ABC Analyse er, når vi kategoriserer vores varer i “hierarchy”:
Her er et eksempel:
## vare lager pris
## 1 V1 100 150
## 2 V2 100 40
## 3 V3 400 10
## 4 V4 200 15
## 5 V5 200 10
## 6 V6 50 5
## 7 V7 150 10
## 8 V8 30 25
Her har vi 8 varer og vi kan se, hvor mange af dem vi har på lager og hvor meget de koster. Så kan vi find ud af, hvad vi tjener fra hver vare.
## vare lager pris indkomst indkomst_procent
## 6 V6 50 5 250 0.8196721
## 8 V8 30 25 750 2.4590164
## 7 V7 150 10 1500 4.9180328
## 5 V5 200 10 2000 6.5573770
## 4 V4 200 15 3000 9.8360656
## 2 V2 100 40 4000 13.1147541
## 3 V3 400 10 4000 13.1147541
## 1 V1 100 150 15000 49.1803279
Så ved vi, at V1 produkter skal altid være tilgængeligt på lager. Derfor kigger vi først på B varer, og derefter kigger vi på C varer, i forhold til optalning og hvor mange vi skal have pÃ¥ lager.
Lad os kigge på data igen:
## vare lager pris indkomst indkomst_procent
## 3 V3 400 10 4000 13.1147541
## 5 V5 200 10 2000 6.5573770
## 4 V4 200 15 3000 9.8360656
## 7 V7 150 10 1500 4.9180328
## 2 V2 100 40 4000 13.1147541
## 1 V1 100 150 15000 49.1803279
## 6 V6 50 5 250 0.8196721
## 8 V8 30 25 750 2.4590164
Vi kan se, at vare V3, V5 og V4 skal have større og bedre lokationen, fordi vi pluker flere af dem. Det gør vi for at forbedre vores arbejds-flow via ergonomi for vores medarbejder. Samtidig vil det også optimere vores genopfyldning.
I fremtiden kan optalning blive nemmere, hvis man ved, hvilke varer er de vigtiste at have på lager i forhold til virksomhedsindkomst fra varer.
Der er også en bedre metode til at lave en ABC analyse, når vi brug R. Her kan vi f.x. brug ABCanalysis package til at lave en bedre version af den, som er her ovenfor.
Lad os kigge på det her:
Den graph, som kommer her, viser ABC analysen med højere effektivitet. Vi kan se, hvor mange varer er i A, B og C gruppe. Lad os kigge mere på det i graphen:
abc <- ABCanalysis(data, PlotIt = TRUE)Nu lad os kigge på grupperne:
summary(A)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1154 1423 1887 3582 2857 168021
summary(B)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 710.0 800.0 899.0 909.5 1018.5 1153.0
summary(C)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 30.0 210.0 332.0 345.4 470.5 709.0
Den package hjælper også at finde grupperne på den måde, som frigiver os fra analysen selv. Sådan kan vi komme hurtigere til fysiske flytning af varer og rettelse af minimum lagersbeholdning.