Analisi ABC XYZ (Inventario)

L’analisi ABC XYZ, proprio come il suo predecessore analisi ABC, è uno strumento di categorizzazione finalizzato all’identificazione dei prodotti più performanti nel catalogo di una persona, in modo da determinare i livelli di servizio e sicurezza appropriati per le unità di mantenimento delle scorte. A differenza dell’analisi ABC, che si concentra esclusivamente su un singolo criterio (tipicamente il volume di vendite o il fatturato), l’analisi ABC XYZ cerca anche di quantificare una seconda dimensione (incertezza o volatilità della domanda). Nonostante possa fornire uno snapshot leggermente più dettagliato delle prestazioni, l’analisi ABC XYZ è comunque un’applicazione ingenua dei principi matematici sottostanti e serve solo ad amplificare la burocrazia e l’instabilità. Conserva anche tutti i limiti di un’analisi ABC classica, ma forse fornisce un senso ancora maggiore di falsa sicurezza attraverso l’inganno matematico.

Eseguire un’analisi ABC XYZ

Mentre un’analisi ABC mira a scomporre finanziariamente un insieme di SKU in una delle tre classi nel corso del tempo,¹ fornendo così a un professionista della supply chain una suddivisione degli SKU in base all’importanza finanziaria, l’analisi ABC XYZ sostiene di andare un passo oltre. Cerca di comprendere e quantificare la varianza della domanda (o volatilità) per ogni SKU nel periodo osservato e di combinare le classiche classi A, B e C con le aggiuntive classi X, Y e Z. In parole semplici, la varianza della domanda è una misura di quanto la domanda sia cambiata nel periodo osservato. Ciò potrebbe riflettere periodi inaspettati e/o isolati di domanda estremamente alta (o bassa), o una difficoltà sostenuta complessiva nel prevedere quante unità di un SKU fossero realmente necessarie (o qualsiasi altro motivo per cui la domanda potrebbe essere fluttuata nel periodo di tempo). Questa varianza è ciò che si intende catturare con le designazioni X, Y e Z.

In base a questa nuova rubrica a nove categorie, gli SKU di classe X sono i più stabili (hanno la minore varianza della domanda), le classi Y sono relativamente stabili (hanno una varianza della domanda moderata) e le classi Z sono le meno stabili (hanno la maggiore varianza della domanda). Basandosi sull’analisi ABC classica, un professionista della supply chain si trova di fronte a una suddivisione apparentemente più sfumata del proprio catalogo nel periodo di tempo considerato, in cui gli SKU vengono analizzati in base a due dimensioni.

Per elaborare questa nuova classificazione, un professionista della supply chain segue gli stessi passaggi iniziali dell’analisi ABC classica. Una volta completata questa fase, si passa alla parte XYZ dell’analisi, in cui sono necessari i seguenti elementi:

• Il numero desiderato di classi di varianza della domanda: di solito limitato a 3, anche se questo è flessibile.
• Una soglia per separare ogni classe: interamente a discrezione del professionista della supply chain. Un esempio potrebbe essere <=10% per la classe X, >10-25% per la classe Y e >25% per la classe Z.
• La media per ogni SKU nel periodo osservato: facilmente calcolabile in un foglio di calcolo.
• La deviazione standard e il coefficiente di variazione per ogni SKU: anch’essi facilmente calcolabili in un foglio di calcolo.

La deviazione standard, nel contesto di un anno di dati, rappresenta di solito quanto le vendite in un determinato mese differivano dalla media mensile complessiva dell’anno. Una volta che un professionista della supply chain ha queste informazioni, può calcolare il coefficiente di variazione (CV). Conosciuto anche come deviazione standard relativa, il CV è un valore percentuale che indica quanto un dato punto dati si discosta dalla media, e in questo caso rappresenta quanto è stata grande la fluttuazione delle vendite per un SKU nel periodo osservato (rispetto alla media). Questo valore percentuale si ottiene dividendo la deviazione standard per la media.

Una volta calcolato il CV, il professionista della supply chain ordina gli SKU nelle rispettive classi X, Y e Z in base alle soglie predefinite. Ciò porta a una matrice a nove categorie in cui gli SKU sono ordinati in base al loro fatturato e alla varianza della domanda.

Figura 1. Un'analisi ABC XYZ di modello, come mostrato nel foglio di calcolo Excel scaricabile. Per calcoli espliciti, consultare le formule nelle colonne pertinenti.

Scarica il foglio di calcolo Excel: abc-xyz-analysis-tool.xlsx

La prospettiva matematica su ABC e ABC XYZ

Da un punto di vista puramente matematico, sia l’analisi ABC che l’analisi ABC XYZ cercano implicitamente o esplicitamente di sfruttare il concetto di momenti, che è un insieme infinito di misure quantitative volte a mappare una funzione. Nel contesto attuale, la funzione è una distribuzione dei dati di vendita e i momenti di interesse sono i primi due: media per l’analisi ABC tradizionale; media e varianza per l’analisi ABC XYZ. Per quanto riguarda l’analisi ABC, dato che si concentra solo sul primo momento (media), sarebbe più accurato chiamare questo metodo una segmentazione della media mobile. Fondamentalmente, non si cerca di identificare l’incertezza della domanda. Per questo motivo, l’analisi ABC XYZ cerca di sfruttare il secondo momento (varianza) per quantificare questa incertezza. Questo rende l’analisi ABC XYZ più simile a un metodo di segmentazione della media mobile-varianza. A differenza della media, che è comunemente compresa, la varianza è un po’ meno colloquiale. In sintesi, rappresenta quanto sono dispersi un insieme di valori - in questo caso, i dati di vendita mensili medi - rispetto al valore medio dell’insieme. ABC XYZ utilizza questo strumento matematico aggiuntivo per arrivare a una comprensione teoricamente più complessa della variazione di un insieme di dati. L’efficacia di questi strumenti verrà esaminata in seguito nelle Limitazioni di ABC XYZ.

Come l’analisi ABC XYZ informa la politica di inventario

Le applicazioni di base dell’analisi ABC XYZ, simili all’analisi ABC, si concentrano sull’assegnazione dei livelli di servizio e degli obiettivi di scorte di sicurezza. Utilizzando la nuova matrice ABC XYZ, un professionista della supply chain può, in teoria, visualizzare meglio gli SKU di interesse e quindi regolare le politiche di inventario per riflettere non solo le preoccupazioni di revenue, ma anche le forze della varianza della domanda.

Scorte di sicurezza

Un’applicazione immediata dell’ABC XYZ è quella di migliorare gli obiettivi di scorte di sicurezza. Gli SKU di classe A ricevono naturalmente i livelli più alti, ma, a differenza dell’analisi ABC, si cerca di differenziare tra i membri della classe A (risp. C) utilizzando le classi XYZ lungo l’asse x. Qui è dove i sostenitori dell’analisi ABC XYZ sostengono che l’approccio brilli di più, e quattro estremi di immediato interesse saranno analizzati di seguito attraverso questa lente.

• AX: Questi SKU generano un alto revenue e hanno una bassa varianza. Di conseguenza, un professionista della supply chain potrebbe decidere che sono necessari livelli di scorte di sicurezza inferiori rispetto agli altri SKU di classe A, al fine di raggiungere alti obiettivi di livello di servizio.
• AZ: Questi SKU possono generare un revenue altrettanto alto come quelli AX e AY, ma hanno una varianza della domanda significativamente maggiore. Di conseguenza, potrebbe essere prudente avere livelli di scorte di sicurezza più alti.
• CX: Questi SKU generano un basso profitto e hanno una bassa varianza. Probabilmente sarebbe scelta l’opzione di avere livelli di scorte di sicurezza bassi (rispetto ad AX, AY, AZ, BX, BY e BZ).
• CZ: Questi SKU non solo generano un basso profitto, ma hanno anche livelli elevati di varianza della domanda. Dal punto di vista della supply chain, questi SKU rappresentano il peggio dei due mondi. Teoricamente, avrebbero livelli di scorte di sicurezza bassi e sarebbero candidati ideali per una possibile interruzione.

Come regola generale, l’analisi ABC XYZ indica che gli SKU richiedono più scorte di sicurezza man mano che ci si sposta lungo l’asse x, in relazione alla maggiore difficoltà di prevedere la domanda (con gli SKU CZ che rappresentano una nota eccezione, come descritto sopra).

Livelli di servizio

Intuitivamente, mantenere i livelli di servizio sugli SKU di classe A è di primaria importanza, anche se si potrebbe optare per livelli inferiori man mano che ci si sposta lungo l’asse x. Ad esempio, gli SKU AX avrebbero probabilmente un obiettivo di livello di servizio più alto rispetto agli SKU AZ, data la minore varianza della domanda associata ai primi rispetto ai secondi. Man mano che ci si sposta lungo l’asse y, gli obiettivi di livello di servizio vengono tipicamente abbassati e, come ci si potrebbe aspettare, una politica sensata vedrebbe gli SKU CZ ricevere gli obiettivi di livello di servizio più bassi tra tutte le nove categorie.

Figura 2. Una matrice ABC XYZ modello con revenue sull'asse y e varianza della domanda sull'asse X. Questa matrice mostra potenziali obiettivi di livello di servizio per ciascuna designazione, con livelli che diminuiscono al diminuire del revenue e all'aumentare della varianza della domanda.

Limitazioni dell’ABC XYZ

Nonostante fornisca (leggermente) una maggiore comprensione del catalogo, l’analisi ABC XYZ è un tentativo di evoluzione che conserva tutte le limitazioni dell’analisi ABC, fornendo però pochissime informazioni concrete. In parole povere, è un’innovazione senza importanza e non è esagerato suggerire che inventi anche ulteriori classi di svantaggi che mancavano all’analisi ABC.

Obiezioni pratiche all’ABC XYZ

• Bassa risoluzione: Esattamente come nell’analisi ABC, le nove categorie di una matrice ABC XYZ non tengono conto dei modelli di domanda come tendenze in aumento o in diminuzione (vedi le magliette Harry Potter e Tesla nella Figura 3), offerte limitate (vedi la maglietta del Canale di Suez) e stagionalità (vedi le scarpe invernali). Di conseguenza, l’impatto che queste possono avere sulle politiche di inventario rimane completamente sconosciuto. Questa limitazione presuppone anche che il professionista della supply chain non abbia scelto arbitrariamente ulteriori classi lungo ciascun asse, il che è del tutto possibile data la natura laissez-faire dell’approccio.

Figura 3. Il grafico a linee mostra i casi limite che l'analisi ABC XYZ ha trascurato nel set di dati del modello. Ad esempio, sia le magliette di Harry Potter che di Tesla sono state classificate come SKU di classe BY e riceverebbero gli stessi obiettivi di livello di servizio e stock di sicurezza. Questo ignora il fatto che gli SKU stanno chiaramente seguendo direzioni completamente opposte.

• Aumenta l’instabilità: L’analisi ABC XYZ estende la categorizzazione arbitraria e instabile creata dall’analisi ABC. La differenza reale in termini di dollari e centesimi tra CZ e CY, o tra BZ e persino BY, potrebbe essere insignificante, se non quasi impercettibile dal punto di vista finanziario. Inoltre, proprio come nell’analisi ABC, queste differenze praticamente impercettibili potrebbero variare a seconda degli orizzonti temporali selezionati. Ad esempio, un SKU potrebbe oscillare tra AZ e CZ semplicemente espandendo o contrarre il periodo di tempo selezionato (ad esempio, orizzonti mensili, trimestrali o annuali). Proprio come la selezione delle nove categorie descritte in precedenza, non ha senso scegliere un periodo di tempo maggiore o minore. ² Pertanto, stabilire obiettivi di livello di servizio e stock di sicurezza basati su tali input instabili è profondamente errato.

• Aumenta la burocrazia: Per definizione, le categorie instabili descritte in precedenza richiedono l’intervento della direzione per stabilire politiche distinte per ognuna di esse. Ciò purtroppo comporta la generazione di ulteriore burocrazia e lo spreco di risorse. Proprio come la differenza tra un SKU di classe A e B potrebbe essere di un solo punto percentuale (o di pochi dollari), la differenza di CV tra gli SKU di classe Y e Z potrebbe essere appena percettibile. Questi parametri sono completamente arbitrari e determinati da un comitato, quindi sono di dubbia provenienza. Tenendo presente che gli SKU possono spostarsi facilmente tra le nove categorie durante il periodo osservato (indipendentemente da dove possano finire), stabilire livelli di servizio arbitrari basati su queste informazioni non solo crea amministrazione e riunioni superflue, ma aumenta anche la probabilità di costosi eventi di stockout. Inoltre, molti, se non la maggior parte, dei responsabili coinvolti nella definizione di questi parametri arbitrari mancheranno della formazione matematica necessaria per comprendere l’approccio, tanto meno per contribuire in modo significativo alle ricette numeriche. Questa critica viene ampliata in Obiezioni teoriche ad ABC XYZ. Va anche sottolineato che, nonostante l’aumento della categorizzazione e della burocrazia, l’analisi ABC XYZ non identifica effettivamente perché alcuni prodotti sono difficili da prevedere, come ad esempio gli SKU CZ. Piuttosto, determina semplicemente che sono difficili da prevedere e la direzione è lasciata a discutere su quali formule di stock di sicurezza applicare arbitrariamente a queste categorizzazioni casuali.

• Mancanza di prospettiva finanziaria: Alla base, l’analisi ABC XYZ si basa su un approccio di primo ordine ai driver economici. In breve, questa mentalità considera gli SKU solo in termini del loro contributo marginale diretto. Sebbene l’analisi ABC XYZ sembri considerare anche la varianza della domanda, la sua base è comunque basata su quanto ogni SKU contribuisce in senso individuale e diretto (ad esempio, il ricavo). Questo approccio considera gli SKU in isolamento anziché in combinazione. Questa sfumatura è il segno distintivo di un approccio di secondo ordine, in cui il valore di un SKU CX, ad esempio, viene considerato in relazione a uno SKU AX. Sebbene il primo potrebbe non contribuire in modo significativo al ricavo, averlo in magazzino potrebbe facilitare la vendita del secondo, quindi il valore indiretto del primo potrebbe superare di gran lunga quello diretto. Pertanto, un processo di categorizzazione già arbitrario, che porta a politiche di inventario altrettanto arbitrarie, è completamente cieco a questi sottili driver economici. Ciò comporterà quasi certamente casi di stockout per gli SKU il cui vero valore non è stato compreso.³

Obiezioni teoriche ad ABC XYZ

A prima vista, l’analisi ABC XYZ potrebbe sembrare una versione superiore dell’approccio ABC classico, con le persone forse influenzate dall’apparente applicazione di principi matematici semi-avanzati. Tuttavia, questa impressione è ingiustificata, poiché l’adozione da parte di ABC XYZ della teoria dei momenti è ingenua, dato che l’analisi statistica implicita che cerca di eseguire è incompleta. Sebbene sia corretto dire che la media e la varianza sono parti valide di un’analisi matematica di questo tipo (cioè la comprensione della distribuzione di una variabile di domanda casuale), ci sono altri momenti altrettanto istruttivi che vengono completamente trascurati.  

Il terzo momento, skewness, non è incluso in un’analisi ABC XYZ, così come il quarto, kurtosis. La simmetria (o l’asimmetria) delle vendite intorno alla media è misurata dalla skewness.⁴ La kurtosis, invece, misura quanto “appuntita” o “piatta” è la distribuzione rispetto a un insieme di dati distribuiti normalmente. Entrambi questi momenti forniscono informazioni valide sui dati sottostanti, motivo per cui un’analisi statistica robusta li includerebbe come pratica standard.⁵

Di conseguenza, la validità dell’indagine statistica in un’analisi ABC XYZ è al meglio incompleta e al peggio fuorviante. Infatti, la natura dei calcoli moderni e delle tecniche statistiche è tale che non c’è bisogno di limitarsi solo a quattro momenti, quindi anche una futura iterazione teorica di ABC XYZ che incorpori questi momenti sarebbe comunque meno potente in confronto.

Il punto di vista di Lokad

L’analisi ABC XYZ è, in definitiva, un tentativo inutile e fuorviante di migliorare l’analisi ABC. Oltre alle limitazioni intrinseche della classificazione ABC, i calcoli XYZ non forniscono informazioni significative dato che la domanda di ricerca è fraintesa e gli strumenti scelti per eseguirla sono inappropriati.

L’obiettivo dell’analisi ABC XYZ è aiutare i professionisti a identificare politiche di inventario appropriate per gli SKU difficili da prevedere (ad esempio, AZ o CZ) senza identificare le ragioni per cui questi SKU potrebbero essere difficili da prevedere. Inoltre, non fornisce una prospettiva dettagliata su come gli SKU interagiscono (il loro valore indiretto), il che gioca un ruolo cruciale nel determinare i livelli di servizio sfumati e gli obiettivi di stock corrispondenti. Ignorando queste preoccupazioni, l’analisi si limita a cercare alla cieca.

Per quanto riguarda gli strumenti sottostanti, l’approccio raddoppia i parametri arbitrari del suo predecessore e triplica il numero di classi, pur incorporando una comprensione parzialmente letterata delle statistiche. Questa trasgressione non può essere ignorata, per quanto ben intenzionati possano essere i sostenitori di ABC XYZ. Il pericolo potenziale risiede nella patina di rigore che i calcoli XYZ presentano ai lettori. A differenza dell’analisi ABC, accessibile a chiunque abbia un computer funzionante e un cervello funzionante, ABC XYZ si propone di sfruttare alcuni principi statistici che, per i non addetti ai lavori, possono sembrare molto avanzati e impressionanti. Tuttavia, questo è un sostegno di facciata che non regge il confronto. Un’analisi statistica corretta dei dati di vendita è possibile utilizzando i momenti, ma richiede una comprensione molto più sofisticata dei momenti rispetto a quella che si trova nell’analisi ABC XYZ.

In definitiva, l’analisi ABC XYZ sacrifica la robustezza statistica per rimanere accessibile al professionista medio della supply chain. Questo compromesso porta a un processo che amplifica l’instabilità e distrae gli utenti dai problemi di interesse sottostanti. I professionisti le cui attività hanno superato tali pratiche sono invitati a inviare un’e-mail a contact@lokad.com per organizzare una dimostrazione di una soluzione di produzione PIR - la risposta di Lokad ai problemi che ABC XYZ cerca di risolvere.

Note