4. ABC分类参数体系
ABC分类的核心在于通过累计金额占比（参数A）与累计数量占比（参数B）的交叉分析，结合品类权重系数（参数C）进行动态修正，从而精准识别呆滞库存的优先级。本节将逐一拆解这三个参数的数学定义、配置逻辑与实战意义。
4.1 参数A：累计金额占比
参数A衡量的是：按库存金额从高到低排序后，每个品类（或SKU）的金额占整体库存总金额的百分比，并计算其累计值。它是ABC分类中“重要性”的核心度量。
- 计算公式：单品金额占比 = 单品库存金额 / 总库存金额 × 100%；累计金额占比 = 前N个品类的金额占比之和。
- 分类阈值（经典参考）：A类（累计占比0%~70%）、B类（70%~90%）、C类（90%~100%）。
- 呆滞预警意义：A类物料即使呆滞数量少，也会占用大量资金，必须优先处理。
4.2 参数B：累计数量占比
参数B衡量的是：按库存数量从高到低排序后，每个品类的数量占整体库存总数量的百分比，并计算其累计值。它反映了库存的“物理分布”特征。
- 计算公式：单品数量占比 = 单品库存数量 / 总库存数量 × 100%；累计数量占比 = 前N个品类的数量占比之和。
- 分类阈值（经典参考）：A类（累计占比0%~10%）、B类（10%~30%）、C类（30%~100%）。
- 呆滞预警意义：C类物料数量庞大但金额低，容易形成“低值呆滞”，占用仓储空间和管理资源。
关键对比：参数A vs 参数B
参数A聚焦资金占用，参数B聚焦实物数量。两者结合可识别“高金额低数量”（典型A类）与“低金额高数量”（典型C类）的物料特征。
参数A聚焦资金占用，参数B聚焦实物数量。两者结合可识别“高金额低数量”（典型A类）与“低金额高数量”（典型C类）的物料特征。
4.3 参数C：品类权重系数
品类权重系数（C）是对标准ABC分类的动态修正因子。它允许企业根据业务策略、供应链风险、物料稀缺性等因素，对特定品类进行加权调整，避免纯财务视角的局限性。
| 权重类型 | 典型系数范围 | 适用场景 |
|---|---|---|
| 标准权重 | 1.0 | 常规物料，无特殊业务要求 |
| 战略权重 | 1.2 ~ 1.5 | 关键客户专用料、独家供应商物料 |
| 风险权重 | 1.3 ~ 2.0 | 长交期物料、易变质/过期货 |
| 呆滞权重 | 0.5 ~ 0.8 | 已识别为呆滞但需加速清理的物料 |
实战建议：参数C的配置应定期（如每季度）由供应链、财务、销售三方联合评审，避免人为操纵导致分类失真。
4.4 三参数协同机制
在呆滞库存预警系统中，参数A、B、C并非独立运行，而是通过以下流程协同工作：
- 基础排序：按参数A（累计金额占比）对物料进行降序排列，生成初始ABC分类。
- 数量校验：引入参数B（累计数量占比），标记“金额低但数量大”的异常品类。
- 权重修正：对每个品类应用参数C（品类权重系数），重新计算加权后的分类得分。
- 最终分类：根据加权得分重新划定A/B/C类，输出预警优先级。
4.5 参数配置实战清单
在实施ABC分类参数配置时，建议按以下步骤操作：
| 步骤 | 操作内容 | 输出物 |
|---|---|---|
| 1 | 导出全量库存数据，清洗异常值（负库存、零成本等） | 清洗后的库存明细表 |
| 2 | 按金额降序排列，计算参数A（累计金额占比） | 金额排序表 + 累计占比列 |
| 3 | 按数量降序排列，计算参数B（累计数量占比） | 数量排序表 + 累计占比列 |
| 4 | 与业务部门确认参数C（品类权重系数） | 品类权重系数配置表 |
| 5 | 执行加权计算，生成最终ABC分类 | ABC分类结果表 + 预警优先级 |
常见配置陷阱：
- 参数A与参数B的排序方向相反（金额降序 vs 数量降序），切勿混淆。
- 参数C的系数不宜超过2.0，否则会完全覆盖基础分类，失去ABC分析意义。
- 累计占比阈值（70%/90%）可根据行业特性微调，但需保持一致性。
- 参数A与参数B的排序方向相反（金额降序 vs 数量降序），切勿混淆。
- 参数C的系数不宜超过2.0，否则会完全覆盖基础分类，失去ABC分析意义。
- 累计占比阈值（70%/90%）可根据行业特性微调，但需保持一致性。
4.6 参数配置示例（代码片段）
以下Python代码展示了如何基于Pandas计算参数A、B、C并生成最终分类：
import pandas as pd
# 示例数据
data = {
'SKU': ['A001', 'A002', 'A003', 'A004', 'A005'],
'库存金额': [50000, 30000, 15000, 4000, 1000],
'库存数量': [100, 500, 2000, 8000, 15000],
'品类权重': [1.2, 1.0, 0.8, 1.5, 1.0]
}
df = pd.DataFrame(data)
# 参数A：累计金额占比
df = df.sort_values('库存金额', ascending=False)
df['金额占比'] = df['库存金额'] / df['库存金额'].sum() * 100
df['累计金额占比'] = df['金额占比'].cumsum()
# 参数B：累计数量占比
df = df.sort_values('库存数量', ascending=False)
df['数量占比'] = df['库存数量'] / df['库存数量'].sum() * 100
df['累计数量占比'] = df['数量占比'].cumsum()
# 参数C：应用权重系数
df['加权得分'] = df['累计金额占比'] * df['品类权重']
# 最终分类（示例阈值）
def classify(score):
if score <= 70:
return 'A'
elif score <= 90:
return 'B'
else:
return 'C'
df['ABC分类'] = df['加权得分'].apply(classify)
print(df[['SKU', '累计金额占比', '累计数量占比', '品类权重', '加权得分', 'ABC分类']])通过上述参数体系的配置，企业可以构建一个既反映资金占用、又兼顾实物分布和业务策略的ABC分类模型，为后续的呆滞库存预警提供精准的优先级依据。