ABC-XYZ-voorraadanalyse voor e-commerce

Twee SKU's in dezelfde catalogus verkopen elk gemiddeld 35 eenheden per week. Elke week worden er tussen de 33 en 37 verkocht. De andere verkoopt er de ene week 4 en de volgende week 96. Geef beide dezelfde buffer, dezelfde voorspellingsmethode en dezelfde herschikkingsregel, en een van die beslissingen zal verkeerd zijn op een manier die met geen enkele zorgvuldigheid in de rekenkunde kan worden opgelost.

Met ABC-XYZ-analyse kunt u voorkomen dat u die fout op catalogusschaal maakt. Dit bericht gaat over de berekening: hoe je voor elk product een A-, B- of C-cijfer en een X-, Y- of Z-cijfer kunt produceren op basis van gegevens die je al hebt, en welk planningsbeleid elke combinatie oplevert.

Waarom één beleid faalt

Eén enkel planningsbeleid dat in een catalogus wordt toegepast, is geen vereenvoudiging, maar een mismatch. De buffer die een grillige verkoper beschermt, is een verspilling van een stabiele verkoper. De wekelijkse prognosebeoordeling waardoor uw topproduct op voorraad blijft, is tijd die u nooit terugkrijgt als u deze uitgeeft aan een SKU die vier eenheden per kwartaal verkoopt. En een voorspellingsmethode die werkt op een soepele reeks levert zelfverzekerde onzin op op een stekelige reeks.

Onze gids voor methoden voor voorraadvoorspelling betoogt dit al vanuit de kant van het vraagpatroon, namelijk dat een echte catalogus nooit één vraagvorm is en dat het toepassen van één methode op al deze vormen eerder een mismatch dan een sluiproute is. Wat dat argument nodig heeft om uitvoerbaar te worden, is een manier om producten in groepen te sorteren. Dat is de hele taak van ABC-XYZ: twee goedkope beoordelingen die u vertellen welk beleid elke SKU heeft verdiend.

ABC op basis van inkomstenbijdrage

De ABC-classificatie dateert uit een artikel uit 1951 van H. Ford Dickie van General Electric, waarin Pareto's werk over inkomensverdeling op aandelen werd toegepast. Het idee is sindsdien niet veranderd: sorteer op bijdrage en behandel de bovenkant van de lijst anders dan de onderkant. Onze Basisprincipes van voorraadbeheer gids behandelt waar deze zich bevindt tussen de standaard voorraadbeheermethoden; wat volgt is hoe je de cijfers daadwerkelijk kunt produceren.

De procedure bestaat uit vier stappen en wordt uitgevoerd in een spreadsheet. Trek de opbrengst van elke SKU over een consistent recent venster. Sorteer aflopend. Bereken het aandeel van elke SKU in de totale omzet. Voer vervolgens een cumulatief totaal uit in de gesorteerde lijst en verdeel deze in drie groepen.

Hier staat het in een opzettelijk kleine catalogus, waarbij de inkomsten over 90 dagen worden gebruikt:

De totale omzet bedraagt 35.000. Het deel dat de meeste uitleg overslaat: waar knip je? Shopify's eigen ABC-analyse per productrapport gebruikt 80% van de omzet voor het A-cijfer, de volgende 15% voor B en de laatste 5% voor C. Hier toegepast, hebben de eerste twee SKU's een aandeel van 77,1%, en als je de derde toevoegt, kom je op 90%. Sandelhout is dus de laatste A of de eerste B, afhankelijk van aan welke kant van de lijn je de SKU plaatst die deze kruist.

Die dubbelzinnigheid is geen fout in het voorbeeld. De bezuinigingspunten zijn een conventie, geen wet. Referentiebronnen geven de gebruikelijke verdelingen in leerboeken als 70/25/5 of 80/15/5 en stellen duidelijk dat er geen vaste drempels zijn. Ze definiëren de klassen ook anders: sommige op basis van het aandeel van items en het aandeel van de waarde samen, terwijl het rapport van Shopify alleen het omzetaandeel gebruikt en het aantal items laat dalen waar het kan. Een bericht dat 80/15/5 citeert en het vervolgens uitlegt als "20% van uw producten zorgt voor 80% van de omzet" heeft in stilte twee verschillende operaties aan elkaar gelast.

De praktische versie: verzamel uw eigen gesorteerde lijst en kijk waar de curve daadwerkelijk buigt. Een catalogus waarin één SKU 51% van de omzet vertegenwoordigt, heeft een andere natuurlijke breuk dan een catalogus waarbij de top tien elk 8% bedraagt. Beoordeel op basis van uw eigen distributie, niet op basis van een geleende ratio.

Nog een beslissing die de moeite waard is om met opzet te nemen: ABC op basis van omzet is niet ABC op basis van winst. Het rapport van Shopify zegt ronduit dat de kosten geen rol spelen in het cijfer. Een SKU met een hoge omzet en een kleine marge en een SKU met een gemiddelde omzet en een dikke marge kunnen op verschillende niveaus terechtkomen dan ze verdienen. Als er margegegevens in uw export voorkomen, volgt de beoordeling op basis van brutowinst in plaats van omzet dezelfde vier stappen en vertelt u meestal iets anders. Hetzelfde geldt voor het beoordelen hoe vaak per jaar de voorraad van elke SKU wordt omgedraaid of op de brutomarge die een SKU retourneert voor elke dollar die erin vastzit, die beide de hoofdvraag beantwoorden die een omzetranglijst verbergt.

XYZ op basis van vraagvariabiliteit

De XYZ-as beoordeelt dezelfde producten op een heel andere vraag: hoe voorspelbaar is de vraag van deze SKU? X is stabiel, Y varieert om een ​​bekende reden, zoals een seizoen of een promotie, en Z is grillig.

De maatstaf is de variatiecoëfficiënt: de standaardafwijking van de periodieke verkopen van een SKU gedeeld door het gemiddelde. Het delen door het gemiddelde is belangrijk, omdat het de variabiliteit tussen SKU's van verschillende groottes vergelijkbaar maakt. Een product dat 35 stuks per week verkoopt en 3 stuks schommelt, en een product dat 3 stuks per week verkoopt en 3 stuks schommelt, zijn niet even onvoorspelbaar, en alleen de verhouding laat dat zien.

Neem de twee SKU's bovenaan dit bericht. Acht weken verkochte eenheden:

• Ceder & Vijg 250g: 34, 36, 33, 35, 36, 34, 35, 37. Totaal 280, gemiddeld 35,0, standaardafwijking ongeveer 1,2 eenheden, variatiecoëfficiënt ongeveer 0,035.
• Ceder & Vijgen geschenkdoos: 8, 72, 15, 4, 96, 11, 68, 6. Totaal 280, gemiddeld 35,0, standaardafwijking ongeveer 34,8 eenheden, variatiecoëfficiënt ongeveer 0,99.

Identieke totalen, identieke gemiddelden, en één getal dat ze ongeveer een factor dertig van elkaar scheidt. In een spreadsheet zijn dit twee cellen: de standaarddeviatie van de populatie van de acht weekcijfers, en vervolgens gedeeld door het gemiddelde van dezelfde acht cellen. Er is niets geavanceerder nodig, en als u het voor een hele catalogus doet, hoeft u slechts één formule in te vullen.

Dan de cutpoints, en dit is waar eerlijkheid belangrijker is dan netheid: er is geen gestandaardiseerde numerieke drempel voor X, Y en Z. Onafhankelijke zoekopdrachten naar deze site leverden onderling inconsistente drempelwaarden op, en niets waar twee geloofwaardige bronnen het over eens waren. Iedereen die een specifieke grenswaarde als industriestandaard aanhaalt, citeert één van de vele conventies.

Wat in plaats daarvan werkt, is om de hele catalogus te sorteren op variatiecoëfficiënt en je eigen lijst te lezen. Zoek naar natuurlijke hiaten, of splits ze in drieën als die er niet zijn, en vergelijk het resultaat met producten die u goed kent. Als een SKU waarvan u weet dat deze stabiel is, in Z terechtkomt, is uw venster waarschijnlijk te kort of bevat de serie een bulkbestelling die eerst had moeten worden opgeruimd.

Twee vallen die het vermelden waard zijn. Weken zonder verkopen zijn gegevens, geen gaten, en als u ze verwijdert, ziet een periodieke SKU er veel stabieler uit dan hij is. En bij producten met een zeer laag volume is de variatiecoëfficiënt niet meer informatief: een SKU die 0, 0, 1, 0, 2, 0, 0, 1 heeft verkocht, heeft een wiskundig geldige verhouding en een betekenisloze verhouding. Een Z-klasse op zo'n SKU is eigenlijk een statement dat de vraag ervan met tussenpozen is, en een SKU plannen die een handvol keer per kwartaal wordt verkocht is een andere taak dan het beoordelen ervan.

Het combineren van de twee assen

Het kruisen van drie omzetklassen met drie variabiliteitsklassen levert negen cellen op, van AX in de ene hoek tot CZ in de andere hoek. Het raster zelf, en hoeveel beoordelingsaandacht elke cel verdient, is al in een diagram weergegeven in onze handleiding prioriteit geven aan producten die opnieuw moeten worden besteld, die eigenaar is van de recensie-cadanskant hiervan. Lees daar het raster; dit bericht blijft bij de berekening en bij wat elk segment betekent voor planning in plaats van voor planning.

Het nuttige van twee assen is dat ze het niet met elkaar eens zijn, en in die meningsverschillen zit het geld. Een SKU met een hoge omzet en een grillige vraag is geen probleem dat u kunt oplossen door er meer aandacht aan te besteden. Noch dat, noch het tegendeel ervan is zichtbaar op basis van alleen een omzetrangschikking, en daarom levert een eenvoudige ABC-beoordeling de neiging op om een ​​lijst met bestsellers op te leveren waar iedereen al van op de hoogte was.

Beleid per segment

Wat elke cijfercombinatie verandert aan de manier waarop u de SKU plant. Lees deze als een uitgangspunt om mee te discussiëren, niet als een regel: de mapping van cellen naar beleid is eerder een redelijke synthese dan een gevestigde standaard, en geen enkele bron die deze site kon verifiëren publiceert een gezaghebbende versie.

Het patroon in alle negen: de X-kolom is waar precisie loont, de Y-kolom is waar een slimmere voorspelling loont, en de Z-kolom is waar niets loont en de juiste reactie is om uw blootstelling te verminderen in plaats van uw schatting te verbeteren.

Segmentatie is geen doel op zich. Het bestaat zodat de hefbomen in onze Gids voor inventarisoptimalisatie worden getrokken waar ze het goedkoopst zijn, omdat het kopen van beschikbaarheid veel minder kost op een X-SKU dan op een Z-versie en een algemene polis het slechtste tarief betaalt dat beschikbaar is in de hele catalogus.

Voer het uit op uw eigen gegevens

Alles hierboven draait op één export. Haal orderregelitems over een consistent venster: 90 dagen is genoeg voor de ABC-as in de meeste catalogi, maar de XYZ-as wil minstens drie of vier keer zoveel perioden als je geduld hebt, en een heel jaar als er seizoensinvloeden in het spel zijn. Onze gids voor Shopify-verkoopgegevens ophalen en opschonen hoezen die je moet gebruiken en wat je eruit moet halen voordat je ook maar iets gemiddelds hebt, en de schoonmaakstap is hier belangrijker dan normaal: een enkele groothandelsbestelling in de serie zal op zichzelf een stabiele SKU naar Z duwen.

Van daaruit zijn er twee draaipunten: omzet per SKU, wat u ABC geeft, en eenheden per SKU per week, wat u het gemiddelde, de standaardafwijking en de variatiecoëfficiënt voor XYZ geeft. Sluit je aan bij SKU en je hebt in een middag een negenvoudige beoordeling van de catalogus.

Shopify's eigen ABC-analyse per productrapport geeft je de omzetas zonder de spreadsheet, met de kanttekeningen die al zijn gemaakt: 28 dagen, alleen omzet, exclusief kosten, en Shopify's eigen documentatie dekt af dat je, afhankelijk van je plan, mogelijk een app daarvoor nodig hebt. Er is geen native XYZ-equivalent, dus de variabiliteitshelft kun je zelf bouwen of kopen.

De reden dat de meeste winkels dit één keer en nooit meer doen, is de herhaling en niet de berekening. De cijfers variëren naarmate de catalogus verandert, en een segmentatie van afgelopen voorjaar beschrijft een winkel die verder is gegaan. StockCue werkt op basis van maximaal 24 maanden bestelgeschiedenis en berekent ABC-analyses, inclusief een margegewogen versie die beoordeelt op winst in plaats van op omzet, op basis van het schaalplan. Prognoses, wat de variabiliteitsas uiteindelijk voedt, worden uitgevoerd op elk plan, inclusief Gratis.

Veelgestelde vragen

Wat is ABC-XYZ-analyse?

ABC-XYZ-analyse beoordeelt elke SKU twee keer. De ABC-as rangschikt producten op basis van de bijdrage die ze leveren (meestal inkomsten) en verdeelt ze in een kleine topgroep, een middengroep en een lange staart. De XYZ-as beoordeelt dezelfde producten op basis van hoe voorspelbaar hun vraag is, van vaste verkopers via seizoens- of promotiegedreven producten tot echt grillige verkopers. Het kruisen van de twee levert negen segmenten op, en het punt van de oefening is dat elk segment een ander planningsbeleid verdient.

Hoe bereken je de XYZ-classificatie?

Neem de verkochte eenheden van elke SKU per periode, meestal wekelijks, over een consistente periode. Bereken het gemiddelde en de standaardafwijking van die reeks en deel de standaardafwijking vervolgens door het gemiddelde. Die verhouding is de variatiecoëfficiënt en meet de variabiliteit ten opzichte van de eigen grootte van de SKU, waardoor je een product dat 35 per week verkoopt, kunt vergelijken met een product dat 3 verkoopt. Sorteer je catalogus op die verhouding en stel je cutpoints in op basis van je eigen distributie: er is geen gestandaardiseerde numerieke drempel voor X, Y en Z waar onafhankelijke bronnen het over eens zijn.

Hoe vaak moet u de ABC-XYZ-analyse opnieuw uitvoeren?

Driemaandelijks is geschikt voor de meeste kleine catalogi, plus een extra oplage na alles wat de mix verandert, zoals een productlancering, het stopzetten van een assortiment of een seizoenswisseling. Het maandelijks opnieuw uitvoeren levert eerder churn op dan inzicht, omdat een SKU die met kleine bewegingen tussen cijfers wisselt, ook weer terug zal draaien. Wat belangrijker is dan de frequentie, is dat het venster dat u meet elke keer consistent is.

Doet Shopify native ABC-analyse?

Ja, in de vorm van een ABC-analyse per productrapportage. Het beoordeelt producten zo dat het A-cijfer gezamenlijk 80% van de omzet vertegenwoordigt, B de volgende 15% en C de laatste 5%, gemeten over de afgelopen 28 dagen en dagelijks bijgewerkt. Er zijn twee details van belang voordat u erop vertrouwt: de kosten worden expliciet uitgesloten van de berekening, dus wordt de omzet beoordeeld in plaats van de winst of het vastgelegde kapitaal, en de periode van 28 dagen is kort genoeg om een ​​seizoenscatalogus verkeerd te beoordelen. In de eigen documentatie van Shopify wordt ook vermeld dat je, afhankelijk van je abonnement, mogelijk een app nodig hebt voor ABC-analyse, dus vergelijk deze met het abonnement dat je gebruikt.