XYZ-анализ

Что такое XYZ-анализ

XYZ-анализ делит ассортимент на три группы по стабильности спроса. В отличие от ABC-анализа, который отвечает на вопрос «сколько товар приносит», XYZ отвечает на вопрос «насколько ровно он продаётся и можно ли ему верить в прогнозе».

Практическая ценность метода — в управленческих решениях, которые из него следуют:

• по X-товарам можно держать минимальный страховой запас и планировать закупку по формуле;
• по Z-товарам формула не работает — либо повышенный буфер, либо заказ под клиента, либо вывод из матрицы;
• в промо-планировании X-товары дают предсказуемый отклик, Z-товары — лотерею.

Формула: коэффициент вариации

Мера стабильности — коэффициент вариации (CV): стандартное отклонение продаж, нормированное на средний уровень продаж. Нормировка обязательна, иначе крупные по объёму товары автоматически выглядели бы «нестабильнее» мелких.

       σ
CV = ----- × 100%
       x̄

x̄ — средние продажи за период
σ — стандартное отклонение продаж по периодам
     σ = √( Σ(xᵢ − x̄)² / n )

Пример расчёта

Продажи четырёх SKU за 6 месяцев (шт.):

Обратите внимание на товары А и Б: абсолютный разброс у Б выше (8.5 против 3.1), но относительно своего объёма он продаётся так же ровно. Именно поэтому классификация строится на CV, а не на сыром отклонении.

Требования к данным для корректного расчёта:

Матрица ABC×XYZ

Оси независимы, поэтому их совмещают в матрицу 3×3. Каждая клетка — это отдельная политика управления запасом, промо и представленностью в каталоге.

Практический вывод из матрицы: основное управленческое внимание нужно клеткам AZ и AY, а не строке A целиком. Клетка AX уже работает сама — она стабильна и её достаточно не ломать. Клетка CZ отбирает время закупки и место на складе, ничего не давая взамен, — именно с неё начинается чистка товарной матрицы.

Как XYZ меняет работу персонализации

Стабильность спроса напрямую влияет на то, какие сигналы работают в рекомендациях.

X-товары — надёжная статистическая база. По ним накоплено достаточно ровных данных, чтобы совместная статистика была устойчивой: блоки «часто покупают вместе» и рекомендации по со-встречаемости на X-ассортименте дают предсказуемое качество. Такие товары же безопасно использовать как «якорь» в блоках популярного — они не превратятся внезапно в неактуальные.

Z-товары ломают алгоритмы, основанные на популярности. Их продажи разрежены и рваны, поэтому любая метрика вида «покупали N раз за период» по ним статистически шумная: всплеск из трёх заказов алгоритм может принять за тренд. Для Z-ассортимента вес смещается в сторону признаков, не зависящих от истории продаж:

• контентные признаки товара — категория, бренд, атрибуты, цена (content-based подход);
• сессионные сигналы — что человек смотрит прямо сейчас;
• принадлежность к длинному хвосту как отдельный слот в выдаче, чтобы хвост не вымывался популярным ядром.

Практическое следствие для настройки стратегий рекомендаций: XYZ-группу удобно выгружать в продуктовый фид отдельным атрибутом. Тогда её можно использовать в правилах — например, ограничивать долю Z-товаров в блоке на карточке товара или, наоборот, целенаправленно раскачивать Z-хвост в блоках «похожие товары», где ставка на популярность и так не нужна.

Чек-лист внедрения

1. Собрать ряд — продажи по SKU минимум за 12 периодов, в штуках (не в деньгах: изменение цены исказит вариацию).
2. Очистить данные — убрать периоды out-of-stock, исключить новинки моложе 6 периодов, схлопнуть дубли SKU.
3. Снять сезонность — либо десезонализировать ряд, либо считать XYZ внутри сезона.
4. Посчитать CV и посмотреть его распределение по каталогу до выбора порогов.
5. Задать пороги — от учебных 10%/25%, но с поправкой на реальный разброс в своей категории.
6. Наложить на ABC и разобрать девять клеток, начиная с AZ и CZ.
7. Пересчитывать регулярно — раз в квартал для стабильных категорий, раз в месяц для fashion и товаров с коротким жизненным циклом.

Типичные ошибки: