In der dynamischen Landschaft der modernen Wirtschaft ist die Bestandsoptimierung ein Eckpfeiler eines effizienten Supply Chain Managements. Das richtige Gleichgewicht zwischen Über- und Unterbeständen ist entscheidend für die kontinuierliche Verfügbarkeit von Produkten und Dienstleistungen für die Kunden. Um die Komplexität des Bestandsmanagements zu bewältigen, setzen Unternehmen verschiedene Überwachungssysteme und -prozesse ein, die Artikel in verschiedene Kategorien einteilen, um Ungleichgewichte leichter erkennen und beheben zu können.

Grundlagen der ABC-Analyse

Die traditionelle ABC-Klassifikation, die auf dem Pareto-Prinzip basiert und in den 1950er-Jahren bei General Electric entwickelt wurde, ist die am weitesten verbreitete Methode zur Klassifizierung von Lagerbeständen. Die Pareto-Analyse zeigt, dass ein kleiner Teil der Artikel – in der Regel etwa 20% – für etwa 80% des Umsatzes verantwortlich ist. Dieser Ansatz, der auch als Proportionalwertanalyse (Proportional Value Analysis, PVA) bezeichnet wird, ermöglicht es den Unternehmen, ihre Ressourcen effektiv zu priorisieren, indem sie sich auf Bestände mit hohem Wert konzentrieren.

A-Artikel sind die wichtigsten und tragen am meisten zum Umsatz bei. B-Artikel spielen dagegen eine untergeordnete Rolle, und C-Artikel sind zwar zahlreich, haben aber einen relativ geringen Einfluss auf die Gesamtleistung. Durch die Einteilung der Lagerhaltungseinheiten (Stock Keeping Units, SKUs) in diese drei Kategorien vereinfacht die ABC-Analyse die Bestandskontrolle und rationalisiert die Planung.

Dieser Blogpost behandelt die Grundlagen der ABC-Analyse, ihre Vor- und Nachteile und gibt einen Einblick in die Umsetzung mit der statistischen Programmiersprache R.

Die drei Kategorien

Die ABC-Analyse ist ein strategisches Instrument des Bestandsmanagements, das auf dem Pareto-Prinzip beruht, wonach ein kleiner Teil der Artikel oft den grössten Teil des Wertes ausmacht. Sie teilt die Bestände in drei Kategorien ein:

  • Kategorie A: Artikel mit hohem Wert, die 70 – 80% des Gesamtumsatzes ausmachen, aber nur 10 – 20% der Artikel am Lager umfassen. Sie erfordern eine strenge Kontrolle, häufige Überwachung und fortschrittliche Lagerlösungen.
  • Kategorie B: Artikel von mittlerem Wert, die 15 – 25% des Umsatzes und etwa 30% der Artikel ausmachen. Sie müssen regelmässig kontrolliert und ausgewogen verwaltet werden.
  • Kategorie C: Artikel von geringem Wertbeitrag, die 5 – 15% des Umsatzes, aber etwa 50% des Bestands ausmachen. Sie werden mit weniger strengen Kontrollen verwaltet.

Schritte der Artikelklassifizierung

Der Prozess der ABC-Analyse besteht aus systematischen Schritten zur Klassifizierung der Bestände:

  1. Datenerhebung: Ermittlung der Stückkosten und des Jahresverbrauchs für jeden Artikel.
  2. Berechnung: Multiplizieren Sie die Stückkosten mit dem Jahresverbrauch, um den Umsatz pro Artikel zu ermitteln.
  3. Sortierung: Sortieren der Artikel in absteigender Reihenfolge nach dem Gesamtumsatz.
  4. Kumulative Analyse: Berechnen Sie den kumulativen Prozentsatz des Gesamtumsatzes der Artikel.
  5. Klassifizierung: Anhand der kumulierten Daten werden die Artikel in die Kategorien A, B und C eingeteilt, wobei oftmals grafische Darstellungen zur Bestimmung der Schwellenwerte verwendet werden.

Notwendige Pakete in die R-Session laden.

library(tidyverse)
library(inventorize)
library(stringr)


Für das vorliegende Beispiel wird ein Testdatensatz generiert.

daten <- data.frame(
  Artikel = c("JUMBO BAG PINK POLKADOT",
    "BLUE POLKADOT WRAP",
    "RED RETROSPOT WRAP",
    "RECYCLING BAG RETROSPOT",
    "RED RETROSPOT SHOPPER BAG",
    "JUMBO BAG RED RETROSPOT",
    "RED RETROSPOT CHILDRENS UMBRELLA",
    "JAM MAKING SET PRINTED",
    "RECIPE BOX RETROSPOT",
    "CHILDRENS APRON APPLES DESIGN"),
  Menge = c(10, 25, 25, 5, 10, 10, 6, 12, 6, 8),
  Umsatz = c(89.5, 90.5, 10.5, 40.5, 22.5, 39.5, 69.5, 17.4, 97.7, 45.6))


Die Daten werden aufbereitet, um die Gesamtverkaufsmenge und den Gesamtumsatz pro Artikel/Einheit (SKU) zu ermitteln.

daten_abc <- daten %>%
  group_by(Artikel) %>%
  summarise(total_menge = sum(Menge),
    total_umsatz = sum(Umsatz))


Anschliessend wird die multikriterielle ABC-Analyse durchgeführt.

productmix(SKUs = daten_abc$Artikel,
  sales = daten_abc$total_menge,
  revenue = daten_abc$total_umsatz,
  plot = TRUE)


Das Ergebnis der Analyse ist in der folgenden Abbildung dargestellt.

Bestandsmanagement in RStudio

Dieser strukturierte Ansatz vereinfacht die Kategorisierung des Bestands und ermöglicht es, sich auf die Artikel mit den grössten finanziellen Auswirkungen zu konzentrieren.

Vorteile der ABC-Analyse

Die ABC-Analyse bietet mehrere Vorteile für das Bestandsmanagement:

  • Verbesserte Ressourcenzuweisung: Sie lenkt die Aufmerksamkeit auf Artikel mit hoher Priorität, optimiert die Ressourcennutzung und reduziert Verschwendung.
  • Kosteneffizienz: Durch die Konzentration auf kritische Artikel werden Fehl- und Überbestände minimiert, was zu erheblichen Kosteneinsparungen führt.
  • Verbesserte Kontrolle: Hochwertige Artikel werden einer strengen Kontrolle unterzogen, was eine bessere Bestandsgenauigkeit gewährleistet und Verluste reduziert.
  • Betriebliche Effizienz: Straffere Prozesse bei der Bestandskontrolle und Ressourcenzuweisung führen zu einer besseren Koordination und geringeren Verwaltungskosten.

Diese Vorteile machen die ABC-Analyse zu einem unverzichtbaren Instrument zur Optimierung der Materialwirtschaft in allen Branchen.

Grenzen der ABC-Analyse

Trotz ihrer Vorteile weist die ABC-Analyse einige Einschränkungen auf:

  • Monetärer Fokus: Die Methode priorisiert Artikel ausschliesslich nach ihrem finanziellen Wert und vernachlässigt möglicherweise andere kritische Faktoren wie Durchlaufzeit oder Knappheit.
  • Ressourcenintensiv: Die Implementierung und Pflege des Systems erfordert eine kontinuierliche Datenerfassung und -analyse.
  • Statische Kategorisierung: Ohne regelmässige Aktualisierung können die Klassifizierungen aufgrund von Änderungen der Verbrauchsmuster oder der Marktdynamik veraltet sein.
  • Inkompatibilität mit anderen Systemen: Es kann zu Konflikten mit herkömmlichen Kostensystemen kommen, die Anpassungen zur Integration in bestehende Arbeitsabläufe erforderlich machen.
  • Begrenzter Umfang von Einzelkriterienmodellen: Sich ausschliesslich auf den jährlichen Gesamtumsatz zu verlassen, kann zu suboptimalen Entscheidungen führen.

Das Erkennen dieser Grenzen hilft Unternehmen, ergänzende Strategien anzuwenden, um Lücken im Bestandsmanagement zu schliessen.

Ausblick auf Bestandsprognose

Eine zuverlässige Bestandsprognose (Inventory Forecasting) ist essenziell, um die Kundennachfrage zu bedienen. Gleichzeitig trägt sie zum Wachstum eines Unternehmens bei. Es gibt verschiedene Ansätze, um den zukünftigen Absatz präzise vorherzusagen, die jeweils auf unterschiedlichen Datenquellen basieren.

  1. Quantitative Prognosen: Dieses Verfahren nutzt historische Verkaufsdaten als Grundlage. Je länger ein Produkt geführt wird, desto genauer können die Prognosen ausfallen. In R wird die Prognose beispielsweise mit einer Zeitreihenanalyse umgesetzt.
  2. Qualitative Prognosen: Hier fliessen externe Faktoren wie die Wirtschaftslage, Marktforschungsergebnisse oder Kundenfokusgruppen in die Berechnungen ein.
  3. Trendprognosen: Verkaufstrends und Marktveränderungen werden analysiert, um zukünftige Konsumentennachfragen zu ermitteln. Trends in sozialen Medien spielen dabei eine wichtige Rolle.
  4. Grafische Prognosen: Mithilfe von Diagrammen werden Verkaufsdaten visualisiert, um Muster und Trends aufzudecken. Dieses Verfahren kann mit anderen Ansätzen kombiniert werden, um fundierte Vorhersagen zu ermöglichen. Die Pakete ggplot2 und echarts4r können in R für solche grafische Prognosen genutzt werden.

Eine Kombination mehrerer Methoden liefert in der Regel die besten Ergebnisse. Dabei ist es wichtig, ein breites Spektrum an Datenpunkten – insbesondere historische Verkaufsdaten – zu nutzen. Dennoch basieren Prognosen auf Annahmen, die regelmässig überprüft und bei Bedarf angepasst werden sollten.

Die Kunst der Bestandsprognose liegt darin, ein ausgewogenes Gleichgewicht zwischen verschiedenen Faktoren zu finden. Mit einem durchdachten Ansatz können Unternehmen ihre Lagerbestände optimieren und sich erfolgreich auf zukünftige Herausforderungen vorbereiten.

Fazit

Die ABC-Analyse ist nach wie vor ein Eckpfeiler des Bestandsmanagements, da sie eine einfache und zielgerichtete Strategie für die Priorisierung von Artikeln mit hoher Bedeutung bietet. Während sich die traditionelle Methode auf den finanziellen Wert konzentriert, verbessern die sich entwickelnden multikriteriellen Ansätze ihre Anwendbarkeit in verschiedenen Szenarien. Indem sie die Grenzen der Methode erkennen und sie mit ergänzenden Strategien kombinieren, können Unternehmen eine optimale Effizienz in ihrem Materialmanagement erreichen.

Unter Berücksichtigung sowohl ihrer Stärken als auch ihrer Grenzen bietet die ABC-Analyse einen ausgewogenen Rahmen, der den beiden Zielen der Kostenminimierung und der betrieblichen Effizienz gerecht wird.

Die ABC-Analyse kann für viele weitere Bereiche entlang der Lieferkette sinnvoll eingesetzt werden, um daraus Handlungsmassnahmen ableiten zu können. Beispiele dafür sind die Kunden und Lieferanten.

Quellen

  • Gulsen Aydin Keskin, Coskun Ozkan, Multiple Criteria ABC Analysis with FCM Clustering, Journal of Industrial Engineering, 2013, 827274, 7 pages, 2013. https://doi.org/10.1155/2013/827274
  • Dinesh Dhoka, Dr. Y. Lokeswara Choudary, ABC Classification for Inventory Optimization, IOSR Journal of Business and Management (IOSR-JBM), Volume 15, Issue 1 (Nov. - Dec. 2013), PP 38-41, e-ISSN: 2278-487X, p-ISSN: 2319-7668, iosrjournals.org