более пристальное внимание к товарам высокой стоимости.
Vermorel размышляет о традиционном, управляемом человеком процессе принятия решений в цепях поставок, который включает решения о закупках, производстве, размещении запасов, ликвидации и ценообразовании. Однако с появлением компьютеров этот процесс претерпевает значительные изменения. Компьютеры могут обрабатывать тысячи товаров многократно
в течение дня, в зависимости от того, что наиболее разумно, что является задачей, которую человек не может выполнить вручную.
Vermorel объясняет концепцию уровня сервиса в связи с объемом продаж. Он предполагает, что товары с большим объемом продаж, как правило, имеют более точный прогноз, поскольку продаются более стабильно. Товар, который продает, скажем, 100 единиц в день, скорее всего, продастся примерно 100 единиц на следующий день, с отклонением около 10%. Напротив, товары с меньшим объемом продаж имеют более непредсказуемый спрос. Они могут продаваться только раз в месяц, и трудно предсказать, когда произойдет следующая продажа.
Для товаров с большим оборотом поддержание высокого уровня сервиса более экономически эффективно. Это связано с тем, что необходимый объем запасов определяется сроком поставки и изменчивостью спроса, или «непредсказуемостью». Если у товара высокая непредсказуемость, требуется больше запасов. Однако по сравнению с товарами с малым оборотом, товары с большим оборотом требуют меньше запасов относительно объема продаж, что делает их более эффективными в преобразовании валюты в дополнительные показатели уровня сервиса.
Для товаров с большим оборотом вероятностный прогноз дает относительно сконцентрированный прогноз, отражающий низкую неопределенность. В отличие от этого, для медленно движущихся товаров прогноз будет более рассеянным из-за повышенной неопределенности. Сочетание этого вероятностного прогноза с экономическими драйверами, такими как стоимость запасов, стоимость закупки, издержки хранения и потенциальная маржа, приводит к более точному уровню сервиса, который не требует грубого категорирования, как в случае с ABC-анализом.
Vermorel критикует ABC-анализ как метод, позволяющий полностью обходиться без расчетов, что было полезно в XIX веке, когда учет тысяч товаров вручную был сложной задачей. Однако в современном мире, с появлением мощных компьютеров, способных выполнять миллиарды операций в секунду, такой подход устарел.
На это есть две основные причины. Во-первых, ABC-анализ часто приводит к показателям тщеславия, создающим иллюзию хорошей производительности, тогда как реальность может быть совершенно иной. Во-вторых, классы ABC нестабильны и могут быстро меняться из-за дефицита запасов или колебаний спроса. Например, товар, столкнувшийся с массовым дефицитом, может перейти из класса A в класс B, создавая иллюзию улучшенного уровня сервиса для класса A, хотя на самом деле это просто побочный эффект плохой производительности.
Vermorel выступает за более детальный и адаптивный подход, который учитывает столько категорий, сколько существует товаров и возможных историй продаж. Этот подход использует теорию информации для принятия лучших решений на основе наблюдаемой истории продаж. В этом контексте он подчеркивает важность выражения показателей в долларах производительности или ошибки, а не в процентах, чтобы лучше соответствовать экономическим реалиям управления цепями поставок.
Полный Транскрипт
Kieran Chandler: С возвращением на Lokad TV. На этой неделе мы поговорим об ABC-анализе, методе категоризации запасов, который берет свое начало из правила 80/20, предложенного Парето. Метод работает путем разделения каталога на основе его воспринимаемой ценности и был принят многими крупными ERP-системами, а также всей индустрией цепей поставок. Итак, Joannes, это краткий обзор ABC-анализа, но, возможно, вы могли бы объяснить его нам немного подробнее.
Joannes Vermorel: Да. Как вы отметили, ABC-анализ берет свое начало из анализа Парето, который по сути описывает целые категории в социальных сетях. Идея заключается в том, что 20% самых активных или важных составляют 80% массы. Это заметно на таких платформах, как LinkedIn, где у 20% пользователей, вероятно, 80% связей. Аналогично, 20% самых богатых людей, вероятно, владеют 80% богатства. В контексте цепей поставок верхние 20% товаров составляют примерно 80% продаж. Этот принцип был открыт итальянским математиком и гражданским инженером по имени Парето в конце XIX века. Что касается категоризации запасов, эта идея, хотя и без математической точности, вероятно, уходит корнями в древность.
Kieran Chandler: Итак, как же на самом деле работает ABC-анализ?
Joannes Vermorel: Ключевая идея ABC-анализа в управлении запасами заключается в категоризации ваших SKU или товаров на классы. Обычно у вас будет от трех до пяти классов, начиная с класса “A”, предназначенного для быстро движущихся товаров, и до последнего класса “D” или “E” для медленно движущихся, при этом промежуточные классы отражают различную скорость оборота ваших товаров. Этот процесс приводит к довольно грубой категоризации, которая объединяет товары с похожей скоростью оборота запасов, указывая на то, сколько единиц необходимо произвести или обслужить в любой отдельный день.
Kieran Chandler: Используют ли компании этот метод на ежедневной основе? Он кажется очень упрощенным.
Joannes Vermorel: Да, он действительно упрощенный, но широко используется, и, можно сказать, широко злоупотребляется в мире цепей поставок. Эта категоризация помогает, когда товары отражают физические ограничения, имеющиеся у вас. Например, в аэрокосмической отрасли существует первый класс очень дорогих и ремонтируемых товаров. Затем идут относительно дешевые, но все же ремонтируемые товары, а затем расходные материалы, которые нельзя ремонтировать. Каждый класс представляет собой разные способы обращения с товарами. Однако сам ABC-анализ на самом деле не касается физических аспектов товаров, а только скорости продаж. Злоупотребление, о котором я упоминал ранее, заключается в создании широких категорий, определяемых только относительными продажами.
Kieran Chandler: Можете ли вы объяснить типичную классификацию товаров? Я понимаю, что существуют классы A, B и C. Что означает, если товар относится к классу A?
Joannes Vermorel: Конечно, товар класса A обычно означает, что, скажем, продается или производится более 20 единиц в день. Такой высокий оборот делает его товаром класса A. Эта система классификации основана на числовом пороге, определяемом объемом продаж за определенный период, например, за последние три месяца. Точные критерии варьируются от компании к компании, но основная идея заключается в том, что вы определяете скорость как среднее значение за определенный период времени, а затем устанавливаете пороги для каждой категории: A, B, C, D, E.
Kieran Chandler: Кажется логичным категоризировать товары таким образом, выделяя одни как более важные, чем другие. Но у меня создается впечатление, что вы не полностью согласны с этим подходом. Почему он не является актуальным?
Joannes Vermorel: Вы правы, у меня есть некоторые сомнения. Интересно то, что ABC-анализ позволяет управлять запасами, не проводя никаких подсчетов. Рассмотрим управление запасами с точки зрения XIX века. Для товаров класса A использовались бы большие контейнеры. Если контейнер оказывается наполовину пустым, вы делаете заказ. Товары класса B размещались бы в меньших контейнерах, а для товаров класса C контейнеров вообще может не быть, а только полка. Когда один заканчивается, вы заказываете другой. Эти методы позволяют управлять запасами, не считая их. Вы просто делаете заказ, основываясь на внешнем виде запасов, что отлично подходит, если у вас нет программного обеспечения для управления цепями поставок. Однако в современном мире, где мы можем автоматически отслеживать и считать запасы, эта система теряет смысл.
По сути, категоризация запасов, такая как ABCD, является приближённой оценкой того, сколько нужно произвести или потребить за определённый период времени. Любое решение, принятое на основе этого класса, могло бы быть более точным, если бы оно основывалось на реальной истории продаж данного продукта. Заблуждение в том, что класс ABC не добавляет никакой дополнительной информации по сравнению с исходной историей спроса на продукт.
Kieran Chandler: Какие проблемы могут возникнуть при использовании такого подхода ABC?
Joannes Vermorel: Существует несколько проблем, в первую очередь вытекающих из того, что эта система имеет очень низкое разрешение. Это похоже на возможность выполнять расчёты с точностью до грамма, но округлять всё до тонны. Во-первых, существует проблема гетерогенности внутри класса. Если у вас 2000 продуктов и вы создаёте пять классов, то каждый класс всё равно будет содержать около 400 продуктов, и между ними может существовать большое разнообразие. Эта система создаёт иллюзию конкретности, игнорируя существенные различия между продуктами, особенно для лидеров продаж, например, для верхних 1% продуктов…
Kieran Chandler: Таким образом, когда у вас есть верхние 10% продаж, они, вероятно, работают с продажной скоростью, в 10 раз превышающей скорость остальных продуктов. Однако, если у вас всего пять категорий, то необходимая детализация не достигается. С другой стороны, для длинного хвоста ситуация действительно очень длинная. Например, ваш класс “C” может включать товары, которые продаются только один раз в месяц, а также товары, которые продаются раз в десятилетие. Они сгруппированы вместе, но они сильно различаются. Подход к товару, который нужен раз в десятилетие, и к тому, который нужен раз в месяц, будет совершенно разным.
Joannes Vermorel: Более того, можно сказать, что основная проблема очень грубой классификации заключается в том, что она имеет тенденцию быть нестабильной со временем. Мы экспериментировали с несколькими клиентами и обычно замечали, что от трети до половины товаров меняют класс от одного периода к другому. Если вы анализируете продажи за один квартал, проводите анализ ABC, затем смотрите на данные продаж за следующий квартал и снова проводите анализ ABC, вы можете столкнуться с ситуацией, когда 40% товаров окажутся в другом классе. Это означает, что просто потому, что вы перешли к новому кварталу, для конкретного товара могут быть совсем другие политики, просто потому что он изменил класс. Это действительно не имеет смысла.
Например, если у вас есть товар, который за последние два года постепенно, но очень медленно снижался, зачем вы должны решать, что, просто потому что вы перешли через определённый числовой порог с одного дня на другой, этот товар, который заказывался вами раз в месяц, теперь следует заказывать только два раза в год? Это приводит к крайне нелинейным эффектам, с множеством разрывов и товарами, которые внезапно переходят от заказа раз в месяц к заказу только раз в год. Это чрезвычайно произвольно и не отражает тонкой эволюции спроса.
Kieran Chandler: Так как же можно подходить к этому более эффективно? Если вы не классифицируете свои продукты, как вы гарантируете, что уделяете внимание тем, которые действительно наиболее важны?
Joannes Vermorel: Да, здесь обычно используется подход “разделяй и властвуй”, который некоторые менеджеры по цепочке поставок применяют в своей сети. Они могут сказать: “Чтобы уделять пристальное внимание наиболее важным продуктам, я назначу менеджера по закупкам, который будет отвечать за товары класса ‘A’, и он будет управлять 50 товарами. Если менеджер отвечает за товары класса ‘B’, он будет курировать 200 товаров. А если за товары класса ‘C’, то 1000 товаров.” Таким образом, у вас будет больше интеллектуальных ресурсов для каждого из наиболее значимых товаров.
Однако эта точка зрения предполагает, что все решения в цепочке поставок — такие как сколько закупать, сколько производить, где размещать запасы, проводить ли ликвидацию запасов или регулировать цену — принимаются вручную. Но реальность такова, что как только у вас появляются компьютеры, всё меняется. Компьютер без труда обрабатывает тысячи товаров сотни или даже тысячи раз в день, если это необходимо.
Таким образом, если вы хотите обеспечить более высокий уровень обслуживания для товаров класса “A”, вы фактически утверждаете, что если товар продается больше, вы сможете сделать лучший прогноз. Почему? Потому что дело сводится к числам. Прогнозировать намного проще, если товар стабильно продается по 100 единиц в день.
Kieran Chandler: Примерно около 100 – это будет довольно хороший прогноз, возможно, с погрешностью плюс-минус 10 процентов. Если же товар продается всего раз в месяц, самый вероятный прогноз на завтра – ноль единиц. Однако продажи при этом очень нестабильны. Могут быть дни, когда вы продадите на две единицы больше.
Joannes Vermorel: В итоге, есть и положительный момент. Если у вас товары с большим объёмом продаж, они, как правило, менее подвержены нестабильности. Это обеспечивает более высокий уровень обслуживания. Когда мы говорим о затратах, всё становится эффективнее, потому что количество запасов, которые нужно держать, более или менее пропорционально времени ожидания с одной стороны и нерегулярности с другой. Если нерегулярность в два раза выше, вам потребуется в два раза больше запасов. Для товаров, которые продаются больше, нужно больше запасов, но для товаров с низким объёмом продаж потребуется значительно меньше.
Ваши запасы для товаров с высоким объёмом продаж и быстрой оборачиваемостью эффективнее преобразуют евро или доллары в дополнительные очки уровня обслуживания. Именно поэтому обычно получаются именно такие сегменты и методологии. Но проблему можно рассматривать совершенно по-другому.
Во-первых, я бы предложил использовать вероятностный прогноз, который естественным образом отражает неопределённость. Для товаров с высоким объёмом продаж прогноз, очевидно, будет высоким, но также относительно сконцентрированным, поскольку неопределённость низка. Этот вероятностный прогноз предоставляет распределение, которое отражает те неопределённости, которые могут возникнуть в будущем спросе.
Для медленно движущихся товаров вы получите вероятностное распределение, где среднее значение значительно ниже, поскольку в среднем спрос меньше, но распределение будет очень широким, так как существует много неопределённости, много нерегулярности.
Kieran Chandler: Итак, когда вы говорите, что хотите достичь высокого уровня обслуживания, что вы на самом деле имеете в виду?
Joannes Vermorel: По сути, вы утверждаете, что за каждый случай отсутствия товара на складе вы теряете маржу. Возможно, у вас есть штраф за дефицит, и вы теряете продажи с клиентами, когда они ожидают найти нужный товар, а вы не можете поставить товары, которые были в основном рекламированы.
Идея заключается в том, что если объединить экономические факторы, такие как стоимость запасов, затраты на их хранение, стоимость закупки, затраты, связанные с отсутствием товара, и маржу, которая является вашей дополнительной наградой, потому что вы будете продавать свой товар по цене, превышающей себестоимость, тогда полученный уровень обслуживания является следствием сочетания этих экономических факторов с вашим вероятностным прогнозом спроса.
Классификация по методу ABC даже не участвует в расчётах, поскольку в конечном итоге она представляет собой всего лишь грубый способ оценки будущего спроса или его нерегулярности, которые вы получаете “из коробки”, если у вас есть механизм вероятностного прогнозирования.
Kieran Chandler: Таким образом, вы говорите, что метод анализа ABC — это очень грубый способ. Разве решение Lokad не является более детализированной оптимизацией, своего рода расширением анализа ABC? В чём основное отличие?
Joannes Vermorel: Основное отличие заключается в том, что мы предполагаем наличие такого количества классов, сколько у нас товаров, и столько же вариантов истории продаж. Если детализация настолько тонкая, что на каждую ситуацию приходится свой класс, классификация становится практически бессмысленной.
Подход Lokad заключается в рассмотрении вещей с точки зрения информации, ближе к теории информации. Откуда берётся информация для принятия более обоснованного решения? Если вся информация исходит из наблюдаемой истории продаж, то модель прогнозирования потенциально может самостоятельно воссоздать свою классификацию.
Kieran Chandler: Классификация, если можно так выразиться, встроена в модель прогнозирования или систему. Обычно, из-за её высокой детализации, так не делают. Нет никакой экономии. Единственное преимущество анализа ABC заключается в том, что это своего рода метод, позволяющий вообще избежать проведения расчётов. Это отлично работает, если у вас под рукой только карандаш, лист бумаги и тысячи товаров. Представьте, каково это — отслеживать тысячи товаров вручную в XIX веке, настоящий кошмар. Поэтому было очень важно иметь методы, при которых не требовались бы расчёты, даже простое сложение. Интересно, что эти методы были довольно интуитивными и представляли собой своего рода оценочный подход.
Joannes Vermorel: В Lokad мы подходим иначе. Наш подход к цепочке поставок нацелен на максимально возможное количественное измерение всех параметров. У нас есть невероятно быстрые компьютеры, способные выполнять миллиарды операций сложения в секунду, так что вычислительная мощность не является ограниченным ресурсом. Анализ ABC — это упрощённый метод, и, как вы отметили, одно из его положительных качеств в том, что для него не требуется ни ручка, ни бумага.
Kieran Chandler: Но, должно быть, у анализа ABC есть и другие преимущества. Почему же компании до сих пор его используют?
Joannes Vermorel: Честно говоря, я не до конца уверен. Мы видели много ситуаций, где казались очевидными многочисленные преимущества, но когда речь зашла о реальных, ощутимых выгодах, всё оказалось гораздо менее ясно. Компании используют анализ ABC как стратегию “разделяй и властвуй”, распределяя нагрузку по ручной обработке товаров между многими специалистами по цепочке поставок. Однако ответ таков: не делайте этого. Это плохая идея. Вам нужна система, которая равномерно обрабатывает все товары. Если ваш метод опирается на какую-либо классификацию, то, скорее всего, вы можете пересмотреть свои подходы, чтобы отказаться от неё и напрямую использовать средний спрос за последние несколько месяцев. Обычно это работает лучше. Вам не нужна система, которая переходит большими скачками или шагами.
Что касается отчётности, то это подход, при котором руководство часто создаёт показатели тщеславия. Люди укоренились в привычке говорить: “Посмотрите, дорогой CEO, мы так хороши, если обратить внимание на товары класса ‘A’, ведь их уровень обслуживания составляет, скажем, 95 процентов.”
Kieran Chandler: Но, опять же, это выражается в процентах, а не в долларовом выражении ошибки, так что не имеет значения, если для ваших товаров достигнут очень высокий уровень обслуживания. Если ваши клиенты все еще считают, что им действительно нужно увидеть остатки, то суть в том, что вы действительно должны свести это к, скажем, долларовому показателю эффективности, долларовому выражению ошибки. То есть к величинам, выраженным в долларах, а не в процентах.
Joannes Vermorel: Анализ ABC, как правило, приводит к созданию показателей тщеславия, где используются проценты, и добавляются дополнительные процентные показатели поверх уже имеющихся. И расхождение с реальной ситуацией может быть очень, очень большим. Если к тому добавить, что эти классы ABC также крайне нестабильны, знаете, от одного периода к другому, то вы можете оказаться в ситуации, когда появляется иллюзия, что ваши показатели хорошие, хотя на самом деле всё постоянно меняется. Например, если у вас товар класса A и происходит масштабный дефицит, этот товар очень быстро перейдет в класс B, просто потому что количество проданных единиц упало из-за дефицита. Но затем, с точки зрения статистики, всё выглядит хорошо, поскольку вы только что исключили из класса A товар с плохими показателями. Так что, внезапно, из-за масштабного дефицита товары фактически выходят из класса A по своей сути, ведь класс A определяется объёмом продаж. Поэтому, если у вас возникает масштабный дефицит для товара класса A, он надолго не останется в этом классе. Он очень быстро перейдёт в класс B.
Kieran Chandler: Понятно, вы говорите, что если у товара происходит масштабный дефицит, то по анализу ABC он может казаться успешным, поскольку переходит из класса A в класс B. Но это не обязательно означает, что всё в порядке, ведь товар показал плохие результаты из-за дефицита, а не потому, что действительно продавался хорошо.
Joannes Vermorel: Именно, в таком случае всё не так. Это просто побочный эффект, когда товары с плохими показателями выходят из категории быстро реализуемых, но по неправильным причинам.
Kieran Chandler: Ладно, боюсь, нам придётся на этом закончить. Но главное, что стоит вынести из сегодняшнего разговора, так это то, что анализ ABC предназначен только для самых тщеславных.
Joannes Vermorel: Да, и не делайте этого.
Kieran Chandler: Отлично, на этой неделе на этом всё. Большое спасибо за просмотр, и увидимся в следующий раз. Пока!
