XYZ analýza

    Rozdělení skladových položek do skupin X, Y a Z podle toho, jak vyrovnaná a předvídatelná je jejich poptávka — X stabilní a snadno odhadnutelná, Y kolísavá a často sezónní, Z nárazová s malou vypovídací hodnotou predikce. Na rozdíl od ABC analýzy, která řadí produkty podle podílu na obratu, XYZ se ptá, jak moc se dá poptávce věřit — obě osy se doplňují, ne nahrazují.

    Rozdělení podle toho, jak dobře se dá poptávka odhadnout

    XYZ analýza rozděluje skladové položky do tří skupin podle vyrovnanosti a předvídatelnosti poptávky v čase — bez ohledu na to, kolik daný produkt vydělává. Skupina X jsou produkty se stabilní, snadno odhadnutelnou poptávkou. Skupina Y jsou produkty s kolísavou, často sezónní poptávkou, kde je predikce možná, ale s větší nejistotou. Skupina Z jsou produkty s nárazovou nebo nepravidelnou poptávkou, u kterých má predikce jen omezenou hodnotu.

    X — stabilní a předvídatelná poptávka

    Produkty, které se prodávají v podobném objemu týden co týden nebo měsíc co měsíc. Predikce poptávky u nich funguje spolehlivě a dává smysl plánovat automatizované doplňování s nižší bezpečnostní zásobou.

    Y — kolísavá, často sezónní poptávka

    Poptávka se v čase mění podle rozpoznatelného vzorce — sezóna, kampaně, svátky — ale s většími výkyvy než u skupiny X. Predikce je možná, ale vyžaduje počítat se sezónností a s vyšší nejistotou v odhadu.

    Z — nárazová, špatně předvídatelná poptávka

    Produkty, které se prodávají nepravidelně, občas vůbec ne, bez rozpoznatelného vzorce. Statistická predikce tady má malou vypovídací hodnotu — u těchto položek se často vyplatí jiná logika řízení zásob než u X a Y, například jednoduché minimum-maximum pravidlo nebo objednávka až na základě reálné poptávky.

    XYZ není totéž co ABC — jde o jinou osu

    ABC analýza a XYZ analýza se často zmiňují společně, ale odpovídají na jiné otázky. ABC řadí produkty podle toho, kolik přinášejí (hodnota, obrat, zisk). XYZ řadí produkty podle toho, jak dobře se dá jejich poptávka odhadnout (stabilita, variabilita). Produkt může být zároveň velmi hodnotný (A) i těžko předvídatelný (Z) — a to je přesně kombinace, která se plete nejčastěji.

    Kde firmy pálí peníze

    Typická chyba je zacházet s ABC a XYZ jako se stejnou věcí, nebo predikovat a plánovat zásoby stejným způsobem napříč všemi třemi skupinami bez ohledu na to, jak moc je poptávka reálně vyrovnaná.

    • Stejná bezpečnostní zásoba pro X i Z produkty

      Když se bezpečnostní zásoba počítá stejným vzorcem bez ohledu na variabilitu poptávky, u stabilních X produktů zbytečně naroste (a váže kapitál navíc), zatímco u nepředvídatelných Z produktů nemusí stačit na pokrytí výkyvů, které jsou u nich běžné.

    • Prediktivní modely nasazené i tam, kde nemají šanci fungovat

      Snaha přesně predikovat poptávku u produktů ze skupiny Z je většinou ztracený čas — nepravidelnost poptávky tam není chyba modelu, je to vlastnost daného produktu. Energie vložená do zpřesňování predikce se lépe využije u skupiny X a Y.

    • Sezónní Y produkt vyhodnocený jako problém, protože poptávka kolísá

      Bez rozlišení X/Y/Z se výkyv v prodejích u sezónního produktu snadno zamění za výpadek nebo chybu v odhadu, ačkoliv jde o normální a očekávatelné chování dané skupiny.

    Jak k tomu Datimo reálně přistupuje

    XYZ analýza jako samostatně pojmenovaná statistická klasifikace (například podle variačního koeficientu poptávky) není v Datimu samostatná funkce s vlastním štítkem X, Y nebo Z u produktu. Zůstáváme k tomu upřímní, protože jde o metodiku, kterou má smysl zmínit pojmenovaně, ale konkrétní track record s formální XYZ klasifikací u nás zatím nemáme.

    1. 1

      Podobnou otázku řeší obrátkovost a štítky produktu

      Doba obratu skladu se u nás počítá po jednotlivém SKU a každý produkt dostane jeden ze čtyř štítků — rychloobrátkový, pomalý, ležák, neprodejný. To není totéž co XYZ klasifikace podle variability poptávky, ale prakticky odpovídá na podobnou otázku: který produkt se chová vyrovnaně a který ne.

    2. 2

      Přesnost predikce se u každého produktu sleduje zvlášť

      Skladové predikce v Datimu počítají doporučené množství a termín objednávky po SKU a přesnost predikce (MAE, sMAPE, bias) se sleduje v reportu. U produktů s nepravidelnou poptávkou tak jde vidět, že se predikce chová méně přesně, i bez formálního XYZ štítku.

    3. 3

      Konkrétní nastavení probíráme na vašem katalogu

      Jestli je pro váš byznys užitečné mít formální XYZ segmentaci vedle ABC, záleží na sortimentu a míře sezónnosti — je to téma, které dává smysl probrat na reálných datech, ne slibovat předem jako hotovou funkci.