3. Авс-анализ.

ABC-анализ позволяет разбить большой список, например, ассортимент товаров, на три группы, имеющие существенно разное влияние на общий результат (объем продаж). Иными словами, ABC-анализ позволяет:

• Выделить позиции, которые вносят наибольший вклад в суммарный результат.

• Анализировать три группы вместо большого списка.

• Работать сходным образом с позициями одной группы.

Группы обозначаются латинскими буквами ABC:

• А — самые важные

• В — средней важности

• С — наименее важные

Методика основана на принципе Парето (принцип 20/80), открытом итальянским экономистом Парето в 1897 году. В наиболее общем виде он формулируется так: «20% усилий дают 80% результата». В нашем случае: 20% ассортимента дают 80% выручки.

Границы ABC-групп. Группы должны быть примерно следующими (на примере анализа ассортимента):

• Группа A дает 80% выручки, содержит 20% наименований

• Группа B дает 15% выручки, содержит 30% наименований

• Группа C дает 5% выручки, содержит 50% наименований

На всякий случай уточню: разбиение на группы выполняется по сумме выручки, а доля от числа наименований — какая получится.

Понятно, что соотношения (80%-15%-5%) по объему и (20%-30%-50%) по количеству наименований не являются точным законом природы, cуществует несколько методов определения границ ABC-групп. Но при значительных отклонениях от указанных значений следует насторожиться.

4. Дискриминантный способ.

ДИСКРИМИНАНТНЫЙ АНАЛИЗ

- раздел математич. статистики, содержанием к-рого является разработка и исследование статистич. методов решения следующей задачи различения (дискриминации): основываясь на результатах наблюдений", определить, какой из нескольких возможных совокупностей принадлежит объект, случайно извлеченный из одной из них. На практике задача различения возникает, напр., в тех случаях, когда наблюдение признака, полностью определяющего принадлежность объекта к той или иной совокупности, невозможно или требует чрезмерных затрат средств или времени; в случаях, когда информация о таком признаке утеряна, и ее нужно восстановить, а также, когда речь идет о предсказании будущих событий на основе имеющихся данных.

В общем виде задача различения ставится следующим образом. Пусть результатом наблюдения над случайным объектом является реализация р-мерного случайного вектора х'=(х 1, ..., х р) (штрих означает транспонирование) значений признаков объекта. Требуется установить правило, согласно к-рому по значению вектора х объект относят к одной из возможных совокупностей pi, i=1, ... , k. Построение правила дискриминации состоит в том, что все выборочное пространство R значений вектора разбивается на области Ri, i=l, ... , k, так что при попадании х в Ri объект относят к совокупности pi. Выбор правила дискриминации среди всех возможных производится в соответствии с установленным принципом оптимальности на основе априорной информации о совокупностях pi и вероятностях qi извлечения объекта из pi. При этом учитывается размер убытка от неправильной дискриминации. Априорная информация о совокупностях pi может состоять в том, что известны функции распределения вектора признаков объекта в каждой из этих совокупностей, она может быть представлена также и в виде выборок из каждой из этих совокупностей, при этом априорные вероятности qi совокупностей могут быть либо известны, либо нет. Очевидно, чем полнее исходная информация, тем точнее могут быть рекомендации.