Prioritizzazione automatizzata dei conteggi a campione tramite analisi ABC-XYZ

Gli inventari fisici sono necessari perché i record di magazzino non sono mai perfettamente accurati. Le discrepanze si insinuano da errori di ricezione, errori di prelievo, danni, furti e tempistiche di transazione. La domanda non è se contare ma come allocare le risorse di conteggio per il massimo impatto.

Il conteggio a campione tradizionale assegna la frequenza di conteggio in base alla classificazione ABC: gli articoli A (alto valore) sono contati frequentemente, i B meno spesso e i C il meno possibile. Questo è un punto di partenza ragionevole ma ignora un fattore importante: la variabilità di domanda. L'AI aggiunge la dimensione XYZ per creare una strategia di conteggio più efficace.

Perché ABC da solo non basta

La classificazione ABC basata sull'utilizzo annuo in valore mette gli articoli ad alto valore nella categoria A. Questi vengono contati più spesso. Ma consideri due articoli A: uno con domanda stabile e prevedibile e uno con domanda altamente variabile. L'articolo stabile è improbabile che abbia grandi discrepanze di conteggio perché il pattern di utilizzo prevedibile rende facile rilevare gli errori dall'analisi delle transazioni. L'articolo variabile ha molte più probabilità di avere errori di conteggio perché l'utilizzo imprevedibile rende le discrepanze più difficili da individuare.

Contare l'articolo A stabile ogni mese potrebbe non essere necessario. Contare l'articolo A variabile ogni mese potrebbe non bastare.

Il framework ABC-XYZ

La classificazione XYZ categorizza gli articoli per variabilità di domanda. Gli articoli X hanno domanda fluida e prevedibile. Gli articoli Y hanno variabilità moderata, spesso con pattern stagionali. Gli articoli Z hanno domanda altamente sporadica o imprevedibile.

Combinando ABC e XYZ si crea una matrice. Gli articoli AX sono ad alto valore con domanda stabile. Gli articoli AZ sono ad alto valore con domanda erratica. Gli articoli CX sono a basso valore con domanda stabile. Ciascuna combinazione riceve una strategia di conteggio diversa in base al rischio e all'impatto dell'inaccuratezza delle scorte.

Come l'AI ottimizza il piano di conteggio

L'AI porta questo framework oltre considerando fattori aggiuntivi oltre a valore e variabilità. Valuta l'accuratezza storica del conteggio per ciascun articolo, concentrando più sforzo di conteggio sugli articoli che hanno avuto discrepanze in passato. Considera il volume transazionale, poiché gli articoli con più transazioni hanno più opportunità di errori. Valuta l'impatto a valle dell'inaccuratezza: un articolo che alimenta una linea produttiva critica necessita di accuratezza più alta di un ricambio per apparecchiature non critiche.

L'AI genera un programma di conteggio dinamico che alloca le risorse di conteggio per massimizzare il miglioramento atteso nell'accuratezza delle scorte. Gli articoli con la più alta discrepanza attesa e il più alto impatto di inaccuratezza vengono contati più frequentemente. Gli articoli con forte storia di accuratezza e basso impatto vengono contati meno.

Risultati dei conteggi e cause radice

Quando i conteggi rivelano discrepanze, l'AI analizza i pattern. Eccedenze coerenti su un articolo potrebbero indicare un errore di conteggio in ricezione o un fornitore che spedisce coerentemente più di quanto ordinato. Carenze coerenti potrebbero indicare scarti non segnalati o prelievi dalla posizione errata. L'AI identifica questi pattern e segnala la causa radice per indagine.

Per ulteriori informazioni sull'ottimizzazione delle scorte basata sull'AI nel manifatturiero, visiti la pagina FirmAdapt dedicata all'analisi del manifatturiero.