Остатки запчастей по классам

a

1. Классический ABC-анализ с выделением классов A, B, C

Метод делит весь складской номенклатурный перечень на три группы по критерию доли в общей сумме продаж (или оборота). Класс A — 80% выручки, 15–20% номенклатуры. Класс B — 15% выручки, 20–30% номенклатуры. Класс C — 5% выручки, 50–65% номенклатуры. Относится к ретроспективному анализу по историческим данным за 6–12 месяцев. Требует не менее 30 транзакций на каждую номенклатурную позицию для статистической значимости.

2. Детальный партионный учет с контролем остатков по дате производства

Метод основан на фиксации конкретной партии детали (batch ID) с привязкой к дате штамповки / выпуска. В каталогах марок (Toyota, BMW, Mercedes) это реализовано через номер модификации и серийный номер. Для остатков по классам предлагается группировать детали по месяцам и годам выпуска. Реализация требует расхода памяти БД: на 1 млн записей добавляется ~120 МБ с индексами по batch_id. Точность по сроку годности (резина, сальники, тормозные колодки) — 98%.

3. Анализ по фактору BOM-структуры (Bill of Materials)

Здесь остатки классифицируются не по доле продаж, а по вхождению детали в спецификацию сборки (двигатель, КПП, подвеска). Для каждого класса (A1, B2, C3) вводится коэффициент связанности: если деталь входит в 3 и более BOM — класс A (высокая связанность), если в 1 BOM — класс C (низкая). Технический принцип: JOIN по полям part_number + model_code + serial_interval. Для каталогов с 200 000 BOM-строк запрос выполняется за 0.3–0.8 с (PostgreSQL, движок InnoDB с индексами по composite key).

4. Вероятностный метод Монте-Карло с тремя сценариями

Подход основан на моделировании 10 000 итераций по распределению спроса (Пуассон или Гамма-распределение). Для каждой номенклатуры рассчитывается три квартиля: P10 (консервативный), P50 (базовый), P90 (оптимистичный). Остатки распределяются по классам риска: класс 1 (P10-P50) — гарантированный избыток, класс 2 (P50-P90) — умеренный, класс 3 (P90+) — дефицит. Точность прогноза на 30 дней — 86–93% при количестве деталей > 500 шт. в классе. Требует предварительной кластеризации по типу детали (кузовщина — медленные, фильтры — быстрые).

Сравнение точности, ресурсов и сфер применения

ABC-анализ: простая интерпретация, малые вычислительные затраты (расчет за 2–5 мин для 50 000 позиций), но не учитывает сезонность и партионность. Подходит для оптовых складов с равномерным спросом. Погрешность по замороженному остатку (dead stock) — 12–18%.

Партионный учет: критически важен для деталей с ограниченным сроком хранения (резинотехнические изделия, аккумуляторы, тормозные колодки). Расход памяти выше на 40–60% от базового каталога. Позволяет точно выявить класс «просроченный остаток» с точностью 97%.

BOM-фактор: оптимален для сервисных центров и мастерских, которые ремонтируют узлы. Позволяет предсказать потребность в комплектующих при типовых ремонтах. Для каталогов без привязки к модели (универсальные детали) — не применим, так как отсутствует состав BOM.

Метод Монте-Карло: наиболее устойчив к волатильности спроса (дисперсия 0.3–0.7). Работает эффективно на выборках от 1000 записей. Требует 2–4 сек на 10 000 итераций для 1000 деталей на современном CPU (i5-12 gen+). Основной минус — сложность внедрения: нужен специалист по статистике или готовый модуль в WMS / ERP.

Какие технические параметры критичны для выбора метода

Пошаговая инструкция внедрения для каталога на 30 000 позиций

  1. Экспортируйте данные из каталога: part_number, количество на складе, цена закупки, дата последнего движения, кол-во продаж за последние 12 мес. Формат: CSV / XLSX.
  2. Удалите детали с нулевым остатком (они не влияют на классификацию, искажают P10 в Монте-Карло).
  3. Проверьте наличие batch_id или даты производства. Если есть — примените партионный учет: сгруппируйте остатки по месяцам выпуска (0–3 мес., 4–12 мес., > 12 мес.).
  4. Если batch_id нет — выберите метод на основе объема данных: при наличии > 1000 позиций с частотой продаж > 3 раз/квартал — ABC-анализ. Если частота ниже — Монте-Карло (1000 итераций для 30 000 позиций).
  5. Для ABC рассчитайте кумулятивную долю: отсортируйте по убыванию суммы продаж, выделите границу 80% — класс A, 95% — B, остаток — C. Итоговая сводка: количество элементов в каждом классе + складской запас.
  6. Для Монте-Карло настройте распределение Пуассона: параметр λ = среднее число продаж за 30 дней. Проведите 1000 итераций в Excel или Python (библиотека numpy). Получите P10, P50, P90.
  7. Назначьте правило закупки: класс A — заказ каждую неделю, класс B — раз в месяц, класс C — только под заказ клиента.
  8. Проверьте результат через 30 дней: замерьте долю дефицита (Sales Lost) и замороженного капитала (остатки без движения > 60 дней). Целевые показатели: дефицит < 3%, замороженный капитал < 8% от суммы остатков.

Плюсы и минусы каждого метода