XYZ-анализ

Привет, Хабр! Сегодня рассмотрим, что такое XYZ‑анализ и как его применять для оптимизации запасов.

Зачем вообще нужен XYZ-анализ?

Иногда бывает такое, что на складе нет нужного товара, и клиент уходит к другому продавцу, либо склад завален вещами, которые никто не купит. XYZ‑анализ помогает распилить ассортимент на три категории по степени предсказуемости спроса:

X‑товары: надёжные «работяги» — стабильный спрос, минимальные колебания. Эти товары нужно всегда держать под рукой.
Y‑товары: росредники, где спрос колеблется, но всё‑таки предсказуем. Здесь важно найти баланс.
Z‑товары: буйные дети — спрос крайне волатилен, и запас держат на минимуме, закупая по предзаказу.

Итак, как определить, к какой категории относится товар? Всё сводится к коэффициенту вариации (CV) — он показывает, насколько сильно варьируется спрос. Формула проста:

$CV = \frac{\sigma}{\mu}$

где:

— стандартное отклонение спроса,
— среднее значение спроса.

Пример:

Если — товар идёт в категорию X,
Если — попадает в Y,
Если — это Z.

XYZ-анализ на практике

Начнём с простого скрипта, который:

Загрузит данные о продажах,
Рассчитает среднее значение, стандартное отклонение и коэффициент вариации,
Распределит товары по категориям.

import pandas as pd import numpy as np  def classify_item(cv_value, threshold_x=0.5, threshold_y=1.0):     """Классификация товара по коэффициенту вариации."""     if cv_value <= threshold_x:         return 'X'     elif cv_value <= threshold_y:         return 'Y'     else:         return 'Z'  def perform_xyz_analysis(dataframe, demand_columns):     """     Выполняет XYZ-анализ.          :param dataframe: DataFrame с данными по продажам.     :param demand_columns: Список колонок с данными спроса.     :return: DataFrame с колонками 'mean', 'std', 'cv' и 'category'.     """     dataframe['mean'] = dataframe[demand_columns].mean(axis=1)     dataframe['std'] = dataframe[demand_columns].std(axis=1)     # Защищаемся от деления на ноль: если mean==0, ставим nan     dataframe['cv'] = np.where(dataframe['mean'] != 0, dataframe['std'] / dataframe['mean'], np.nan)     dataframe['category'] = dataframe['cv'].apply(classify_item)     return dataframe  # Пример данных – представьте, что это ваши реальные продажи за 4 недели: data = {     'item': ['Товар A', 'Товар B', 'Товар C', 'Товар D', 'Товар E'],     'week_1': [100, 20, 5, 80, 1],     'week_2': [110, 22, 8, 75, 0],     'week_3': [105, 18, 7, 82, 2],     'week_4': [98, 25, 6, 78, 1] }  df = pd.DataFrame(data) result_df = perform_xyz_analysis(df, ['week_1', 'week_2', 'week_3', 'week_4']) print(result_df)

Как видите, всё просто: считаете статистику и классифицируете товары. Если товар показывает стабильный спрос — поздравляем, у вас X‑товар, и его запас нужно держать на уровне.

Добавим обработку ошибок и логирование.

import logging  logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__)  def safe_mean(series):     """Безопасное вычисление среднего."""     try:         return series.mean()     except Exception as e:         logger.error("Ошибка вычисления среднего: %s", e)         return np.nan  def safe_std(series):     """Безопасное вычисление стандартного отклонения."""     try:         return series.std()     except Exception as e:         logger.error("Ошибка вычисления стандартного отклонения: %s", e)         return np.nan  def perform_xyz_analysis_pro(dataframe, demand_columns):     """     Улучшенная версия анализа с логированием и обработкой ошибок.          :param dataframe: DataFrame с данными по продажам.     :param demand_columns: Список колонок с данными спроса.     :return: DataFrame с результатами анализа.     """     try:         dataframe['mean'] = dataframe[demand_columns].apply(safe_mean, axis=1)         dataframe['std'] = dataframe[demand_columns].apply(safe_std, axis=1)         dataframe['cv'] = np.where(dataframe['mean'] != 0, dataframe['std'] / dataframe['mean'], np.nan)         dataframe['category'] = dataframe['cv'].apply(classify_item)         logger.info("XYZ-анализ успешно выполнен для %d товаров", len(dataframe))     except Exception as e:         logger.error("Ошибка в perform_xyz_analysis_pro: %s", e)         raise e     return dataframe  result_df_pro = perform_xyz_analysis_pro(df, ['week_1', 'week_2', 'week_3', 'week_4']) print(result_df_pro)

Автоматизация заказов: интеграция с API

Не будем останавливаться на анализе — автоматизируем процесс пополнения запасов для X‑товаров. Ниже пример кода, который отправляет заказ через REST API. При этом есть таймауты, обработка ошибок, логирование и retries:

import requests  def place_order(item_id, quantity):     """     Размещает заказ через API.          :param item_id: Идентификатор товара.     :param quantity: Количество для заказа.     :return: JSON-ответ API или None.     """     api_url = "https://api.example.com/orders"     payload = {"item_id": item_id, "quantity": quantity}          try:         response = requests.post(api_url, json=payload, timeout=5)         response.raise_for_status()         logger.info("Заказ для товара %s успешно размещён", item_id)         return response.json()     except requests.RequestException as e:         logger.error("Ошибка при размещении заказа для товара %s: %s", item_id, e)         return None  # Пример вызова для X-товара: order_result = place_order("A123", 500) if order_result:     logger.info("Заказ успешно размещён: %s", order_result) else:     logger.error("Заказ не был размещён")

Используем стандартную библиотеку requests. Если вдруг API не отвечает, сразу можно увидеть ошибку в логах.

ETL-пайплайн для регулярного анализа запасов

Зачем вручную обновлять данные, когда можно автоматизировать ETL‑процесс? Настроим пайплайн, который каждый день анализирует продажи и обновляет результаты XYZ‑анализа.

import schedule import time  def etl_pipeline():     """ETL-процесс для обновления данных анализа запасов."""     # Этап 1: Извлечение данных (Extract)     try:         df = pd.read_csv('sales_data.csv')         logger.info("Данные успешно загружены")     except Exception as e:         logger.error("Ошибка загрузки данных: %s", e)         return      # Этап 2: Преобразование данных (Transform)     try:         df_analyzed = perform_xyz_analysis_pro(df, ['week_1', 'week_2', 'week_3', 'week_4'])         logger.info("Данные успешно проанализированы")     except Exception as e:         logger.error("Ошибка анализа данных: %s", e)         return      # Этап 3: Загрузка данных (Load)     try:         df_analyzed.to_csv('analyzed_data.csv', index=False)         logger.info("Результаты анализа успешно сохранены")     except Exception as e:         logger.error("Ошибка сохранения результатов: %s", e)  # Планируем выполнение ETL-пайплайна каждый день в 01:00 schedule.every().day.at("01:00").do(etl_pipeline) logger.info("ETL-процесс запущен, ожидаем следующего запуска...")  while True:     schedule.run_pending()     time.sleep(60)

Нюансы

Конечно, XYZ‑анализ — не панацея. Вот что стоит помнить:

Сезонные колебания: если спрос резко меняется, исторические данные могут вводить в заблуждение.
Внешние факторы: маркетинговые акции, экономические кризисы или погодные условия могут нарушить расчёты.
Комплексность модели: иногда бывает проще комбинировать XYZ‑анализ с другими методами, например, с ABC‑анализом или прогнозированием с помощью машинного обучения.

В общем, не стоит слепо доверять любому алгоритму — всегда полезно иметь запасной план.

Совмещенный ABC/XYZ-анализ

Как часто бывает в бизнесе, одной только сегментации по вариативности спроса (XYZ‑анализ) бывает недостаточно для оптимизации запасов. Нужно учитывать ещё и вклад товара в общий оборот или прибыль, здесь хорошо поможет ABC‑анализ.

ABC‑анализ обычно подразумевает, что товары ранжируются по их суммарным продажам (или стоимости), после чего распределяются по группам:

A‑товары — это лидеры по продажам, зачастую составляющие 70–80% общего оборота при сравнительно небольшом количестве позиций.
B‑товары — товары со средней значимостью, их доля может варьироваться, например, 15–20%.
C‑товары — менее значимые позиции, которые вместе составляют оставшиеся 5–10% оборота, но могут быть очень многочисленными.

Объединяя ABC‑анализ с XYZ‑анализом, можно получить матрицу, которая позволяет выстроить индивидуальные стратегии для каждой ячейки, например, для товаров типа «A‑X» (лидеры продаж и стабильный спрос) можно настроить автоматическую перезаказку, а для «C‑Z» — использовать предзаказы и гибкие схемы закупок.

Вычислим показатели XYZ‑анализ (на основе коэффициента вариации), а затем проведём ABC‑анализ, ранжируя товары по суммарным продажам:

import pandas as pd import numpy as np import logging  logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__)  # Функция для классификации по XYZ-анализу def classify_xyz(cv_value, threshold_x=0.5, threshold_y=1.0):     if cv_value <= threshold_x:         return 'X'     elif cv_value <= threshold_y:         return 'Y'     else:         return 'Z'  def perform_xyz_analysis(df, demand_columns):     """     Выполняет XYZ-анализ для заданного DataFrame.     Добавляет колонки: 'mean', 'std', 'cv' и 'xyz'.     """     df['mean'] = df[demand_columns].mean(axis=1)     df['std'] = df[demand_columns].std(axis=1)     # Предотвращаем деление на 0     df['cv'] = np.where(df['mean'] != 0, df['std'] / df['mean'], np.nan)     df['xyz'] = df['cv'].apply(classify_xyz)     logger.info("XYZ-анализ выполнен для %d товаров", len(df))     return df  # Функция для ABC-анализу: рассчитываем суммарные продажи и ранжируем товары def perform_abc_analysis(df, sales_columns, a_threshold=0.7, b_threshold=0.9):     """     Выполняет ABC-анализ для заданного DataFrame.     Добавляет колонки: 'total_sales', 'cum_pct' и 'abc'.     a_threshold и b_threshold задают пороги для отнесения к группам A и B.     """     df['total_sales'] = df[sales_columns].sum(axis=1)     df_sorted = df.sort_values(by='total_sales', ascending=False).copy()     total_sum = df_sorted['total_sales'].sum()     df_sorted['cum_pct'] = df_sorted['total_sales'].cumsum() / total_sum      def classify_abc(cum_pct):         if cum_pct <= a_threshold:             return 'A'         elif cum_pct <= b_threshold:             return 'B'         else:             return 'C'          df_sorted['abc'] = df_sorted['cum_pct'].apply(classify_abc)     logger.info("ABC-анализ выполнен для %d товаров", len(df_sorted))     # Восстанавливаем исходный порядок     df_final = df_sorted.sort_index()     return df_final  # Функция для совмещенного ABC/XYZ-анализа def perform_abc_xyz_analysis(df, demand_columns, sales_columns):     """     Выполняет совмещенный ABC/XYZ-анализ.     Возвращает DataFrame с колонками: 'abc' и 'xyz' вместе с дополнительными метриками.     """     try:         df_xyz = perform_xyz_analysis(df.copy(), demand_columns)         df_abc = perform_abc_analysis(df.copy(), sales_columns)         # Объединяем результаты по индексу (или по уникальному идентификатору, если он есть)         df_combined = df_xyz.join(df_abc[['abc']], how='left')         logger.info("ABC/XYZ-анализ успешно объединён")         return df_combined     except Exception as e:         logger.error("Ошибка в совмещённом анализе: %s", e)         raise e  # Пример данных – предположим, что у нас есть продажи за 4 недели data = {     'item': ['Товар A', 'Товар B', 'Товар C', 'Товар D', 'Товар E'],     'week_1': [100, 20, 5, 80, 1],     'week_2': [110, 22, 8, 75, 0],     'week_3': [105, 18, 7, 82, 2],     'week_4': [98, 25, 6, 78, 1] }  df = pd.DataFrame(data) # Для XYZ-анализ используем колонки с данными спроса, для ABC – те же продажи result_df = perform_abc_xyz_analysis(df, demand_columns=['week_1', 'week_2', 'week_3', 'week_4'], sales_columns=['week_1', 'week_2', 'week_3', 'week_4'])  print(result_df[['item', 'total_sales', 'cum_pct', 'abc', 'mean', 'std', 'cv', 'xyz']])

Мы вычисляем среднее значение и стандартное отклонение для заданного набора данных по спросу. Коэффициент вариации помогает понять, насколько стабилен спрос, а функция classify_xyz распределяет товары по категориям X, Y и Z.

По ABC анализу суммируются продажи за указанный период, товары сортируются по убыванию, затем вычисляется накопленный процент от общего объёма продаж. На основе этих значений происходит классификация: товары, совокупный вклад которых не превышает 70% — получают метку «A», следующие до 90% — «B», а оставшиеся — «C».

Результаты обоих анализов объединяются по индексу DataFrame. Теперь есть два ключевых показателя для каждого товара: его значение по ABC‑анализу (вклад в продажи) и по XYZ‑анализу (стабильность спроса).

Спасибо, что дочитали до конца. Если вы хотите поделиться своим опытом — пишите в комментариях.

Хотите автоматизировать управление запасами? Разберём работу с API в Python на открытом уроке 18 марта «Эффективное использование библиотеки requests». Узнайте, как отправлять запросы, обрабатывать ответы и интегрировать внешние сервисы. Записаться

Полный список открытых уроков по аналитике и не только можно посмотреть в календаре.

ссылка на оригинал статьи https://habr.com/ru/articles/890388/