3. ABC分类实施方法

ABC分类法的实施并非简单的排序与截断，而是一套严谨的数据工程流程。本节将拆解为三个核心步骤：数据收集与清洗、累计金额与占比计算、边界确定与动态调整。每一步的准确性直接决定分类结果的有效性。

3.1 数据收集与准备：打好分析地基

数据质量是ABC分类的生命线。在开始计算之前，必须完成以下四项准备工作：

3.2 计算累计金额与占比：排序与累积

完成数据准备后，进入核心计算环节。以下为标准的计算流程：

1. 降序排序： 将所有物料按年使用金额从大到小排列。
2. 计算单品占比： 单品金额占比 = 单品年使用金额 ÷ 所有物料年使用总金额 × 100%
3. 计算累计占比： 从金额最大的物料开始，逐行累加单品占比，得到累计金额占比。
4. 计算物料数量累计占比： 物料数量累计占比 = 当前行序号 ÷ 总物料数 × 100%

以下为某制造企业实际数据的计算示例（仅展示前5行及尾部）：

3.3 确定A/B/C类物料边界

边界确定没有统一的百分比，但行业内有成熟的经验法则。以下为三种主流边界划分方法：

在实际操作中，建议采用“金额占比为主、数量占比为辅”的双重校验策略。例如：某物料累计金额占比已达78%，但物料数量占比仅为8%，应将其划入A类；若某物料累计金额占比82%，但物料数量占比已达25%，则需人工复核是否应降为B类。

3.4 ABC分类实施流程总览

以下SVG图完整展示了从数据收集到边界确定的端到端流程：

3.5 边界确定后的校验与微调

自动计算完成后，必须进行人工校验。以下为推荐的校验清单：

• 帕累托曲线平滑度检查： 若曲线在A类区域出现“断崖式”下降，说明数据可能存在异常高值物料，需复核该物料的单价或用量。
• 战略物料人工干预： 某些关键备件或战略物资，即使金额占比低（C类），也应提升至A类管理级别。
• 边界物料二次确认： 处于A/B边界（累计金额占比78%-82%）和B/C边界（93%-97%）的物料，建议逐项人工复核。

3.6 数据准备阶段的代码实现示例

以下为Python环境下数据准备与累计金额计算的参考代码：

import pandas as pd
import numpy as np

# 1. 数据加载与清洗
df = pd.read_excel('物料消耗数据.xlsx')
# 剔除零消耗和停产物料
df = df[(df['年消耗量'] > 0) & (df['物料状态'] != '停产')]

# 2. 计算年使用金额
df['年使用金额'] = df['年消耗量'] * df['加权平均单价']

# 3. 降序排序
df = df.sort_values('年使用金额', ascending=False).reset_index(drop=True)

# 4. 计算单品占比与累计占比
total_amount = df['年使用金额'].sum()
df['单品占比'] = df['年使用金额'] / total_amount * 100
df['累计金额占比'] = df['单品占比'].cumsum()
df['物料数量累计占比'] = (df.index + 1) / len(df) * 100

# 5. 边界判定（经典帕累托法）
def classify(ratio):
    if ratio <= 80:
        return 'A'
    elif ratio <= 95:
        return 'B'
    else:
        return 'C'

df['ABC分类'] = df['累计金额占比'].apply(classify)

# 输出结果
print(df[['物料编码', '年使用金额', '累计金额占比', 'ABC分类']].head(10))