Коллеги, не стал писать вопрос в теме "АВС анализ - обработка исходных данных".
У меня при XYZ анализе получаются коэффициенты вариации значительно больше, чем можно предположить логически. Поэтому значительная часть товара в группе Z.
Я понимаю, что статистику исходную нужно корректировать. Из темы про корректировку данных в АВС анализе я уже вынес несколько параметров, которые желательно учитывать, но уверен что для XYZ анализа есть и другие параметры (например, рост количество магазинов), вот и решил создать тему... Давайте обсудим что можно предпринять в XYZ анализе, чтобы распределение по группам было разумным :)
Анатолий, приветствую.
Все верно, коэффициент вариации в XYZ-анализе показывает отклонение от среднего значения. На реальной статистике это показатель "ни о чем", т.к.
- на разных периодах получаем разный результат, если анализируем данные по неделям, то вариация будет ниже, чем при анализе по дням. Нужно в конкретном случае брать свой шаг анализа и он должен пересекаться с шагом планирования.
- в анализируемых шагах может быть разное количество дней (или рабочих дней), лучше привести данные к среднедневной продаже в периоде.
- количество магазинов может меняться, опять же это нужно учесть, хорошо если магазины сравнимы и мы просто можем посчитать среднюю продажу на один магазин.
- существует дефицит товара и пиковые продажи. Например, я взял файл, в котором описывается методика фильтрации дефицита и пиков и добавил туда коэффициент вариации (смотреть вложение "Влияние дефицита и пиковых продаж на результат XYZ-анализа"). В результате коэффициент вариации снизился с 79% в исходной статистике до 53% после фильтрации дефицита и до 33% после фильтрации пиков.
- существует тренд и сезонность, можно либо их убрать из статистики, либо считать вариацию по значениям факт/прогноз. Пример во вложенном файле "Влияние тренда и сезонности на результат XYZ-анализа". Исходный коэффициент вариации равен 38%, а если откинуть тренд и сезонность (прогнозируемые факторы), то получаем 14%.
Обработать подобным образом вручную всю статистику конечно непросто, это нужно автоматизировать. XYZ-анализ более капризная штука нежели АВС, поэтому лично я не очень люблю XYZ-анализ в чистом виде.
Если принять во внимание цель, с которой мы проводим XYZ-анализ (классификация объектов по возможности точного прогноза), то можно использовать план/фактный анализ, он как раз и дает нам нужный результат без особых заморочек (спланировали 100, продали 120 - отклонение/вариация 20%). Это если, конечно, у вас ведется планирование в разрезе номенклатуры.
Можно добавить и другие причины завышенного коэффициента вариации, например, акции, дефицит по товару, с которым анализируемый товар продается совместно ( в терминологии Валеры Разгуляева), даже погода влияет на продажи, например, мороженного. В общем, это все факторы, которые могут быть учтены при построении прогноза продаж. А в XYZ-анализ должны попадать только не прогнозируемые факторы и этот анализ должен показывать нам насколько их (этих не прогнозируемых факторов) вес высок и как качественно мы можем прогнозировать данную конкретную позицию. Другими словами, это ошибка прогноза, а с каким подвыподвертом ее считать - дело каждого. :)
p.s. Некоторые тонкости XYZ-анализа с точки зрения обработки исходных данных так же описаны в данной статье.
administrator Анатолий, приветствую.
Все верно, коэффициент вариации в XYZ-анализе показывает отклонение от среднего значения. На реальной статистике это показатель "ни о чем", т.к.
- на разных периодах получаем разный результат, если анализируем данные по неделям, то вариация будет ниже, чем при анализе по дням. Нужно в конкретном случае брать свой шаг анализа и он должен пересекаться с шагом планирования.
- в анализируемых шагах может быть разное количество дней (или рабочих дней), лучше привести данные к среднедневной продаже в периоде.
- количество магазинов может меняться, опять же это нужно учесть, хорошо если магазины сравнимы и мы просто можем посчитать среднюю продажу на один магазин.
- существует дефицит товара и пиковые продажи. Например, я взял файл, в котором описывается методика фильтрации дефицита и пиков и добавил туда коэффициент вариации (смотреть вложение "Влияние дефицита и пиковых продаж на результат XYZ-анализа"). В результате коэффициент вариации снизился с 79% в исходной статистике до 53% после фильтрации дефицита и до 33% после фильтрации пиков.
- существует тренд и сезонность, можно либо их убрать из статистики, либо считать вариацию по значениям факт/прогноз. Пример во вложенном файле "Влияние тренда и сезонности на результат XYZ-анализа". Исходный коэффициент вариации равен 38%, а если откинуть тренд и сезонность (прогнозируемые факторы), то получаем 14%.
Обработать подобным образом вручную всю статистику конечно непросто, это нужно автоматизировать. XYZ-анализ более капризная штука нежели АВС, поэтому лично я не очень люблю XYZ-анализ в чистом виде.
Если принять во внимание цель, с которой мы проводим XYZ-анализ (классификация объектов по возможности точного прогноза), то можно использовать план/фактный анализ, он как раз и дает нам нужный результат без особых заморочек (спланировали 100, продали 120 - отклонение/вариация 20%). Это если, конечно, у вас ведется планирование в разрезе номенклатуры.
Можно добавить и другие причины завышенного коэффициента вариации, например, акции, дефицит по товару, с которым анализируемый товар продается совместно ( в терминологии Валеры Разгуляева), даже погода влияет на продажи, например, мороженного. В общем, это все факторы, которые могут быть учтены при построении прогноза продаж. А в XYZ-анализ должны попадать только не прогнозируемые факторы и этот анализ должен показывать нам насколько их (этих не прогнозируемых факторов) вес высок и как качественно мы можем прогнозировать данную конкретную позицию. Другими словами, это ошибка прогноза, а с каким подвыподвертом ее считать - дело каждого. :)
p.s. Некоторые тонкости XYZ-анализа с точки зрения обработки исходных данных так же описаны в данной статье.
Андрей, привет.
Прошу поделиться методологией корректировки сезонности.
Это нормально, что бета у тебя равна -0,06 Интересует также как для альфа и бета подбираешь значения.
VVY Прошу поделиться методологией корректировки сезонности.
Это нормально, что бета у тебя равна -0,06 Интересует также как для альфа и бета подбираешь значения.
В примере использован прогноз методом Винтерса - экспоненциальное сглаживание с учетом сезонности и тренда.
Соответственно, сезонность в данном случае не корректируется, а подбирается модель прогноза с учетом имеющейся сезонности.
Альфа, бета и гама подбираются поиском решения: ищем минимальное значение СКО, изменяя одновременно альфа, бета и гама.
Насколько мне помнится, ограничений по знаку коэффициентов в данном методе нет. ;)
добрый день! у меня вопрос, я провела XYZ анализ по 2 товарным группам, взяла период 4-5месяцев, делала анализ в закупочных ценах. Почему у меня получилось только YZ группа? :? скорее всего я что то неправильно делаю, может кто может мне помочь? :shock: может можно скинуть свой xyz анализ в личку??
Камилла добрый день! у меня вопрос, я провела XYZ анализ по 2 товарным группам, взяла период 4-5месяцев, делала анализ в закупочных ценах. Почему у меня получилось только YZ группа? :? скорее всего я что то неправильно делаю, может кто может мне помочь? :shock: может можно скинуть свой xyz анализ в личку??
Добрый день.
Какова цель анализа? Если разделить номенклатуру по возможности точного прогноза, то анализировать нужно штуки, а не деньги. О возможных причинах завышения коэффициента вариации, а следовательно отсутствия группы Х, я подробно с примерами писал выше.
Камилла я провела XYZ анализ по 2 товарным группам, взяла период 4-5месяцев, делала анализ в закупочных ценах. Почему у меня получилось только YZ группа???
Камилла, если вы использовали стандартные критерии попадания в группы: Х <= 10% < Y <= 25% < Z
- то это вполне ожидаемый результат. Дело в том, что это деление родилось в спокойной Европе, кроме этого XYZ они считают по годам, а не по месяцам - а это очень важно: если вы сделаете на своих же данных по годам, то у вас получится более ровное потрбление, если по неделям или дням - то, вообще, всё улетит в группу Z. Поэтому: либо меняйте период, по которому строите XYZ, либо меняйте критерии попадния в группы. Например: Х <= 25% < Y <= 50% < Z или Х <= 50% < Y <= 100% < Z
Здравствуйте. Пытался сделать XYZ по продаже продуктов питания - это просто караул ... Минимальный коэффициент 39% ... более 70% попадает в ZZ группу. Читал что там можно сделать коррректировку по трендам и кучу еще всякого ... Я так мельком сделал тренды, посмотрел - не сильно все это сккоретирует ... Да и редко такое бывает когда заказ, а товара такого нет на складе ... В общем я считаю, не получится сделать нормально этот xyz точнее можно, но больше запары. Отсюда вопрос - т.к. пока не планируем свою деятельность - ведь можно сделать распредление товаров по группам XYZ исходя из их оборачиваемости? XX - к примеру оборачиваемость свыше 10, X - свыше 5, Y - свыше 1, Z - свыше 0,3, ZZ - до 0,3?
pva Пытался сделать XYZ по продаже продуктов питания - это просто караул ... Минимальный коэффициент 39% ... более 70% попадает в ZZ группу. Читал что там можно сделать корректировку по трендам и кучу еще всякого... Я так мельком сделал тренды, посмотрел - не сильно все это скоретирует... Да и редко такое бывает когда заказ, а товара такого нет на складе ... В общем я считаю, не получится сделать нормально этот xyz точнее можно, но больше запары. Отсюда вопрос - можно сделать распредление товаров по группам XYZ исходя из их оборачиваемости?
Нет, товар в сверхзапасе с идеально равномерным потреблением будет иметь низкую оборачиваемость, а товар, который колбасит, но при этом его подвозят каждый день - будет иметь, наоборот, высокую оборачиваемость. Я бы обратил внимание на группы аналогичности - например, 10 вариантов подсолнечного масла, которое для клиентов ничем не отличается, и они берут первое попавшееся. Потребление каждого по отдельности из этих 10 вариантов масла может варьироваться в очень больших диапазонах, а потребление, вообще, всего подсолнечного масла будет - очень равномерным.