Цель этой заметки – показать, что распространенный алгоритм проведения ABC-анализа решает не ту задачу, для выполнения которой обычно используется. В связи с этим я предлагаю внести коррективы.
Как это делается
ABC-анализ проводится, точнее, должен проводиться для того, чтобы разделить клиентов фирмы на несколько категорий и дифференцировать работу с ними. То есть, чтобы отношения с этими клиентами были сообразны их вкладу в выручку/прибыль и прочие показатели жизнедеятельности компании-поставщика. Значит, ABC-анализ должен помочь выявить разницу во вкладе различных клиентов в благосостояние компании.
Как это сделать? Этому вопросу и посвящена заметка. Анализ многих тематических публикаций и встроенных в доступные CRM-системы инструментов позволяет сделать вывод о том, как этот анализ делается в большинстве компаний. Точнее, в большинстве компаний, где он вообще делается.
Итак, алгоритм анализа и сразу на примере компании «Высший морковный пилотаж», производящей и продающей морковь. Для простоты рассмотрим ABC-анализ только согласно критерию выручки, однако манипуляции и выводы будут аналогичными и для критерия прибыли, и для других показателей.
Шаг 1. Определяем пропорции
Например, мы решили, что:
- категория A – 70% от выручки,
- B – 20% от выручки,
- C – 10% от выручки.
Такие параметры используются по умолчанию во многих CRM-системах. В некоторых CRM-системах, кстати, не предусмотрена (!) возможность изменения этих параметров.
Шаг 2. Ранжируем клиентов и распределяем в группы в соответствии с выбранными пропорциями
Таблица 1. Ситуация первая: 10% клиентов создает 10% выручки
Почему это не работает
Так как клиентов у нашей компании не много, а особенности первой ситуации намеренно «выпячены», то, возможно, уже на этом этапе очевидно – ABC-анализ дает странный результат.
Мы включили в группу А очень много клиентов. Также наглядно видно, что ситуация далека от «20% клиентов создает 80% выручки». Это не просто придуманная мной методическая фигня. В реальности такое бывает чаще, чем можно себе представить.
Так почему же «сбоит» наш «абэцэ»? Потому что уже на первом этапе мы заложили в него получушь. Мы сделали это, введя произвольные параметры для наших клиентских групп.
Еще пример.
Таблица 2. Ситуация вторая: к одной категории относим очень разных клиентов
Видим, что «абэцэ» в одну группу относит «Склад №2» и двух его соседей, несмотря на то, что объемы «Склада №2» в разы больше. При этом оставшиеся семь клиентов отнесены к двум группам, хотя их объемы не сильно отличаются. Вполне возможно, что на протяжении большого периода они постоянно меняются друг с другом местами в рейтинге, совершая колебания вокруг примерно одинаковых «чисел».
Таким образом, применяя «абэцэ» так, как это предлагается некоторыми экспертами и CRM-системами, мы рискуем объединить в одну группу очень разных клиентов или, наоборот, разделить схожих клиентов на разные группы.
Как исправить этот недостаток? И вообще - сколько нужно выделить групп, чтобы сделать наш «абэцэ» эффективным инструментом?
Предлагаю свой вариант решения проблемы и жду его оценки критическим умом Сообщества.
Возможное решение
Давайте рассмотрим графическую модель первой и второй ситуации. Для этого расположим наших клиентов в двух осях: по одной оси – их ранг по выручке, по другой – размер этой выручки.
На рисунке 3 мы наглядно видим, что убывание выручки носит почти идеальный линейный характер, и все клиенты покупают примерно в одинаковом объеме.
Рис. 3
Таким образом, мы не можем отнести их к разным категориям. По крайней мере, наугад. Проведя анализ таким способом, мы получаем одну группу (выделенную синим цветом), хотя «классический» способ дает деление на три группы (выделенные красным цветом).
На рисунке 4 мы видим, что действительно можно выделить три группы, образующих разные типы тренда (выделены синим), однако это далеко не те же самые группы, что и при «классическом» анализе (красным).
Рис. 4. Видно три группы – но другие
В основе такого графического анализа лежит предположение, что сходство реальных объектов проявится в наблюдаемых графиках в виде определенных трендов. Такие тренды указывают, что определенное сходство между объектами есть, но они ничего не говорят о его природе.
Конечно, такой графический анализ не является единственно возможным. Более того, можно выбрать другие технологии и критерии для анализа и выделения подклассов внутри класса – и они дадут варианты подклассов, связанные настолько, насколько связаны между собой сами технологии и критерии.
Я лишь предложил один вариант, который лучше «классического» тем, что критерий для выделения – есть. Из этого следует, кстати, что число подклассов не обязательно равно трем. Подклассов может быть столько, сколько понадобится для решения наших задач.
Фото: pixabay.com
Михаил!Я надеюсь, что мы с Вами используем одну терминологию, и , не являясь спецом по АВС, попробую ответить.АВС всегда использует количественные однородные показатели, после полученных результатов устанавливаются качественные харастеристики. Например. 20% покупателей приносят 80% оборота, следующий вопрос чем 'качественно' один клиент отличается от другого, как 'качественно' взаимодействовать' с одним и с другим, и т.д.Посоветовать литературу, к сожалению, не могу, быть может позже
Станислав!1. 'Мало' не значит недостаточно - кому-то (мне например в моей сегодняшней работе) и АВС за уши хватает2. 'Смысл АВС в установления простых статистических данных о взаимосвязанных элементах некого процесса.' Согласен - коряво изложил, поскольку не спец. 3. Так я и пишу - попробуйте разные соотношения, пусть начнет с Ваших соотношений