Первый недостаток, точнее даже ограничение, заключается в том, что классический ABC-анализ – это одномерный метод. Если явление простое и само по себе одномерное, то все замечательно, никаких вопросов. Однако в жизни часто приходится иметь дело с многомерными объектами исследования. Таким образом, как бы не был красив АВС-метод, он отражает только одну сторону явления, группирует только по одному группировочному признаку. Эта проблема не есть очень сложная и решается с помощью использования многомерного АВС-анализа, когда группировка проводится сразу по нескольким показателям. Подробно об этом в специальной статье.
Второй недостаток вытекает из первого и из способа его преодоления. Как я только что отметил, приоритетность элементов многомерного объекта следует рассматривать, используя сразу несколько показателей. Для этого определяют группы А,В и С сразу по нескольким переменным. В результате, если мы используем 2 показателя, то количество возможных групп будет 9 (девять). Максимальное число групп определяется количеством возможных сочетаний АВС групп по двум показателям (AA, AB, AC, BA, BB, BC, CA, CB, CC). Вот, как это выглядит схематично на картинке.
Каждая ячейка – это группа в двухмерном АВС-анализе. Если элемент попадает в группу СА, то это значит, что по первому признаку он соответствует группе С, по второму – группе А. Если элемент попадает в группу АВ, то по первому признаку – А, по второму – В и т.д. Как видно, всего может быть 9 групп. Самые приоритетные позиции находится в группе АА, наименее приоритетные – в СС. Интерпретация всех групп и принимаемые в связи с этим решения целиком и полностью зависят от природы данных и целей анализа. Для трех показателей количество групп достигает уже 27 (три в кубе равно двадцать семь).
Таким обозначением (особенно если групп 3 и более) пользоваться не всегда удобно, и тогда сочетание букв заменяют каким-либо одним (одномерным) рейтингом. Например, все группы, в которых присутствует буква А (AA, AB, AC, BA, CA) заменяют общим рейтингом А. Очевидно, что группы А по первому и второму признакам далеко не всегда будут полностью совпадать. Это значит, что в общую агрегированную группу А попадут уже не 20% пресловутых приоритетных наименований, которые дают 80% результата, а существенно больше. Например, в сводную группу А (состоящую из AA, AB, AC, BA, CA) может попасть 1/3 всех позиций. Это еще ничего. А вот если половина всех элементов? Как видим, правило 20/80 может превратиться в 50/80, что звучит уже не так радостно, а управлять 50% элементами уже не так легко, как 20%.
Пример
Имеется ассортимент товаров. Нужно, как обычно сократить стоимость запасов, да так, чтобы продажи не пострадали. Неумелый аналитик сразу проведет АВС-анализ по доходу и скажет, что группу В и С смело сокращаем, а группу А не трогаем. Так ему подсказал учебник. Однако реальность – коварная штука. Представим, что в магазине продаются и дорогие, часто спрашиваемые товары (из группы А), и дешевые, непопулярные (из группы С). Приходит покупатель за дорогим пальто (группа А) и к нему хочет купить запасные пуговицы, заплатку на будущее и новые красивые шнурки в кеды (группа С). Пальто, допустим, имеется в наличии (группа А всегда должна быть), а вот после советов нашего аналитика некоторые позиции из группы С выпали, так как по ним был сокращен запас. В итоге покупатель видит пальто, но не может купить пуговицы и шнурки. Ему теперь нужно ехать в другой магазин – это же огромное расстройство. Такая ситуация называется плохим обслуживанием клиентов, когда покупатель не может приобрести все, что ему надо. Короче, он психует и уходит из магазина вообще без покупок. Зачем таскать с собой пальто, если его можно купить в другом месте, где будут и пуговицы, и шнурки? Вот и получается, что из-за отсутствия товаров группы С уменьшаются продажи группы А.
Для того, чтобы уменьшить количество подобных ситуаций, следует сделать так, чтобы наиболее часто спрашиваемые (не приносящие доход, а именно спрашиваемые) товары всегда были в наличии. Это увеличит качество обслуживания, то есть уровень удовлетворения спроса, и не будет в будущем отпугивать покупателей. В этих целях нужно провести АВС-анализ по частоте покупок (можно анализировать количество ТТН или чеков по товарам). Далее по известным алгоритмам отбираются группы А, В и С. В группу А попадут наиболее часто спрашиваемые позиции, они всегда должны быть в наличии. Далее останутся группы В и С, которые имеют меньший приоритет. Если сюда добавить АВС-анализ по доходу, то у нас получится многомерный АВС-анализ по двум показателям: по доходу и по частоте покупок. Для управления запасами можно будет использовать сочетание из двух букв, а можно и заменить общим рейтингом, как было показано выше. Тогда в сводную группу А попадут все товары, которые приносят максимальный доход и/или чаще всего спрашиваются. Поверьте на слово, количество значений в группе А будет существенно больше, чем 20%. Что делать дальше, дело третье, об этом в другой раз. Но суть, надеюсь, понятна.
Третий недостаток – это разделение данных независимо от их качественной характеристики. Наверное, правильнее сказать, что это недостаток аналитика, а не метода, но, тем не менее, при наличии такой проблемы АВС-анализ также нужно использовать крайне осторожно. Представим, что мы анализируем продажи большого ассортимента, в который входят несколько торговых марок или разных по потребительским свойствам товаров (кеды, ручки, хлеб, двери, колеса и др.). Если все это смешать и провести АВС-классификацию, то получится, что в каждой группе будут совсем несопоставимые между собой позиции, не имеющие ничего общего. В этом случае группировка не будет иметь практического смысла. Группы выделяются для того, чтобы ими можно было управлять, а как можно управлять совершенно разными по своим свойствам товарами? Поэтому перед проведением АВС-анализа неплохо бы разделить данные на более-менее похожие по своей природе группы. Здесь такую аналогию можно провести. Имеются 2 арбуза и 3 вишни. Если их сложить, то получится 5... чего? Да ничего. Складывать вишни и арбузы – это идиотизм. Так и в АВС-анализе. В группу А у неразумного аналитика могут попасть и огурцы, и зубная паста. Подобных перемешиваний нужно избегать – засмеют. Хотя для финансового анализа, чисто для определения локомотива, который дает основной оборот, можно и так анализировать. Все зависит от цели.
Четвертый недостаток, который проявляется не всегда, но о нем стоит знать. Возвращаясь к примеру с ассортиментом, следует отметить, что среди товаров могут встречаться не только те, которые плохо продаются, но и те, которые не продаются вообще или которые продаются в убыток. То есть товары, которые наносят урон похуже группы С. Для этого часто добавляют еще одну группу – D. Получается ABCD-анализ. Или вот еще пример. В группу А вошли 40-50% ассортимента, что в абсолютном выражении может быть весьма много. Тогда из группы А можно выделить группу А+, куда войдут самые-самые позиции.
Три группы А, В и С не всегда способны качественно разделить данные, поэтому часто добавляют дополнительные группы, не предусмотренные классическим вариантом.
Пятый недостаток относится ко всем методам статистического анализа, так как он связан с качеством, достоверностью и актуальностью данных. Можно было бы и не отмечать этот пункт, но я все-таки остановлюсь и заострю внимание тех, кто при виде аббревиатуры «АВС» радостно хлопает в ладоши с криком «я знаю, что такое АВС-анализ». При всей простоте далеко не каждый отчетливо осознает взаимосвязь между исходными данными и выводами. Общих рекомендаций здесь не будет, так как по этому пункту все сугубо индивидуально. У всех данных могут быть свои проблемы. Но пару примеров об анализе ассортимента товаров и продаж приведу.
Как известно, анализ продаж производится за некоторый период. Результаты и выводы переносятся на будущее с предположением, что закономерности и структура продаж не изменятся. В большинстве случаев так и происходит. Однако бывает и так, что в динамике продаж наступают резкие изменения, связанные, например, с сезонностью. Допустим, мы провели АВС-анализ продаж за 1-й квартал года. Получили некоторый результат. В группу С попали товары, которые зимой продаются плохо, но летом наступает всплеск. Если об этом не думать, то по результатам проведенного анализа группа С будет иметь минимальный товарный запас (таковы правила эффективного управления запасами), а когда наступят теплые деньки, остатки быстро обнулятся. Получается, что данные АВС-анализа за зимний период не будут соответствовать летней АВС-группировке. Ситуация бывает и обратной. Набрали на склад плавок и кремов для загара, а их почему-то зимой никто не хочет покупать. Мораль такова, что структура продаж может быть не постоянна и при проведении АВС-анализа ассортимента этот факт стоит учитывать.
Другой пример с продажами.
Часто бывает, что некоторые позиции выпадают из продаж. Это происходит по разным причинам: нет у поставщика, ошибка в закупках и проч. Тогда получается, что в течение некоторого времени товар не продавался и общий объем продаж будет ниже потенциально возможного. Если это позиция из группы А, то по результатам расчета она легко может попасть в группу В или даже С. Последствия от подобной ошибки могут быть весьма чувствительны. Проблема решается путем устранения из расчетов тех периодов, когда товар отсутствовал. Это не сложно сделать, перейдя от суммарных продаж к средним продажам за более мелкий период (от годовых продаж к месячным, или от месячных к недельным и т.п.), не изменяя общую длину анализируемого периода. Тогда периоды с аут оф стоком (дефицитом) можно просто убрать из расчета, оставив только то время, когда товар был на складе и продавался. Структура продаж станет более правдоподобна.
В общем, прежде чем проводить анализ, неплохо бы просто задуматься, насколько данные хорошо отражают анализируемый процесс или явление. Этот момент можно смело распространить на все статистические методы.
Скорее всего, можно было бы и еще найти слабые стороны АВС-анализа, но вот то, что мне пока вспомнилось.
Таким образом, АВС-анализ обладает большими преимуществами, которые выражаются в простоте, универсальности и легкой реализации.
Из отрицательных моментов нужно отметить в первую очередь то, что АВС-группировка по одному показателю далеко не всегда корректно расставляет приоритеты. При использовании многомерного ABC-анализа количество элементов в группе А может быть существенно больше 20%. ABC-анализ не умеет распознавать качество и природу данных, это должен делать аналитик перед проведением расчетов.