Лекция 1.6. Анализ деятельности: классификация и кластеризация

Содержание

• Лекция 1.6. Анализ деятельности: классификация и кластеризация
  • Содержание
  • ABC-анализ: правило Парето в логистике
    • Правило Парето (80/20)
    • Алгоритм ABC-анализа
    • Пример ABC-анализа
    • Стратегии управления по группам
    • Кривая Парето
  • XYZ-анализ по стабильности спроса
    • Коэффициент вариации
    • Классификация по группам
    • Пример расчёта коэффициента вариации
    • Стратегии управления по XYZ
  • Комбинированный анализ ABC–XYZ
    • Матрица ABC–XYZ
    • Таблица стратегий
    • Пример применения на складе вагонного депо ЗСЖД
    • Визуализация матрицы ABC-XYZ
    • Ключевые выводы по матрице
  • Дополнительные методы анализа запасов
    • 4.1. VED-анализ (по критичности)
    • 4.2. FSN-анализ (по оборачиваемости)
    • 4.3. SDE-анализ (по доступности/дефицитности)
    • 4.4. HML-анализ (по стоимости единиц)
    • 4.5. SLN-анализ (по длине поставки)
    • 4.6. Комбинированные методы анализа
    • 4.7. Сравнительная таблица методов анализа
  • Кластеризация в анализе логистических систем
    • 5.1. Классификация vs Кластеризация
    • 5.2. Задача кластеризации
    • 5.3. Методы кластеризации
      • 5.3.1. K-средних (K-Means)
      • 5.3.2. Иерархическая кластеризация
      • 5.3.3. DBSCAN (Density-Based Spatial Clustering)
    • 5.4. Пример кластеризации транспортных узлов
    • 5.5. Применение кластеризации в логистике
  • Практикум: ABC-анализ номенклатуры АО «Ракета»
    • Исходные данные и расчёт годовой стоимости
    • Ранжирование и разбиение на группы
    • Результаты и управленческие решения
  • Практикум: XYZ-анализ потребления материалов
    • Пошаговый расчёт коэффициента вариации
    • Сводные результаты XYZ-анализа
  • Матрица ABC–XYZ для номенклатуры АО «Ракета»
  • Пошаговый пример кластеризации методом K-средних
    • Нормализация признаков
    • Итерации алгоритма
    • Выбор числа кластеров: метод «локтя»
    • Интерпретация результатов кластеризации
  • Пример применения DBSCAN для транспортных узлов
  • Применение методов на машиностроительном предприятии
  • Связь с лабораторной работой
  • Ключевые выводы по лекции
  • Контрольные вопросы
  • Рекомендуемая литература

ABC-анализ: правило Парето в логистике

Разделение номенклатуры на группы по степени важности на основе объёма инвестиций (стоимости запасов).

Правило Парето (80/20)

• 20% позиций дают 80% результата
• В логистике: 10–20% номенклатуры = 70–80% стоимости

Алгоритм ABC-анализа

1. Рассчитать годовую стоимость потребления каждой позиции: \(Стоимость_i = Объём_i \times Цена_i\)

2. Отсортировать позиции по убыванию годовой стоимости

3. Рассчитать накопленную долю стоимости и накопленную долю номенклатуры

4. Разделить на группы по правилу Парето:

Пример ABC-анализа

Данные склада запасных частей вагонного депо ЗСЖД (1000 позиций):

Стратегии управления по группам

Кривая Парето

XYZ-анализ по стабильности спроса

Классификация позиций по стабильности (равномерности) спроса на основе коэффициента вариации.

Коэффициент вариации

Где:

• $\sigma$ — стандартное отклонение спроса за период
• $\bar{x}$ — средний спрос за период

Классификация по группам

Пример расчёта коэффициента вариации

Данные спроса за 6 месяцев:

Стратегии управления по XYZ

Важно: Для позиций группы Z с низкой стоимостью (группа С по ABC) часто применяется стратегия «не хранить, заказывать под заказ».

Комбинированный анализ ABC–XYZ

Матрица ABC–XYZ

Позволяет разработать дифференцированные стратегии управления для 9 сегментов номенклатуры.

Таблица стратегий

Пример применения на складе вагонного депо ЗСЖД

Визуализация матрицы ABC-XYZ

Таблица 1. Матрица ABC-XYZ с рекомендуемыми стратегиями управления

Условные обозначения:

• 🟢 Приоритет 1 — оптимальное управление (стабильный спрос)
• 🟡 Приоритет 2 — стандартное управление (умеренные колебания)
• 🟠 Приоритет 3 — особое внимание (нестабильный спрос + средняя/высокая стоимость)
• 🔴 Приоритет 4 — минимизация затрат (нестабильный спрос + низкая стоимость)

Рисунок. Матрица ABC-XYZ с дифференцированными стратегиями управления

Ключевые выводы по матрице

Выводы:

• AX — идеальная группа: высокая ценность + стабильный спрос = максимальная автоматизация
• CZ — проблемная группа: низкая ценность + нестабильный спрос = минимизировать запасы
• Матрица позволяет дифференцировать стратегии для 9 различных сценариев управления запасами!

Дополнительные методы анализа запасов

4.1. VED-анализ (по критичности)

Принцип: Классификация по степени критичности позиций для обеспечения бесперебойной деятельности.

Пример для вагонного депо:

4.2. FSN-анализ (по оборачиваемости)

Принцип: Классификация по скорости оборачиваемости запасов.

Пример для склада вагонного депо:

4.3. SDE-анализ (по доступности/дефицитности)

Принцип: Классификация по сложности обеспечения и рискам дефицита.

Пример:

4.4. HML-анализ (по стоимости единиц)

Принцип: Классификация по удельной стоимости единиц номенклатуры.

4.5. SLN-анализ (по длине поставки)

Принцип: Классификация по времени выполнения заказа (lead time).

4.6. Комбинированные методы анализа

ABC-VED анализ: Сочетание критичности и стоимости

ABC-FSN анализ: Сочетание стоимости и оборачиваемости

4.7. Сравнительная таблица методов анализа

---
config:
  look: handDrawn
  theme: neutral
---
graph TD
    A[Методы анализа запасов] --> B[ABC - Стоимость]
    A --> C[XYZ - Стабильность]
    A --> D[VED - Критичность]
    A --> E[FSN - Оборачиваемость]
    A --> F[SDE - Доступность]
    A --> G[HML - Стоимость ед.]
    A --> H[SLN - Время поставки]
    
    B & C --> I[Комбинированный ABC-XYZ]
    B & D --> J[Комбинированный ABC-VED]
    B & E --> K[Комбинированный ABC-FSN]
    I & J & K --> L[Комплексная стратегия управления]

Рисунок. Система методов анализа запасов и их интеграция

Кластеризация в анализе логистических систем

5.1. Классификация vs Кластеризация

Классификация и кластеризация — это родственные, но принципиально разные задачи анализа данных.

---
config:
  look: handDrawn
  theme: neutral
---
graph LR
    A[Данные об объектах] --> B{Известны ли классы?}
    B -->|Да| C[Классификация]
    B -->|Нет| D[Кластеризация]
    C --> E[Модель классификации]
    D --> F[Кластеры]
    E --> G[Новый объект → Предсказанный класс]
    F --> H[Описание характеристик кластеров]

Рисунок. Отличие классификации от кластеризации

Ключевое отличие:

• Классификация — это применение известных правил для распределения объектов по заранее определённым группам (например, ABC-анализ относит позиции к группам A, B, C по заданным правилам).
• Кластеризация — это поиск естественных группировок в данных без предварительных знаний о группах (например, автоматическое выделение типов транспортных маршрутов на основе их характеристик).

5.2. Задача кластеризации

Определение: Кластеризация — это задача разбиения множества объектов на группы (кластеры) так, чтобы объекты внутри одного кластера были более похожи друг на друга, чем на объекты из других кластеров.

Формальная постановка:

• Имеется множество объектов: $X = {x_1, x_2, …, x_n}$
• Каждый объект описывается вектором признаков: $x_i = (f_1, f_2, …, f_m)$
• Необходимо разбить $X$ на $K$ кластеров: $C_1, C_2, …, C_K$
• Условие: $\bigcup_{j=1}^{K} C_j = X$, $C_j \cap C_l = \emptyset$ при $j \neq l$

Целевая функция: Минимизация внутрикластерного расстояния:

Где:

• $\mu_j$ — центроид (центр тяжести) кластера $C_j$
• $|x - \mu_j|$ — расстояние между объектом и центроидом кластера

Меры расстояния:

5.3. Методы кластеризации

5.3.1. K-средних (K-Means)

Алгоритм:

1. Задать число кластеров $K$
2. Инициализировать $K$ центроидов случайным образом
3. Назначить каждый объект ближайшему центроиду
4. Пересчитать центроиды как среднее значение объектов кластера
5. Повторять шаги 3-4 до сходимости

---
config:
  look: handDrawn
  theme: neutral
---
flowchart TD
    A[Начало] --> B[Задать K]
    B --> C[Случайная инициализация центроидов]
    C --> D[Назначить объекты ближайшим центроид]
    D --> E[Пересчитать центроиды]
    E --> F{Центроиды сошлись?}
    F -->|Нет| D
    F -->|Да| G[Конец: K кластеров]

Рисунок. Алгоритм K-средних

Преимущества:

• Простота реализации и понимания
• Эффективность на больших данных
• Линейная вычислительная сложность $O(n \cdot K \cdot T)$, где $T$ — число итераций

Недостатки:

• Необходимо заранее задавать $K$
• Чувствительность к выбросам
• Работает только для метрических данных
• Находит только выпуклые кластеры

5.3.2. Иерархическая кластеризация

Аггломеративный подход (снизу вверх):

1. Каждый объект — отдельный кластер
2. Объединить два ближайших кластера
3. Повторять до получения одного кластера

Дивизивный подход (сверху вниз):

1. Все объекты в одном кластере
2. Разделить кластер на два наименее связанных
3. Повторять до получения отдельных кластеров

Дагемограмма (дендрограмма):

---
config:
  look: handDrawn
  theme: neutral
---
graph BT
    classDef leaf fill:#e1f5fe,stroke:#01579b,stroke-width:2px
    classDef cluster fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    classDef root fill:#c8e6c9,stroke:#2e7d32,stroke-width:3px

    x1["x1"]:::leaf
    x2["x2"]:::leaf
    x3["x3"]:::leaf
    x4["x4"]:::leaf
    x5["x5"]:::leaf
    x6["x6"]:::leaf

    c1["C1: {x1, x2}"]:::cluster
    c2["C2: {x4, x5}"]:::cluster
    c3["C3: {x1, x2, x4, x5}"]:::cluster
    c4["C4: {x3, x6}"]:::cluster
    root["C_all: {x1..x6}"]:::root

    x1 --- c1
    x2 --- c1
    x4 --- c2
    x5 --- c2
    c1 --- c3
    c2 --- c3
    x3 --- c4
    x6 --- c4
    c3 --- root
    c4 --- root

Рисунок. Дагемограмма иерархической кластеризации

Дендрограмма — это двумерная древовидная структура, где:

• Вертикальная ось — объекты (или кластеры)
• Горизонтальная ось — расстояние (сходство) между объединяемыми кластерами

Меры сходства между кластерами:

5.3.3. DBSCAN (Density-Based Spatial Clustering)

Принцип: Кластеры — это области с высокой плотностью, разделённые областями с низкой плотностью.

Параметры:

• $\varepsilon$ (eps) — радиус окрестности
• $minPoints$ — минимальное число точек в окрестности

Типы точек:

Преимущества:

• Не требует задания числа кластеров
• Обнаруживает кластеры произвольной формы
• Устойчив к выбросам

5.4. Пример кластеризации транспортных узлов

Задача: Разделить транспортные узлы на группы по типу транспортной деятельности на основе их характеристик.

Признаки для описания узлов:

1. Годовой грузооборот (тыс. тонн)
2. Количество подъездных путей
3. Расстояние до ближайшей ж/д станции (км)
4. Коэффициент покрытия территории (доля обслуживаемой территории)

Исходные данные (фрагмент):

Результат кластеризации (K-Means, K=3):

Интерпретация результатов:

• Кластер 1 требует максимальной пропускной способности и частого обслуживания
• Кластер 2 нуждается в стандартном логистическом обслуживании
• Кластер 3 может обслуживаться по упрощённой схеме с увеличенными интервалами

5.5. Применение кластеризации в логистике

Практическая ценность кластеризации:

1. Обнаружение скрытых паттернов — выявление естественных групп в данных без предварительных гипотез
2. Упрощение управления — работа с кластерами вместо отдельных объектов
3. Персонализация стратегий — разработка дифференцированных подходов для каждого кластера
4. Визуализация данных — наглядное представление многомерных данных в виде кластеров

---
config:
  look: handDrawn
  theme: neutral
---
mindmap
  root((Кластеризация<br/>в логистике))
    Сегментация
      Клиенты
      Поставщики
      Маршруты
    Управление запасами
      Автоматическая группировка
      Дифференцированные стратегии
    Зонирование
      Зоны доставки
      Территории складов
    Анализ рисков
      Группы рискованных маршрутов
      Аномальные поставки
    Оптимизация
      Консолидация грузов
      Планирование мощностей

Рисунок. Области применения кластеризации в логистике

Практикум: ABC-анализ номенклатуры АО «Ракета»

Единый кейс курса — машиностроительное предприятие АО «Ракета», выпускающее промышленные агрегаты. Материально-техническое обеспечение производства требует дифференцированного подхода к управлению запасами: номенклатура насчитывает сотни позиций, и управлять всеми одинаково экономически нецелесообразно. Проведём полный ABC-анализ по 10 наиболее представительным позициям годовой потребности.

Исходные данные и расчёт годовой стоимости

Для каждой позиции рассчитывается годовая стоимость потребления по формуле:

где $Объём_i$ — годовое потребление в натуральных единицах, $Цена_i$ — цена закупки за единицу.

Суммарная годовая стоимость потребления по 10 позициям:

Ранжирование и разбиение на группы

Позиции уже отсортированы по убыванию годовой стоимости. Для каждой рассчитывается доля в общей стоимости ($Доля_i = Стоимость_i / \sum Стоимость$) и накопленный итог. Поскольку позиций 10, каждая добавляет к накопленной доле номенклатуры по 10%.

Правило разбиения (порог накопленной стоимости 80% / 95%):

• Группа A — позиции 1–4: 40% номенклатуры дают 78,3% стоимости. Формально доля номенклатуры выше классических 10–20%, что характерно для мелкосерийного машиностроительного производства с дорогими уникальными комплектующими. Это не ошибка метода, а отражение специфики: даже небольшое число позиций концентрирует основную стоимость.
• Группа B — позиции 5–6: 20% номенклатуры дают 12,2% стоимости (накоплено с 78,3% до 90,5%).
• Группа C — позиции 7–10: 40% номенклатуры дают 9,5% стоимости (от 90,5% до 100%).

Сводная таблица ABC-групп:

---
config:
  look: handDrawn
  theme: neutral
---
xychart-beta
    title "Кривая Парето ABC-анализа АО «Ракета»"
    x-axis "Накопленная доля номенклатуры, %" [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
    y-axis "Накопленная доля стоимости, %" 0 --> 100
    bar [31.3, 52.9, 66.9, 78.3, 84.7, 90.5, 95.9, 98.7, 99.5, 100]
    line [31.3, 52.9, 66.9, 78.3, 84.7, 90.5, 95.9, 98.7, 99.5, 100]

Рисунок. Кривая Парето для номенклатуры АО «Ракета» — излом на 40% номенклатуры (78,3% стоимости) обозначает границу группы A, на 60% (90,5%) — границы группы B.

Результаты и управленческие решения

Ключевой управленческий вывод: на группу A (приводной агрегат, ИУ, корпус, блок управления) приходится 78,3% вложенных в запасы средств. Именно эти 4 позиции требуют резервных поставщиков, договоров с фиксированными сроками и ежедневного контроля остатков. Для группы C (поковка, клей, крепёж, СОЖ) достаточно укрупнённых заказов и минимального администрирования — при этом критичность поковки ВТ6 (позиция 7) требует отдельного контроля через VED-анализ (см. раздел 4.1), поскольку её дешевизна по ABC маскирует высокую производственную значимость.

Практикум: XYZ-анализ потребления материалов

XYZ-анализ дополняет ABC: если ABC отвечает на вопрос «насколько позиция дорога», то XYZ — «насколько стабилен её расход». Для трёх позиций номенклатуры АО «Ракета» проанализируем месячное потребление за 12 месяцев.

Пошаговый расчёт коэффициента вариации

Коэффициент вариации рассчитывается по формуле:

где среднее $\bar{x} = \dfrac{1}{n}\sum_{i=1}^{n} x_i$, а стандартное отклонение $\sigma = \sqrt{\dfrac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^2}$.

Позиция 1. Клей конструкционный ВК-36 (расход, кг/мес.):

Данные: 195, 205, 200, 210, 190, 200, 198, 202, 196, 204, 200, 199.

1. Среднее: $\bar{x} = 2399 / 12 = 199{,}9$ кг.
2. Сумма квадратов отклонений: $\sum(x_i - \bar{x})^2 = 290{,}9$.
3. Дисперсия: $\sigma^2 = 290{,}9 / 12 = 24{,}2$.
4. Стандартное отклонение: $\sigma = \sqrt{24{,}2} = 4{,}9$ кг.
5. Коэффициент вариации: $V = (4{,}9 / 199{,}9) \cdot 100\% = 2{,}5\%$.

Позиция 2. Прокат из стали 30ХГСН2А (расход, т/мес.): данные 7,0; 8,5; 6,0; 9,0; 7,5; 10,0; 6,5; 8,0; 7,0; 9,5; 6,0; 8,5.

Позиция 3. Поковка из титанового сплава ВТ6 (расход, т/мес.): данные 0; 6,0; 0; 0; 5,0; 0; 11,0; 0; 3,0; 0; 0; 4,0 (спорадическое потребление под конкретные заказы).

Промежуточные величины всех трёх позиций сведены в таблице:

Сводные результаты XYZ-анализа

Интерпретация: клей ВК-36 расходуется равномерно каждый месяц — типичная группа X, пригодная для прогнозирования по временным рядам и минимального страхового запаса. Прокат стали (группа Y) имеет умеренные колебания, связанные с неравномерностью запуска партий в производство. Поковка ВТ6 (группа Z) потребляется только под конкретные заказы — коэффициент вариации 139,8% означает, что разброс превышает среднее, что делает статистическое прогнозирование невозможным: управлять такой позицией следует по принципу «под заказ».

Матрица ABC–XYZ для номенклатуры АО «Ракета»

Объединим результаты ABC- и XYZ-анализа. Стоимость потребления (ABC) берём из практикума ABC, а стабильность (XYZ) — из практикума XYZ. Позиции, отсутствующие в одном из анализов, отнесены к группам экспертно по характеру потребления.

Аналитический вывод: номенклатура мелкосерийного машиностроительного производства концентрируется в «дорогих» и «нестабильных» ячейках (AY, AZ), а не в идеальной AX. Это принципиально отличает мелкосерийное промышленное производство от массового коммерческого: уникальные комплектующие с малыми сериями выпуска по определению имеют высокую стоимость (A) и нестабильный спрос (Y, Z). Следствие — высокая доля страхового запаса группы A и необходимость резервных поставщиков, а также приоритет прослеживаемости над оборачиваемостью.

Пошаговый пример кластеризации методом K-средних

Продемонстрируем работу алгоритма K-средних на задаче сегментации поставщиков АО «Ракета». Шесть поставщиков описываются двумя признаками: цена (относительный уровень, нормированный) и качество (процент брака).

Нормализация признаков

Поскольку признаки имеют разные единицы измерения и масштабы, их приводят к сопоставимому диапазону [0; 1] методом min-max нормализации:

Диапазон цены: [0,15; 0,45] (доля от базовой цены). Диапазон брака: [0; 4]%.

Итерации алгоритма

Шаг 1. Инициализация. Задаём $K = 2$. В качестве начальных центроидов выбираем крайние точки: $\mu_1 = S1 = (0{,}167;\ 0{,}100)$ и $\mu_2 = S6 = (0{,}833;\ 0{,}900)$.

Итерация 1 — назначение объектов. Рассчитываем евклидово расстояние от каждого поставщика до центроидов и относим к ближайшему:

Результат: кластер 1 = {S1, S2, S5}, кластер 2 = {S3, S4, S6}.

Итерация 1 — пересчёт центроидов:

Итерация 2 — проверка сходимости. Переназначение объектов с новыми центроидами даёт те же кластеры: {S1, S2, S5} и {S3, S4, S6}. Центроиды не изменились — $\mu_1’’ = \mu_1’$, $\mu_2’’ = \mu_2’$, алгоритм сошёлся за 2 итерации.

---
config:
  look: handDrawn
  theme: neutral
---
quadrantChart
    title Кластеризация поставщиков: цена vs качество (брак)
    x-axis "Низкая цена" --> "Высокая цена"
    y-axis "Низкий брак" --> "Высокий брак"
    quadrant-1 "Кластер 2 (дорого и с браком)"
    quadrant-2 "Кластер 1 (дёшево и качественно)"
    quadrant-3 "Кластер 1"
    quadrant-4 "Кластер 2"
    S1: [0.167, 0.100]
    S2: [0.100, 0.150]
    S5: [0.233, 0.225]
    S3: [0.667, 0.775]
    S4: [0.500, 0.600]
    S6: [0.833, 0.900]

Рисунок. Результат кластеризации поставщиков K-средних (K = 2).

Выбор числа кластеров: метод «локтя»

Число $K$ задаётся до запуска алгоритма. Метод «локтя» (elbow method) строит зависимость внутрикластерной суммы квадратов расстояний $J(K)$ от числа кластеров и выбирает точку «перелома», после которой прирост $K$ даёт незначительное снижение $J$. Для нашей выборки: $J(1) = 2{,}85$ (все поставщики в одном кластере — малоинформативно), $J(2) = 0{,}31$ (резкое падение — естественное разбиение на «надёжных» и «проблемных»), $J(3) = 0{,}27$, $J(4) = 0{,}25$ (незначительное улучшение, риск переобучения). Перелом («локоть») между $K=1$ и $K=2$ подтверждает корректность выбора двух кластеров.

Интерпретация результатов кластеризации

Кластеризация автоматически выделила две естественные группы поставщиков, при этом без заранее заданных меток — в отличие от ABC/XYZ, где правила разбиения определяются аналитиком. Это наглядно иллюстрирует различие классификации и кластеризации (раздел 5.1).

Пример применения DBSCAN для транспортных узлов

Метод DBSCAN обнаруживает кластеры произвольной формы и автоматически выделяет шумовые точки (выбросы). Рассмотрим семь транспортных узлов в координатах (грузооборот, число путей), нормированных:

Алгоритм DBSCAN:

1. Для каждой точки считается число соседей в окрестности радиуса $\varepsilon$.
2. Точка становится ядровой, если соседей $\geq minPts$.
3. Ядровые точки и достижимые из них образуют кластеры.
4. Точки, не вошедшие ни в один кластер, помечаются как шум.

Результат: узлы У1–У3 образуют кластер 1 (малые узлы), У4–У6 — кластер 2 (крупные узлы), а узел У7, расположенный изолированно, помечен как выброс. В логистическом контексте выброс — это аномальный узел (например, разовая площадка перевалки), требующий отдельного анализа, а не включения в типовую схему обслуживания.

Применение методов на машиностроительном предприятии

Комплексное применение методов классификации и кластеризации в ЛПТС машиностроительного предприятия решает следующие практические задачи:

1. Дифференциация контроля запасов. ABC-анализ показывает, что 78% стоимости запасов АО «Ракета» сосредоточено в 4 позициях — на них направляется основной управленческий ресурс (ежедневный учёт, персональные менеджеры, резервные поставщики).
2. Управление рисками дефицита. Комбинация ABC–XYZ–VED выявляет критичные позиции с нестабильным спросом (ячейки AZ, BZ с пометкой V). Для приводного агрегата и измерительного узла формируется стратегический запас, поскольку срыв их поставки останавливает сборочное производство.
3. Сегментация поставщиков. Кластеризация K-средних делит поставщиков на «надёжных» и «проблемных» без заранее заданных критериев, что служит входом для рейтингования (см. лекцию 1.7).
4. Зонирование складской логистики. Иерархическая кластеризация номенклатуры по частоте обращения (FSN) и совместному потреблению позволяет оптимизировать размещение позиций: группы CX (частые, дешёвые) — ближе к зоне комплектации, редкие AZ — в дальних стеллажах.
5. Выявление аномалий. DBSCAN обнаруживает нестандартные поставки и «выпадающие» из общей схемы транспортные узлы, что важно для контроля в многоэтапной производственной кооперации машиностроения.

Связь с лабораторной работой

Материал лекции является теоретической основой лабораторной работы «ABC-XYZ-анализ номенклатуры материалов», выполняемой в Microsoft Excel на данных кейса АО «Ракета».

Содержание лабораторной работы:

1. Проведение ABC-анализа номенклатуры материалов АО «Ракета»: расчёт годовой стоимости потребления, сортировка, вычисление накопленных долей, разбиение на группы A/B/C.
2. Проведение XYZ-анализа по историческим данным спроса: расчёт среднего, стандартного отклонения и коэффициента вариации $V$ для каждой позиции.
3. Построение матрицы ABC–XYZ и классификация позиций по 9 ячейкам.
4. Применение дополнительных методов анализа (VED, FSN, SDE) для уточнения стратегий.
5. Разработка дифференцированных стратегий управления для каждой группы.

Инструментарий Excel: функции СУММПРОИЗВ (годовая стоимость), СРЗНАЧ (средний спрос), СТАНДОТКЛОН.Г (стандартное отклонение) — для расчёта $V$; сортировка и накопленные итоги через СУММ с абсолютными ссылками; условное форматирование и функция ЕСЛИ для автоматической простановки групп ABC и XYZ; сводные таблицы для построения матрицы 3×3; надстройка «Анализ данных» и диаграмма Парето для визуализации кривой.

Отчётность: результаты ABC-XYZ-анализа входят в интегрированный проект семестра 1 (защита проекта ЛПТС для АО «Ракета»), где дифференцированные стратегии запасов связываются с моделью EOQ (лекция 1.3) и системой регулирования СФРЗ/СФИ.

Ключевые выводы по лекции

1. ABC-анализ — классификация по стоимости потребления (правило Парето: 20% позиций = 80% стоимости).
2. XYZ-анализ — классификация по стабильности спроса на основе коэффициента вариации.
3. Комбинированный анализ ABC–XYZ даёт 9 сегментов с дифференцированными стратегиями управления.
4. Матрица ABC–XYZ позволяет оптимизировать запасы и снизить затраты на хранение.
5. VED-анализ — классификация по критичности для обеспечения бесперебойной деятельности (V — критичные, E — важные, D — желательные).
6. FSN-анализ — классификация по скорости оборачиваемости запасов (F — быстрооборот, S — медленнооборот, N — необорот).
7. SDE-анализ — классификация по доступности материалов (S — дефицитные, D — сложные в получении, E — легкодоступные).
8. HML-анализ — классификация по удельной стоимости единиц номенклатуры (H — высокая, M — средняя, L — низкая стоимость).
9. SLN-анализ — классификация по времени выполнения заказа (S — короткое, L — длинное, N — среднее время поставки).
10. Комбинированные методы (ABC-VED, ABC-FSN, ABC-SDE и др.) позволяют создать комплексную стратегию управления запасами.
11. Интеграция методов анализа обеспечивает многомерную оценку запасов и повышает эффективность управления ЛПТС.
12. Классификация — отнесение объектов к заранее известным классам (обучение с учителем), а кластеризация — поиск естественных групп в данных без предварительных меток (обучение без учителя).
13. Задача кластеризации заключается в разбиении объектов на группы так, чтобы объекты внутри кластера были более похожи, чем объекты из разных кластеров.
14. Основные методы кластеризации: K-средних (K-Means), иерархическая кластеризация, DBSCAN — каждый со своими преимуществами и ограничениями.
15. Кластеризация в логистике применяется для сегментации клиентов, зонирования доставки, анализа маршрутов, управления запасами и обнаружения аномалий.
16. Практикум на кейсе АО «Ракета» показал, что в мелкосерийном машиностроительном производстве группа A концентрирует 78% стоимости при 40% номенклатуры, а дорогие комплектующие попадают в нестабильные ячейки AY/AZ матрицы ABC–XYZ.
17. Алгоритм K-средних на примере сегментации поставщиков сошёлся за 2 итерации, выделив «надёжных» (низкая цена, низкий брак) и «проблемных» поставщиков; корректность $K=2$ подтверждена методом «локтя».

Контрольные вопросы

1. Какие группы выделяются в ABC-анализе и по какому принципу?
2. Как рассчитывается коэффициент вариации для XYZ-анализа?
3. Что показывает матрица ABC–XYZ и какие стратегии она позволяет разработать?
4. В чём принципиальное отличие классификации от кластеризации?
5. Какие основные методы кластеризации вы знаете и где применяется кластеризация в логистике?

Рекомендуемая литература

Основная:

1. Мицель А. А., Грибанова Е. Б. Имитационное моделирование экономических процессов в Excel. — Томск, 2019.

Дополнительная:

1. Крылатков П. П., Кузнецова Е. Ю. и др. Логистика промышленного предприятия: учеб. пособие. — 2016.

Полный каталог и содержание источников — в обзоре литературы.