Pull to refresh

Comments 8

>группа A может занять процентов 50 от общей выборки. Именно поэтому, инструмент этот следует использовать исключительно с умом, а лучше — в диалоге с профессионалами.

>но что произойдет, если прямо под ним мы разместим столь же популярный штучный и коробочный поток? Все просто: с ростом интенсивности нагрузки, техника и сотрудники начнут «толкаться» в одних и тех же зонах, что приведет к снижению производительности.

То есть abc анализ по нагрузке и пропускной проходов во временнОм разрезе не делался :)

Эффективность ABC анализа упирается исключительно в адекватность используемых метрик, стоило бы, мне кажется упомянуть об этом в статье.
Пропускная способность проходов при моделировании устанавливается константой для разных типов оборудования (гидравлическая тележка, погрузчик, штабелер и т.п.), поэтому делать ABC-анализ по ее занятости — избыточное мероприятие. А вот сравнение результатов анализа во времени для разных временных срезов — это очень полезная информация. О метриках, параметрах и use-cases обязательно напишу немного позже! )))
В свое время проводил анализ по кубодням хранения — кубометр товара на дни проведенные на складе/витрине. Очень интересные результаты были для складов и витрин магазинов (только на витринах — не кубатура а квадратура занимаемого места + там посложнее — идет разбивка торговых мест на группы по феншую от мерчендайзеров). Написал софт (приблуда для 1С) но сколько ни искал в сети — так и не нашел теории по этой теме (готовил как то доклад на очередной шабаш, хотел по умному, по научному рассказать, в итоге так и излагал по колхозному) Так вот, к чему клоню — если есть такие знания/опыт — было бы очень интересно почитать/послушать.
В магазинах — фэйсинги и глубина полки. Кстати, до сих пор во многих не внедрена даже простейшая система учета движения между складом (кладовкой) и залом, а также фиксация продажи и — как следствие — выход товаров из зала. А так, берем среднюю скорость выбытия с поправкой на популярность (ABC по частоте обращений -> популярность -> поправочный коэффициент к стандартному отклонению), считаем запас в зале и число пополнений со склада, далее — запас на складе и пополнения с распредцентра, и получаем нижний уровень запаса, при достижении которого надо пополнять номенклатуру с РЦ. Группируем номенклатурные позиции для транспортировки по принципу сокращения числа перемещений при условии полной занятости полок и склада — имеем автозаказ с автопополнением. Методика простая, но крайне эффективная. Нюансов много, но все на поверхности (кратность с учетом фэйсинга и глубины, например, или группировка по условиям транспортировки — сухой, реф и т.п.).
ABC анализ при всей свой примитивности интересен тем, что изобретается из раза в раз складскими аналитиками и разработчиками in-house wms, а консалтерами преподносится как восьмое чудо света. При этом никто в крупном бизнесе (я имею в виду от 5 тыс единиц наименования) продукции не использует ABC в чистом виде — все придумывают свой велосипед. Самый распространенный способ исказить идею ABC — это придумывание своих пропорций. Скажем 55/35/10 какой-нибудь аналитик вполне может называть «тонкой настройкой по нужды сегмента», что крайне неверно, поскольку предполагается что выбранная метрика имеет нормальное распределение. Если это не так, то метрика выбрана неверно. Вместо этого появляются такие классификации, не имеющие ничего общего с математикой, а основанные на «интуиции» отдельного индивида.
Не совсем понял: на каких таких узких выборках ABC почти равен XYZ? XYZ показывает разброс значений метрики. В связке с ABC может расцениваться как то, на сколько стабильно вычисленное значение ABC.

Если анализировать изменение объема отгрузки во времени на сравнительно небольшой глубине (что я и назвал «узкой выборкой»), да еще и в отношении конкретного товаропотока, то наиболее популярные по частоте обращений товары (группа A по частоте обращений, она же группа F в концепции FMR) будут иметь наименьший разброс значений объема отгрузки (группа X — наиболее прогнозируемые элементы). Магии здесь никакой нет: вменяемый отдел закупок не будет вкладывать деньги в хранение неликвидов, а высоколиквидные товары становятся таковыми именно благодаря постоянному спросу. Один вид анализа другой никак не заменяет, речь идет о том, что мы можем получить схожие результаты в определенном ракурсе. Предвидел вопросы, поэтому и написал, что подробнее об этом расскажу позже.
При «небольшой глубине», в вашей формулировке, каждая статистическая функция будет будет выдавать столь недостоверное значение, что действительно любую из них можно приравнять (как говорится 50/50) :)
Хранить или не хранить — это вообще не вопрос складской логистики :)

Шутку оценил )))
Глубина до месяца, обновление ежедневное. Получаете плавное изменение показателей, на которое можно своевременно реагировать. А с сумасшедшими закупщиками можно вообще ничего не анализировать — изменения будут непрогнозируемы.

Only those users with full accounts are able to leave comments. Log in, please.

Articles