Главная О компании Контакты Обзоры Рейтинги Публикации Базы данных Семинары Партнеры Реклама Охрана труда


 

Основные подходы в классификации широкого ассортимента товаров для целей эффективного управления запасами


18.02.2011 – С точки зрения бизнес-процесса управление запасами представляет собой определенную последовательность взаимосвязанных действий. Эти бизнес-процессы у каждой компании формируются под влиянием большого количества объективных и субъективных факторов. Тем не менее, есть некоторые общие правила, по которым осуществляется закупки и снабжение.

Очевидно, что закупки напрямую зависят от плана или прогноза продаж, от объективных обстоятельств по доставке товаров, от имеющихся договоренностей с поставщиками и др. Наличие каждого из таких факторов непосредственно влияет на управление запасами по каждой из позиции в ассортименте, и их необходимо учитывать при расчете и формировании заказов. Например, часто нельзя вместе в одной машине везти какие-то группы товаров по причине их возможной порчи, разных мест отгрузки, особенностей таможенной очистки и др. Подобных ограничений могут быть десятки.

Поэтому при расчете конкретных заказов приходится ограничивать перечень позиции, которые попадают в один заказ. Тем не менее, формирование заказов по многим товарам в силу их однородности по существенным признакам, связанным с доставкой, подпадают под одинаковые или очень похожие правила и заказываются вместе. Такие товары можно объединить в однородные группы, и управлять запасами уже не на уровне отдельных позиций, а на уровне групп товаров. Расчет заказа по позициям будет последним этапом в формировании заказа.

Группировка (классификация) данных – отлично зарекомендовавший себя инструмент в анализе данных. Группировка представляет собой метод анализа и обработки информации, при котором исходные данные объединяются в однородные группы по некоторым общим признакам. Правильное использование группировок может дать огромный эффект в обеспечении информации для нужд управления бизнес-процессов. Под эффектом понимается качественный, оперативный и наглядный анализ данных, который способствует принятию рациональных решений.

Более того, при большом количестве неоднородных данных без группировок уже трудно обойтись, так как интерпретация статистических показателей, рассчитанных по всей совокупности без учета однородности, будет некачественной, неинформативной, а иногда и вовсе не иметь смысла.

Метод группировки, как привило, прекрасно подходит и несложно реализуется для анализа данных о движении большого ассортимента товаров, поэтому он широко распространен и активно используется в управлении запасами. Примерами группировок могут быть: АВС-анализ по приоритетности, группировка товаров по потребительским качествам, по поставщикам и проч.

Существует множество вариантов группировок данных, которые зависят от выбора группировочных признаков, которые в свою очередь зависят от целей анализа. Все группировочные признаки, которые используются в анализе данных с целью управления запасами, и, соответственно, сами группировки условно можно разделить на логические и статистические.

Логическая группировка товаров основана на логической структуре ассортимента товаров. Статистические признаки основываются на каких-либо статистических показателях. Например, группировочный признак в АВС-анализе будет статистическим, так как базируется на доле вклада каждой позиции в общий итог. Группировка товаров по поставщикам будет логической, так как базируется на логическом разделении совокупности и не связана с каким-либо статистическим показателем.

Очевидно, что разные группировочные признаки используются для разных целей. Однако независимо от целей группы товаров должны соответствовать определенным требованиям, которые в свою очередь могут быть общими (независимо от целей группировки) и специфическими (в зависимости от цели группировки). Общими требованиями любой группировки товаров для целей управления запасами, очевидно, следует считать:

- простая интерпретируемость;

- однородность.

Необходимость простой интерпретируемости групп товаров обусловлена использованием групповых показателей при планировании, в отчетностях, при принятии решений и др. К примеру, товарные группы "колбасы" или "парфюмерия" однозначно характеризуют товары, входящие в эти группы, в то же время трудно было бы интерпретировать группу, в состав которой вошли бы и колбасы, и парфюмерия? и запчасти к автомобилям. Для выполнения требования простой интерпретируемости обычно используются логические признаки группировки. Например, по потребительским свойствам, по торговым маркам, по поставщикам и др.

Однородная совокупность представляет собой набор значений, каждое из которых несущественно отличается от среднего значения по данной совокупности. Однородность необходима для получения качественных групповых показателей. В противном случае обобщенные групповые показатели могут потерять информативность и смысл (как показатель средней температуры по больнице включая морг). Формально в статистике существует критерии однородности, однако на практике вряд ли их кто-нибудь использует. Обычно ограничиваются какими-либо логически обусловленными границами для разбивки данных на группы.

Например, в АВС-анализе принято разделать товары, которые в сумме дают первые 80% к итогу (группа А), затем еще 15% (группа В) и последние 5% (группа С). Часто бывает, что подобное разделение «на глаз» не дает однородной и качественной группировки. В этом случае выделяют дополнительные группы: группа АА – самые топовые товары, группа D – неликвиды и др. Для выполнения требования однородности групп обычно используются статистические признаки группировки. Например, разбивка на группы по доле к итогу, размеру товарных запасов, объемам продаж и проч.

Как видно, для выполнения общих требований формирования группировок часто необходимо задействовать одновременно как минимум два группировочных признака: первый – логический (для достижения интерпретируемости), второй – статистический (для достижения однородности). Данное обстоятельство приводит к необходимости использования многомерных группировок, что усложняет анализ, однако может придать ему новое качество.

На практике указанные требования часто игнорируется, и группировка данных оказывается некачественной, плохо интерпретируемой. Как результат анализ движения товарных потоков остается неполноценным, важная информация остается незамеченной, а принятые решения оказываются не оптимальными.

Если общие требования являются основой любой группировки для целей управления запасами, то специфические требования придают группировке законченный вид, возможность внедрения и эффективного использования в управлении запасами. В принципе, специфические требования можно также отнести к обязательным (без них конечный результат может быть гораздо хуже), однако их выполнение все же больше зависит от конкретных целей, возможностей, квалификации логиста и других обстоятельств.

Примерами специфических требований группировки могут служить: простота использования (для внедрения, автоматизация расчетов), наглядность (для эффективного контроля товарных запасов, отчетов) и др. В конечном итоге вид группировок определяется конкретными обстоятельствами их использования.

В литературе об управлении запасами внимание логическим группировкам обычно не уделяется. Действительно, их использование логично и понятно. Однако практически в любой публикации или издании об управлении запасами описываются 2 вида статистических группировок: ABC-анализ (по приоритетности) и XYZ-анализ (по степени прогнозируемости).

ABC-анализ давно доказал свою эффективность и широко используется в управлении запасами. Причина тому – простота расчета и отсутствие всяких ограничений и условий его использования. Однако по XYZ-анализу есть большие вопросы. В качестве меры прогнозируемости рекомендуется использовать коэффициент вариации (соотношение среднеквадратического отклонения и среднего значения) динамики продаж. Данный статистический показатель характеризует разброс значений ряда вокруг его среднего значения. Чем больше коэффициент вариации, тем больше разброс и, соответственно, меньше прогнозируемость продаж.

Далее предлагается все позиции разбить на три группы (в зависимости от значения коэффициента вариации) с соответствующей интерпретацией и последующей стратегией управления запасами. Однако данный коэффициент далеко не всегда отражает степень прогнозируемости, что ставит под сомнение целесообразность его использования. Это легко увидеть на примере. Допустим, имеются поквартальные данные продаж двух товаров А и Б (см. рисунки А и Б).

   
                        Рисунок А                                                               Рисунок Б
Темпы продаж примерно одинаковые (около 10 шт. в квартал). Однако коэффициент вариации для товара А составляет 21%, а для товара Б – 38%. Получается, что товар Б менее прогнозируемый, чем товар А, так как его коэффициент вариации значительно больше. Но это не так. В динамике товара Б отчетливо видна тенденция и сезонность, которые представляют собой прогнозируемые составляющие динамического ряда.

С помощью сезонной декомпозиции эти составляющие можно исключить и тогда в ряде динамики останется только случайная компонента, которая и будет характеризовать степень прогнозируемости всего ряда динамики. В нашем примере коэффициент вариации для случайной компоненты в динамике продаж товара Б составил всего 3%. То есть динамика товара Б наоборот гораздо более прогнозируема, чем динамика товара А. Вывод получается противоположный.

Данный пример показательный для всех случаев динамики продаж, где присутствует тенденция и (или) сезонность, а это характерно для большинства товаров FMCG. Поэтому в качестве характеристики меры прогнозируемости следовало бы брать коэффициент вариации, рассчитанный только для непрогнозируемой составляющей (случайной компоненты) динамического ряда.

Такой или похожий подход в расчете коэффициента вариации встречается в литературе об анализе продаж. Однако вряд ли и это возможно осуществить на практике. Дело в том, что для проведения качественной сезонной декомпозиции данные динамического ряда должны соответствовать определенным требованиям, которые далеко не всегда выполняются (непрерывность ряда, наличие нескольких полных циклов и др.). Поэтому провести качественный  анализ динамического ряда для большого количества товаров практически не реально.

Кроме того на динамику продаж значительное влияние оказывают такие факторы как дефицит товара, маркетинговые мероприятия, запуск новых товаров и проч., что также отражается на коэффициенте вариации (в сторону увеличения, естественно).

Таким образом, для большинства случаев коэффициент вариации, используемый в качестве меры прогнозируемости, является неинформативным (не отражает реальную прогнозируемость) и может использоваться только при выполнении ряда условий, что делает XYZ-анализ непрактичным. Польза от XYZ-анализа по признаку прогнозируемости, несмотря на многочисленные рекомендации различных авторов, оказывается весьма сомнительной.

Одним из важных вопросов при проведении группировки товаров является определение количества групп. Опять же в статистике есть разные способы расчета оптимального количества групп, но все это упражнения для теоретиков и любителей поломать голову над формулами.

На практике все проще и ограниченней. Как правило, необходимо выбрать один вариант из нескольких, имеющих какой-либо смысл. Тем не менее, следует помнить о правиле оптимума: вариация внутри групп однородных товаров должна быть не значительной, а вариация между группами наоборот – существенной. Другими словами, товары внутри групп должны быть максимально похожи, а товары из разных групп – максимально отличными друг от друга. Выполнение данного требования приведет к минимальному количеству групп при максимальной однородности их содержимого.

Из вышеизложенного можно сделать следующий вывод. Для эффективного управления запасами весь ассортимент товаров следует разделить на группы. Выбор признаков для группировки зависит от целей и возможностей. Однако для достижения максимального эффекта группы товаров должны быть легко интерпретируемыми и однородными. В противном случае часть полезной информации может быть искажена и потеряна.

Интерпретируемость групповых показателей достигается путем использования логических признаков разделения товаров на группы; в каждой компании обычно это своя принятая классификация товаров. Однородность достигается путем использования статистических показателей. Обычно достаточно проведения АВС-анализа по нужному признаку со всевозможными его вариациями.

Таким образом, группировка получается многомерной, и каждая группа будет иметь два и более признака: логический и расчетный. Далее по каждой группе товаров рассчитываются агрегированные показатели о движении товаров: остатки, прогноз продаж, товар в пути и др. Эта информация необходима логисту для принятия рациональных решений относительно планирования и формирования заказов.

Источник: BusinessForecast.by

 
Читайте по теме:
 Пятничное чтиво. Доставка счастья: путь к прибыли, удовольствию и мечте
 Министр Тарас Кутовой: Я здесь работаю не для того, чтобы ставить галочки для МВФ, правительства или прессы
 Один день с министром инфраструктуры. Омелян о польском десанте, влиянии Авакова и безнаказанности
 Об инвестиционном потенциале денежно-кредитного мультипликатора
 Азартные игры в России

 
Комментарии
14 марта 2012,07:29 Дмитрий
Не все хорошо понимаю, что такое коэффициент вариации. Здесь толково написано с примерами http://statanaliz.info/teoriya-i-praktika/10-variatsiya/15-dispersiya-standartnoe-otklonenie-koeffitsient-variatsii.html