Бессмысленный АВС

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