2. ABC分类法基础：帕累托原理（80/20法则）、ABC分类的数学定义与阈值设定逻辑

2.1 帕累托原理与库存管理的交汇

ABC分类法的理论根基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法则。在库存管理语境下，该法则表现为：

• 约20%的SKU（库存单位）贡献了约80%的年度库存价值（或销售额、利润）。
• 约80%的SKU仅贡献了约20%的年度库存价值。

这一非对称分布揭示了库存优化的核心矛盾：资源（资金、管理精力、仓储空间）应优先集中于少数高价值物料，而非平均分配。ABC分类法正是将这一原理量化为可执行的分类标准。

2.2 ABC分类的数学定义与计算流程

ABC分类基于年度库存价值（Annual Inventory Value, AIV）进行排序与累计。其数学定义如下：

1. 计算单个SKU的年度库存价值：
   Vi = Di × Ui
   其中，Di 为SKU i的年需求量，Ui 为SKU i的单位成本。
2. 计算所有SKU的总年度库存价值：
   Vtotal = Σ Vi
3. 计算每个SKU的价值占比：
   Pi = Vi / Vtotal × 100%
4. 按价值占比从高到低排序，并计算累计价值占比：
   Ck = Σi=1k Pi
5. 根据累计价值占比与累计SKU数量占比，划定ABC类别。

2.3 阈值设定逻辑与标准参考

阈值设定是ABC分类的核心决策点。虽然不同行业、不同企业存在差异，但以下为业界通用的参考阈值：

阈值设定的关键逻辑：

• 拐点识别法： 绘制帕累托曲线（累计价值占比 vs. 累计SKU占比），寻找曲线斜率发生显著变化的“肘部”点，作为A/B类分界。
• 管理资源约束法： 根据企业可投入的采购、计划、仓储人力，反向决定A类物料的数量上限（例如：A类物料不超过50个SKU）。
• 行业基准法： 参考行业对标数据（如医药行业A类占比通常更高，快消品C类占比更高）。

2.4 帕累托曲线与分类可视化

下图展示了典型的ABC分类帕累托曲线。横轴为累计SKU数量占比（%），纵轴为累计年度库存价值占比（%）。曲线越陡峭，说明价值集中度越高，A类物料的管理杠杆效应越强。

2.5 多维度ABC分类的扩展逻辑

在多级库存协同场景下，单一维度的价值分类往往不足以支撑决策。工程实践中常引入双维度或三维度分类矩阵，例如：

• 价值-波动性矩阵： 将A类物料进一步细分为“高价值-高波动”（需重点监控）与“高价值-低波动”（可适当降低安全库存）。
• 价值-提前期矩阵： 将A类物料中提前期长的物料标记为“战略物料”，需建立供应商协同机制。
• 价值-关键性矩阵： 结合物料对生产停线的影响程度，将C类但关键性高的物料提升至B类管理。

2.6 阈值设定的工程参数配置表

以下为实际项目中常用的ABC分类参数配置模板，可直接用于系统初始化：

阈值设定示例（Python伪代码）：

def abc_classify(df, value_col='annual_value', a_value_max=0.80, a_sku_max=0.15, b_value_max=0.95, b_sku_max=0.40):
    # 1. 排序
    df = df.sort_values(by=value_col, ascending=False).reset_index(drop=True)
    # 2. 计算累计占比
    df['cum_value_pct'] = df[value_col].cumsum() / df[value_col].sum()
    df['cum_sku_pct'] = (df.index + 1) / len(df)
    # 3. 分类逻辑
    conditions = [
        (df['cum_value_pct'] <= a_value_max) & (df['cum_sku_pct'] <= a_sku_max),
        (df['cum_value_pct'] <= b_value_max) & (df['cum_sku_pct'] <= b_sku_max),
        True
    ]
    choices = ['A', 'B', 'C']
    df['abc_class'] = np.select(conditions, choices, default='C')
    return df