3. ABC分类法原理
3.1 帕累托法则：库存管理的核心杠杆
ABC分类法的理论基础源于意大利经济学家维尔弗雷多·帕累托（Vilfredo Pareto）在19世纪末观察到的“关键少数与次要多数”现象，即著名的80/20原则。在库存管理中，该原则表现为：
- 约20%的SKU（库存单位）贡献了约80%的库存金额（或销售额）。
- 约80%的SKU仅贡献了约20%的库存金额。
这一发现揭示了库存价值分布的高度不均衡性。通过识别并优先管理那“关键的少数”，企业可以用最小的管理成本控制绝大部分的库存资金风险，这正是ABC分类法驱动呆滞库存预警与优化的底层逻辑。
核心洞察： 80/20原则不是精确的数学公式，而是一种管理思维。在实际库存数据中，比例可能演变为70/30或90/10，但其“少数项目主导多数价值”的本质不变。
3.2 分类标准：金额占比 vs 数量占比
ABC分类的核心指标是库存金额占比，而非简单的数量占比。这是因为库存占用的资金成本才是企业最关心的风险点。下表清晰展示了两种标准的本质区别：
| 分类维度 | 计算方式 | 管理意义 | 适用场景 |
|---|---|---|---|
| 金额占比（推荐） | 单个SKU库存金额 ÷ 总库存金额 × 100% | 直接反映资金占用，识别高财务风险物料 | 呆滞库存预警、资金优化、采购预算控制 |
| 数量占比 | 单个SKU库存数量 ÷ 总库存数量 × 100% | 反映仓储空间占用，识别高周转频次物料 | 仓库布局优化、拣货路径设计、库位分配 |
常见误区： 许多初学者误用“数量占比”进行ABC分类，导致大量低单价、高数量的C类物料被错误归入A类，而真正占用大量资金的高单价物料却被忽视。在呆滞库存预警场景中，必须使用金额占比作为首要分类标准。
3.3 分类阈值设定：从理论到实战
阈值设定是ABC分类法落地的关键步骤。虽然经典比例为A类20%/B类30%/C类50%，但实际应用中需根据行业特性、物料属性和管理粒度进行调整。以下是三种常见的阈值设定策略：
- 经典比例法： A类（0-20% SKU，80%金额）、B类（20-50% SKU，15%金额）、C类（50-100% SKU，5%金额）。适用于制造业标准物料。
- 动态拐点法： 绘制帕累托曲线，选取曲线斜率发生显著变化的点作为分类边界。适用于数据分布不均匀的复杂场景。
- 管理粒度法： 根据团队管理能力设定。团队能力强可扩大A类范围（如30%），反之则缩小（如10%）。
3.4 实战阈值参数配置表
以下是一份经过验证的ABC分类阈值参数配置模板，可直接用于ERP或库存管理系统的参数初始化：
| 分类 | SKU数量占比阈值 | 累计金额占比阈值 | 预警策略 | 盘点频率 |
|---|---|---|---|---|
| A类 | 0% – 20% | 0% – 80% | 每周预警，严格监控呆滞 | 每月循环盘点 |
| B类 | 20% – 50% | 80% – 95% | 双周预警，定期审查 | 每季度盘点 |
| C类 | 50% – 100% | 95% – 100% | 月度预警，简化管理 | 年度盘点 |
配置建议： 在系统初始化时，建议将A类阈值设为累计金额占比的75%-80%区间，B类设为95%-98%区间。剩余部分自动归入C类。后续可根据实际数据分布，每季度微调一次阈值参数。
3.5 代码示例：Python实现ABC分类阈值计算
以下代码演示如何根据金额占比自动计算ABC分类阈值，并输出分类结果：
import pandas as pd
import numpy as np
def abc_classify(df, amount_col='inventory_amount',
a_threshold=0.80, b_threshold=0.95):
"""
基于金额占比的ABC分类函数
参数:
df: 包含库存金额的DataFrame
amount_col: 金额列名
a_threshold: A类累计金额占比阈值（默认0.80）
b_threshold: B类累计金额占比阈值（默认0.95）
返回:
添加了ABC分类标签的DataFrame
"""
# 1. 按金额降序排序
df_sorted = df.sort_values(by=amount_col, ascending=False).reset_index(drop=True)
# 2. 计算金额占比和累计占比
total_amount = df_sorted[amount_col].sum()
df_sorted['amount_pct'] = df_sorted[amount_col] / total_amount
df_sorted['cumsum_pct'] = df_sorted['amount_pct'].cumsum()
# 3. 根据累计占比阈值分类
conditions = [
df_sorted['cumsum_pct'] <= a_threshold,
df_sorted['cumsum_pct'] <= b_threshold
]
choices = ['A', 'B']
df_sorted['abc_class'] = np.select(conditions, choices, default='C')
return df_sorted
# 使用示例
# df_result = abc_classify(inventory_data, a_threshold=0.80, b_threshold=0.95)
# print(df_result['abc_class'].value_counts())