ReMetod
Свяжитесь с нами

Продажи / Demand variability

Как провести XYZ-анализ с ИИ

XYZ-анализ с ИИ — это автоматизация классификации товаров по стабильности спроса. ИИ очищает данные, рассчитывает коэффициент вариации, присваивает категории X, Y, Z и выявляет аномалии. Это позволяет точнее планировать закупки и запасы, снижая риски дефицита и излишков.

Проблема

Почему это важно

Без XYZ-анализа компания не понимает, какие товары имеют стабильный спрос, а какие — непредсказуемый. Это приводит к избыточным запасам по нестабильным позициям и дефициту по стабильным, что увеличивает затраты на хранение и теряет продажи.

Почему возникает

  • Ручной расчет коэффициента вариации в Excel занимает много времени и подвержен ошибкам при большом ассортименте.
  • Данные о продажах содержат пропуски, выбросы и сезонные колебания, которые искажают расчет.
  • Отсутствие единого порога для категорий X, Y, Z приводит к субъективным решениям.

Риски и потери

  • Излишние запасы по нестабильным товарам замораживают оборотные средства.
  • Дефицит по стабильным товарам приводит к потере продаж и клиентов.
  • Неправильная классификация искажает планирование закупок и бюджетирование.

Что влияет на результат

  • Количество продаж по периодам (дни, недели, месяцы)
  • Сезонность и тренды
  • Наличие акций и маркетинговых кампаний
  • Выбросы (разовые крупные заказы, возвраты)

Типичные ошибки ручного подхода

  • Ошибки в формулах при ручном расчете коэффициента вариации.
  • Игнорирование выбросов, которые завышают вариацию.
  • Неправильный выбор периода анализа (слишком короткий или длинный).
  • Субъективное назначение границ категорий X, Y, Z.

Определение

Что важно понимать

Коэффициент вариации

Статистический показатель, равный отношению стандартного отклонения к среднему значению. Показывает относительную изменчивость спроса.

Чем выше коэффициент вариации, тем менее стабилен спрос, что требует другого подхода к управлению запасами.

Категория X

Товары с коэффициентом вариации до 10% — стабильный спрос, прогнозируемый с высокой точностью.

Для них можно строить точные планы закупок и поддерживать минимальный страховой запас.

Категория Y

Товары с коэффициентом вариации от 10% до 25% — умеренная изменчивость, возможны сезонные колебания.

Требуют более гибкого планирования и увеличенного страхового запаса.

Категория Z

Товары с коэффициентом вариации более 25% — нестабильный спрос, трудно прогнозируемый.

Для них нецелесообразно держать большие запасы, нужна стратегия заказа под заказ или минимизация запасов.

Данные

Какие данные нужны

История продаж по товарам

Для расчета среднего значения и стандартного отклонения спроса за период.

  • Товар
  • Дата продажи
  • Количество
  • Сумма

Период анализа

Определяет временной интервал для группировки данных (день, неделя, месяц).

  • Начало периода
  • Конец периода
  • Шаг группировки

Справочник товаров

Для сопоставления продаж с конкретными позициями и исключения дублей.

  • Артикул
  • Наименование
  • Категория

Данные о выбросах и акциях

Для очистки данных от аномалий, которые искажают коэффициент вариации.

  • Дата акции
  • Товар
  • Тип события

Методология

Методика XYZ-анализа с ИИ

Принципы

  • Сначала очистить данные от выбросов и пропусков, чтобы коэффициент вариации отражал реальную стабильность.
  • Рассчитать коэффициент вариации для каждого товара по формуле: CV = σ / μ, где σ — стандартное отклонение, μ — среднее значение.
  • Присвоить категорию X, Y или Z по заданным порогам (например, 10% и 25%).
  • ИИ автоматизирует очистку, расчет и классификацию, а также выявляет аномалии и предлагает пороги на основе распределения данных.

Допущения

  • Данные о продажах собираются за достаточный период (например, 6-12 месяцев) для учета сезонности.
  • Пороги для категорий могут быть скорректированы под специфику бизнеса.
  • ИИ не заменяет управленческое решение, а предоставляет обоснованную классификацию.

Ошибки

  • Использование неочищенных данных с выбросами.
  • Выбор слишком короткого периода, не отражающего сезонность.
  • Применение одинаковых порогов для всех категорий без учета специфики.
  • Игнорирование товаров с нулевыми продажами в отдельные периоды.

Роль ИИ

Как ИИ решает задачу

Машинное обучение

Очистка данных от выбросов и пропусков

Данные на входе: История продаж с датами и количествами

Что делает модель: Определяет аномальные значения (например, резкие скачки) и пропуски, заменяет или исключает их по заданным правилам.

Результат: Очищенный набор данных для расчета

Как используется: Система использует очищенные данные для дальнейшего расчета коэффициента вариации.

Бизнес-правило

Расчет коэффициента вариации

Данные на входе: Очищенные данные о продажах по периодам

Что делает модель: Вычисляет среднее значение и стандартное отклонение для каждого товара, затем коэффициент вариации по формуле.

Результат: Таблица с коэффициентом вариации для каждого товара

Как используется: Система использует коэффициент для присвоения категории.

Бизнес-правило

Автоматическая классификация X, Y, Z

Данные на входе: Коэффициенты вариации по товарам

Что делает модель: Сравнивает коэффициент с заданными порогами и присваивает категорию.

Результат: Список товаров с категориями X, Y, Z

Как используется: Менеджер видит категорию и использует для планирования закупок.

Машинное обучение

Выявление аномалий и рекомендация порогов

Данные на входе: Распределение коэффициентов вариации по всем товарам

Что делает модель: Анализирует распределение и предлагает оптимальные пороги для категорий, а также указывает товары с аномально высокими или низкими значениями.

Результат: Рекомендации по порогам и список аномалий

Как используется: Аналитик может скорректировать пороги или проверить аномальные товары.

Разбор

Как это работает

  1. 1

    Вход: история продаж за выбранный период. Действие: система загружает данные и проверяет полноту. Результат: структурированный набор данных.

  2. 2

    Вход: данные о продажах. Действие: ИИ очищает данные от выбросов и пропусков. Результат: очищенный набор данных.

  3. 3

    Вход: очищенные данные. Действие: система группирует продажи по периодам (неделя/месяц) и рассчитывает среднее и стандартное отклонение. Результат: статистические показатели по каждому товару.

  4. 4

    Вход: статистические показатели. Действие: рассчитывается коэффициент вариации по формуле CV = σ / μ. Результат: коэффициент вариации для каждого товара.

  5. 5

    Вход: коэффициенты вариации. Действие: система сравнивает с порогами (например, 10% и 25%) и присваивает категорию X, Y или Z. Результат: классифицированный список товаров.

  6. 6

    Вход: классифицированный список. Действие: ИИ выявляет аномалии (например, товары с резким изменением спроса) и предлагает скорректировать пороги. Результат: рекомендации для аналитика.

  7. 7

    Вход: рекомендации. Действие: аналитик утверждает пороги и категории. Результат: финальная классификация для планирования.

Расчет

Формула коэффициента вариации

Основной расчет в XYZ-анализе — коэффициент вариации (CV). Он показывает, насколько сильно колеблется спрос относительно среднего значения.

Коэффициент вариации

CV = σ / μ
  • σ — стандартное отклонение продаж за период
  • μ — среднее значение продаж за период

Условный пример: Если средние продажи товара за месяц = 100 единиц, а стандартное отклонение = 15, то CV = 15 / 100 = 0.15 (15%). Это категория Y.

Допущение: Чем выше CV, тем менее стабилен спрос. Пороги: X ≤ 10%, Y 10-25%, Z > 25%.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: XYZ-анализ для ассортимента из 3 товаров

  • Допущение: Товар A: продажи по месяцам — 100, 102, 98, 101, 99, 100 (стабильный спрос)
  • Допущение: Товар B: продажи — 80, 120, 90, 110, 85, 115 (умеренные колебания)
  • Допущение: Товар C: продажи — 50, 200, 30, 150, 20, 180 (сильные колебания)
Для товара A: среднее = 100, стандартное отклонение ≈ 1.41, CV = 1.41/100 = 1.4% → категория X. Для товара B: среднее = 100, стандартное отклонение ≈ 16.73, CV = 16.73% → категория Y. Для товара C: среднее = 105, стандартное отклонение ≈ 76.38, CV = 72.7% → категория Z.

Товар A можно закупать точно по прогнозу с минимальным страховым запасом. Товар B требует увеличенного страхового запаса и гибкого планирования. Товар C нецелесообразно держать на складе в больших объемах — лучше заказывать под заказ или минимизировать запасы.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

  • Коэффициент вариации спроса
  • Сезонность и тренды
  • Наличие выбросов и аномалий
  • Стратегическая важность товара

Какие риски учтены

  • Риск дефицита по стабильным товарам при недостаточном страховом запасе
  • Риск излишков по нестабильным товарам при закупке большими партиями
  • Риск искажения классификации из-за выбросов

Какие варианты рассматривались

  • Использовать ABC-анализ в сочетании с XYZ для приоритизации
  • Применять более сложные модели прогнозирования для категории Z
  • Вручную корректировать пороги для отдельных групп товаров

XYZ-анализ с ИИ выбран, потому что он автоматизирует рутинные расчеты, снижает ошибки и позволяет быстро обрабатывать большой ассортимент, а также выявляет аномалии, которые требуют внимания.

Если у компании очень стабильный спрос без сезонности, пороги могут быть ужесточены (например, X ≤ 5%). Если спрос сильно волатилен, пороги могут быть расширены.

Результат

Что видит пользователь

Таблица с категориями X, Y, Z по каждому товару

Список товаров с коэффициентом вариации и присвоенной категорией

Планировать закупки и уровень страховых запасов для каждой категории

Дашборд с распределением товаров по категориям

Диаграмма, показывающая долю товаров в каждой категории

Быстро оценить структуру ассортимента и выявить проблемные зоны

Уведомления об аномалиях

Список товаров с аномально высоким или низким коэффициентом вариации

Провести дополнительный анализ причин отклонений

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

  • Загрузка и очистка данных о продажах
  • Расчет коэффициента вариации
  • Присвоение категорий X, Y, Z
  • Выявление аномалий и предложение порогов

Требует настройки

  • Настройка периода анализа
  • Определение порогов для категорий
  • Настройка правил очистки данных (например, исключение выбросов)

Остаётся за человеком

  • Утверждение порогов и категорий
  • Решение по товарам с аномалиями
  • Выбор стратегии управления запасами для каждой категории

Внедрение

Как внедрить решение

Быстрый запуск

  • Выгрузить историю продаж в Excel
  • Рассчитать коэффициент вариации вручную по формуле
  • Присвоить категории по порогам 10% и 25%

Рабочая система

  • Настроить автозагрузку данных из CRM или 1С
  • Создать скрипт или использовать BI-инструмент для автоматического расчета
  • Настроить дашборд с категориями и уведомлениями об аномалиях

Расширенный вариант

  • Подключить ИИ-модель для автоматической очистки данных и выявления аномалий
  • Использовать прогнозные модели для категории Z
  • Интегрировать XYZ-анализ с системой управления запасами для автоматического заказа

Подготовка

Чек-лист перед запуском

  1. 1

    Определить период анализа (например, 12 месяцев)

  2. 2

    Собрать данные о продажах по каждому товару

  3. 3

    Проверить данные на пропуски и выбросы

  4. 4

    Выбрать пороги для категорий X, Y, Z

  5. 5

    Рассчитать коэффициент вариации для каждого товара

  6. 6

    Присвоить категории и проверить результаты на адекватность

  7. 7

    Выявить товары с аномалиями и провести дополнительный анализ

  8. 8

    Утвердить классификацию с ответственными за закупки

  9. 9

    Настроить регулярное обновление анализа (ежемесячно/ежеквартально)

  10. 10

    Интегрировать результаты в процесс планирования закупок

Вывод

Главное

XYZ-анализ с ИИ позволяет автоматизировать классификацию товаров по стабильности спроса, снижая ошибки и экономя время.

Основные данные — история продаж по периодам. Ключевой расчет — коэффициент вариации (CV = σ / μ).

ИИ очищает данные, рассчитывает коэффициент, присваивает категории и выявляет аномалии, но финальное решение остается за человеком.

Начните с выгрузки истории продаж в Excel и ручного расчета коэффициента вариации для нескольких товаров, чтобы понять методику.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как автоматизация процессов, включая аналитические расчеты, помогает бизнесу принимать решения на основе данных. Практикум ReMetod учит строить работающие решения без программирования, что применимо и к XYZ-анализу.

В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.

Посмотреть программу практикума

Вопросы

Что обычно уточняют

Нужно ли программировать для XYZ-анализа с ИИ?

Нет. Можно начать с Excel и формул, а затем использовать готовые BI-инструменты или сервисы с ИИ, которые автоматизируют расчеты без кода.

Какие пороги использовать для категорий X, Y, Z?

Стандартные пороги: X ≤ 10%, Y 10-25%, Z > 25%. Но их можно скорректировать под специфику вашего бизнеса, например, для сезонных товаров.

Как часто нужно проводить XYZ-анализ?

Рекомендуется проводить ежемесячно или ежеквартально, чтобы учитывать изменения спроса и сезонность.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите автоматизировать XYZ-анализ и другие расчеты? Запишитесь на бесплатный вебинар ReMetod.

Ближайший вебинар

Вводный вебинар
Ближайшая дата появится в календаре

Разберем, где ИИ уже дает управленческую пользу, какие задачи стоит брать первыми и как не уйти в хайп.

Записаться на вебинар
Диагностика

Бесплатный разбор вашего кейса

25–30 минут: фиксируем задачу, данные, возможную автоматизацию и ближайший проверяемый результат.

Записаться на разбор
Практикум

Практикум 1 «Архитектор»

Полный путь от бизнес-проблемы до рабочей модели решения, интерфейса и проверки результата.

Перейти к практикуму