XYZ-анализ. Распределение XYZ

XYZ-анализ материалов предполагает оценку их значимости в зависимости от частоты потребления. Если рассматривать потребление отдельных видов материалов в течение длительного периода, то можно установить, что в их числе есть материалы, имеющие постоянный и стабильный спрос; материалы, расход которых подвержен определенным, например сезонным, колебаниям, и, наконец, материалы, расход которых носит случайный характер. Поэтому в пределах каждого из классов А, В и С материалы могут быть распределены еще и по степени прогнозируемости их расхода. Для такой классификации используются символы X, Y, Z.

К классу X относятся материалы, спрос на которые имеет постоянный характер или подвержен случайным незначительным колебаниям, поэтому поддается прогнозированию с высокой точностью. Удельный вес таких материалов в общей номенклатуре, как правило, не превышает 50-55%.

К классу У относятся материалы, потребление которых осуществляется периодически либо имеет характер падающей или восходящей тенденции. Их прогнозирование возможно со средней степенью точности. Их удельный вес в общей номенклатуре составляет около 30%.

К классу Z относятся материалы, для которых нельзя выявить какой-либо закономерности потребления. По этой причине прогнозирование их расхода невозможно (они составляют 15%) общей номенклатуры).

В качестве показателя, характеризующего возможные колебания в потреблении материалов, может использоваться коэффициент вариации

(3.3.1)

где – стандартное отклонение, определяющее степень фактического расхода материала в течение анализируемого периода относительно средней величины;

– средняя величина расходования материала;

(3.3.2)

где X_t – фактический расход материала в t-м периоде;

T – число наблюдаемых периодов.

Практика расходования материалов с разной степенью предсказуемости спроса позволила установить границы изменения коэффициентов вариации по классам X, Y и Z в зависимости от удельного веса конкретной позиции материала в общей номенклатуре.

 

 

Техника XYZ-анализа

 

Для проведения XYZ-анализа необходимо:

1. установить средний расход каждого вида материала с учетом колебания потребности в них по периодам, это могут быть, например, сезонные колебания;

2. рассчитать коэффициент вариации по каждой номенклатурной позиции;

3. расположить материалы по мере убывания коэффициентов вариации;

4. суммировать данные о количестве материалов в соответствии с возрастанием коэффициентов вариации, нанести их на схему;

5. разбить материалы на группы в зависимости от вариации спроса.

Результатом XYZ-анализа является построение кривой Лоренца.

Рис. 3.3.4. Кривая Лоренца

 

XYZ-анализ служит вспомогательным средством при подготовке решений по совершенствованию планирования материального обеспечения производства.

Если такой анализ проводится самостоятельно, то для материалов класса X можно рекомендовать закупки в соответствии с плановой потребностью синхронному их расходу в производстве, для класса Y – создание запасов, а для класса Z – приобретение по мере возникновения потребности.

 

 
80. Основные положения теории прогнозирования

В снабженческой, производственной и распределительной логистиках широко используются методы прогнозирования, поскольку значения прогнозных оценок развития анализируемых процессов или явлений являются основой принятия управленческих решений при оперативном, тактическом и стратегическом планировании. Очевидно также, что точность и надежность прогноза определяет эффективность реализации различных логистических операций и функций – от оценки вероятности дефицита продукции на складе до выбора стратегии развития фирмы.

Известно, что теория прогнозирования включает анализ объекта прогнозирования; методы прогнозирования, подразделяющиеся на математические (формализованные) и экспертные (интуитивные); системы прогнозирования, в частности непрерывного, при котором за счет мониторинга осуществляется корректировка прогнозов в процессе функционирования объекта.

Одним из основных классификационных признаков является также период прогноза, при этом большинство авторов выделяют три вида прогнозов: краткосрочный, среднесрочный и долгосрочный. Естественно, что временные интервалы прогнозов зависят от природы объекта, т. е. изучаемой области деятельности. Так, при рассмотрении технико-экономических показателей деятельности фирм период краткосрочного прогноза не превышает 1 года, среднесрочного прогноза – от 1 до 5 лет, долгосрочного – свыше 5 лет.

Математические методы прогнозирования подразделяются на три группы:

1. симплексные (простые) методы экстраполяции по временным рядам;

2. статистические методы, включающие корреляционный и регрессионный анализ и др.;

3. комбинированные методы, представляющие собой синтез различных вариантов прогнозов.

Прогнозы I типа (в «узком» смысле):

• осуществляются с применением симплексных или статистических методов на основе временных рядов;
• число значимых переменных включают от 1 до 3 параметров, т. е, по масштабности они относятся к сублокальным прогнозам;
• при использовании одного параметра, например, времени, такие прогнозы считаются сверхпростыми, при двух-трех взаимосвязанных параметрах – сложными;
• по степени информационной обеспеченности периода ретроспекции прогнозы I типа могут быть отнесены к объектам с полным информационным обеспечением.

Для повышения точности и достоверности прогнозных оценок I типа целесообразно использование комбинированных методов, при этом желательно использование большого количества вариантов прогноза, рассчитанных на основе различных подходов или альтернативных источников информации.

Прогноз II типа (в «широком» смысле) подразумевает, что исходные данные для получения оценок определяются с использованием опережающих методов прогнозирования: «патентного», публикационного и др. Как правило, прогнозы II типа используются для долгосрочного прогнозирования и разбиваются на два этапа: первый – получение прогнозных оценок основных факторов; второй – собственно прогноз развития процесса или явления. Учитывая объективную сложность и трудоемкость выполнения прогнозов II типа, можно констатировать, что наибольшее распространение получили методы прогнозирования I типа.

Наиболее часто для прогнозирования I типа используется метод экстраполяции. В общем случае модель прогноза включает три составляющие (рис. 3.4.1) и записывается в виде:

(3.4.1)

где y_t – прогнозные значения временного ряда;

– среднее значение прогноза (тренд);

v_t – составляющая прогноза, отражающая сезонные колебания (сезонная волна);

ε_t – случайная величина отклонения прогноза.

 

В частных случаях количество составляющих модели меньше, например, только и v_t.

Подробно вопросы прогнозирования с использованием методов экстраполяции изложены в ряде работ, но ввиду отсутствия общепринятого алгоритма обработки временных рядов может быть предложена следующая последовательность расчета:

1. На основе значений временного ряда на предпрогнозном периоде (интервале наблюдения) с использованием метода наименьших квадратов определяются коэффициенты уравнения тренда y_t, видом которого задаются. Обычно для описания тренда используются полиномы различных порядков, экспоненциальные, степенные функции и т. п.

2. Для исследования сезонной волны значения тренда исключаются из исходного временного ряда. При наличии сезонной волны определяют коэффициенты уравнения, выбранного для аппроксимации v_t.

3. Случайные величины отклонения ε_t определяются после исключения из временного ряда значений тренда и сезонной волны на предпрогнозном периоде. Как правило, для описания случайной величины ε_t используется нормальный закон распределения.

4. Для повышения точности прогноза применяются различные методы (дисконтирование, адаптация и др.). Наибольшее распространение в практике расчетов получил метод экспоненциального сглаживания, позволяющий повысить значимость последних уровней временного ряда по сравнению с начальными.

 

81. Примеры прогноза текущего запаса на складе

82. Комбинированный прогноз