XYZ-анализ - критика

XYZ-анализ и его применимость на практике. Точнее сказать, рассмотрим причины, по которым "известный и популярный метод" не выходит за страницы учебников и раздаточных материалов всевозможных бизнес-курсов (по логистике, маркетингу и прочему). Может быть, я не был бы столько категоричен, если бы метод XYZ рассматривался только как теоретический подход и, так сказать, направление мысли. Однако его упоминание во множестве учебниках и бизнес-курсах в качестве действующей и проверенной методологии вызывает рефлекс обманутого вкладчика. Не люблю, когда обманывают.

В двух словах напомню, что, несмотря на совершенно разную основу (анализируемый показатель), XYZ-метод часто используется как дополнение к ABC-анализу. Нередко можно встретить даже объединяющее название вроде ABC-XYZ-анализа. Тем не менее, XYZ-методология имеет самостоятельный математический аппарат. За буквами X, Y, Z скрывается степень прогнозируемости позиции (обычно товара при XYZ-анализе ассортимента). Уровень прогнозируемости может дать ценную информацию о характере динамики объекта исследования, которая в дальнейшем будет использована при принятии решений в его управлении. Если мы можем прогнозировать с высокой точностью, то это одно, а если понятия не имеем, что будет завтра, то – другое. В общем, умение не только прогнозировать, но и понимание самой возможности прогноза, – весьма полезные знания.

Уровень прогнозирования принято измерять таким показателем, как коэффициент вариации. Показатель этот сам по себе информативный и заслуженно занимает одно из почетных мест в системе статистических показателей. Он характеризует меру разброса данных вокруг средней величины и является относительным, то есть не привязан к единицам измерения самого явления. Казалось бы, здесь всё просто прекрасно и придраться не к чему. Однако но! Предлагаю на секунду вернуться к примеру, где наличие в динамике тенденции и сезонности резко увеличивает коэффициент вариации, тем самым снижая показатель прогнозируемости. То есть при некотором реальном уровне прогнозируемости (величине ошибки прогнозирования) колеблемость, рассчитанная по исходным данным, будет сообщать о худшей прогнозируемости, чем она есть на самом деле. Ошибка может иметь существенные последствия.

Пример расчёта коэффициентов вариации для XYZ-анализа

Теперь давайте перейдём к конкретным расчётам и примерам XYZ-анализа. Итак, коэффициент вариации отражает степень разбросанности данных вокруг их среднего значения и это якобы соответствует качеству возможных прогнозов. Чем больше колебания, тем хуже прогнозируемость, то есть ошибка прогноза. Рассмотрим в качестве примера два динамических ряда и измерим степень их прогнозируемости с помощью коэффициента вариации.

Есть товар А и товар Б с одинаковыми средними продажами (для чистоты эксперимента). Данные о динамике их продаж приведены в таблице ниже.

Данные двух динамических рядов продаж

Товаров может быть пару сотен и даже тысяч, поэтому о наглядных графиках и предварительном визуальном анализе речи быть не может. На деле приходится работать именно с табличным видом информации и реальное представление о динамике бывает только хуже за счет огромного количества данных. У нас же в примере только 2 (два) ряда, и то на глазок ничего не видно. Единственным пока ориентиром может служить коэффициент вариации. Проведем необходимые расчёты в Excel для обоих динамических рядов. Средние значения продаж, как условились выше, одинаковые – по 77 единиц. Коэффициент вариации для товара А составил 19%, для товара Б – 35%. Следуя общепринятой интерпретации, динамика товара А прогнозируется лучше (с меньшей ошибкой), чем динамика товара Б, так как коэффициент вариации динамики его продаж значительно ниже. Далее, исходя из полученных расчётов, товар А, допустим, попадает в группу Y (лучше прогнозируется), товар Б – в группу Z (хуже прогнозируется). За этим следует установка нормативных запасов, что напрямую отражается на величине замороженных средств. Как видно, на товар Б придётся отвлечь относительно больше финансовых ресурсов, так как того потребует непредсказуемость его продаж, если судить по коэффициенту вариации. Что ж, пусть пока будет так. Теперь откроем занавес и посмотрим, какая картинка скрывается за числами продаж. Алле оп!

Продажи товара А:

Динамика продаж товара А

Продажи товара Б:

Динамика продаж товара Б

Вуаля!

Оба графика, как отчётливо видно, отличаются по своему характеру. Продажи А имеют спонтанный, случайный характер. Продажи Б, наоборот, подвержены ярко выраженным закономерностям роста и цикличности. На самом деле я всё сам придумал! Однако сделал это с умыслом, чтобы дать читателю образное представления о возможных отличиях в характере динамических рядов. На практике чаще получается что-то среднее: и тенденция может быть, и цикличность, и скачкообразные всплески или провалы в продажах.

Динамика А имеет хаотичный характер, и уловить какую-либо закономерность (кроме среднего значения) невозможно. В этом случае коэффициент вариации действительно отражает степень случайной разбросанности данных и, соответственно, уровень прогнозируемости. Зато динамика Б имеет ярко выраженную тенденцию (постоянный рост) и цикличность (периодические всплески), что вовсе не является случайностью, а наоборот, закономерностью, которая, скорее всего, будет наблюдаться в прогнозируемом периоде. Следовательно, прогноз может быть скорректирован с учетом наличия закономерностей в ряде, что уменьшит ошибку прогнозирования. Таким образом, реальный уровень прогнозируемости будет выше, чем показывает коэффициент вариации (без учёта тенденции и сезонности).

Корректировка данных для проведения XYZ-анализа

В статистике существуют методы, с помощью которых оцениваются и вычленяются тренд и цикличность. Я пока не буду расписывать, как именно это делается, так как для подробного изложения понадобится целая статья, возможно даже, три. Поэтому продемонстрирую результаты полученных расчётов.

Чисто тенденция на рисунке выглядит так.

Трендовая компонента

Немного кривовато получилось, но не будем гнаться за красотой. Поверим специализированной компьютерной программе.

Циклическая компонента выглядит так.

Циклическая компонента

Оба показанных выше графика отражают хорошо прогнозируемые составляющие динамики. После их вычленения из исходных данных нашему взору предстанет то, что невозможно прогнозировать, – случайная составляющая, которая отражает спонтанность продаж.

Случайная компонента

Это так называемая случайная компонента - в ней больше нет закономерностей, а только случайные и непредсказуемые колебания, которые и определяют реальный уровень прогнозируемости.

После устранения тенденции и цикличности из динамики продаж товара Б коэффициент вариации составил всего 5% (так как среднее значение случайных колебаний равно нулю, то для получения правильного показателя вариации стандартное отклонение случайной составляющей делится на среднюю исходных данных), что существенно меньше, чем такой же показатель для товара А. Вывод о степени прогнозируемости двух товаров становится противоположным, то есть товар Б можно прогнозировать гораздо более точнее, чем товар А. Следовательно, товарный запас для позиции Б оказался завышен, так как всплески и рост продаж были вполне предсказуемыми и держать большой страховой запас не было необходимости. Ошибка перетарки склада налицо. Вот вам и XYZ-анализ!

Из данных расчётов следует заключить, что без тщательного анализа и корректировки первоначальных данных использование XYZ-анализа может привести к неверной трактовке. Последствия не заставят себя ждать.

На самом деле наличие тренда и цикличности в динамике – давно известные факторы, которые искажают XYZ-анализ. Опытные аналитики даже предлагают средства для борьбы – через ту же корректировку данных. Однако здесь необходимо понимать следующее.

В примере выше была показана динамика с равномерным трендом и пятью циклами (например, сезонами) продаж. Равномерность тренда на протяжении такого длительного периода вряд ли возможна в реальной жизни. Скорее всего, он был бы либо непостоянным, что уже затрудняет его оценку, либо может измениться в любой момент, что так же не прибавляет уверенности в прогнозе. Либо такой длинный ряд вообще будет трудно найти, а по короткой динамике рассчитать тенденцию без существенной ошибки в принципе невозможно.

Эта же проблема касается и цикличности продаж. Если по пяти циклам ещё можно получить минимальную точность параметра, то найти такой динамический ряд бывает весьма трудно. Для этого часто не хватает накопленной статистики. Но даже если и хватает, то аналитики, которые советуют использовать XYZ-метод, часто рекомендуют ограничиться одним периодом для расчёта так называемого коэффициента сезонности - то есть цикличной компоненты. Не нужно забывать, что цикличность – это фактор закономерности, а не просто случайность. А разве можно закономерность оценить по одному, двум или даже трём наблюдениям? Отнюдь. Вероятность и величина ошибки будут очень большие. Поэтому для оценки и устранения цикличности требуется хотя бы 5 полных циклов. В случае, если цикличность определяется сезонностью, то данные потребуются за полные 5 лет. Не все предприятия могут похвастаться такой статистикой.

Проблемы при оценке закономерных компонент в динамике могут привести к ошибкам в расчётах. На выходе могут выйти данные, противоречащие элементарной логике. Ну, типа, страховой запас при ежемесячных поставках нужно поддерживать на уровне годового объёма продаж. Абсурд.

Как видно, для определения реального уровня прогнозируемости трудно обойтись одним только коэффициентом вариации. Нужно использовать дополнительные статистические методы анализа. Однако для их применения обычно требуется большое количество исходных данных (динамика за длительный период), что в реальности встречается не так часто, как хотелось бы. Кроме того, тщательный анализ динамики (например, как показано выше), потребует немало времени даже для одного ряда. Если их десять, может понадобиться несколько часов. Если их сто или тысяча, то к концу анализа за определенный месяц наступит следующий, и нужно будет начинать все заново. Короче, на подобные расчёты для большого множества позиций никогда не хватит времени. А автоматизировать тоже не получится, потому что велика доля ручного труда и человеческой логики. Компьютеры так ещё не умеют. Чай, искусственный интеллект не придумали. В то же время, ограничившись малым количеством значений (малой выборкой), неизбежно увеличивается ошибка рассчитываемых показателей, что зачастую ведёт к денежному и моральному ущербу.

Таким образом, XYZ-анализ больше подходит для грубой оценки данных или для определения направления анализа и действий, чем для практического ежедневного применения. Сам по себе XYZ-анализ в чистом виде можно использовать в условиях, приближенных к лабораторным, то есть при выполнении большого количества условностей. Ну, или при анализе очень маленького количества динамических рядов, когда есть возможность подумать над каждым. При большом ассортименте такой возможности, конечно, нет. По шкале практичности я ставлю данному методу три с минусом. Да и то, только потому, что у него есть крепкая математическая основа, и название красивое. Других преимуществ я не вижу.

 

Езепов Дмитрий
statanaliz.info

Перепечатка и перепостинг статьи вместе с этим текстом, указанием автора, и ссылки на первоисточник - приветствуются!