📚 课程目录第1章 ABC分类法基础

1. ABC分类法基础

1.1 起源：从帕累托观察到库存管理

ABC分类法的思想根源可以追溯到19世纪末意大利经济学家维尔弗雷多·帕累托（Vilfredo Pareto）的观察。帕累托在研究英国财富分配时发现：约20%的人口掌握了约80%的财富。这一“关键少数与次要多数”的统计规律后来被广泛应用于质量管理、经济学和运营管理领域。

1951年，美国通用电气公司的工程师H. Ford Dickie在库存管理中首次系统化应用了这一原则，提出了“ABC库存分类法”。其核心洞察是：库存中的物料在价值贡献上存在显著的不均衡性——少数高价值物料占据了总库存价值的大部分，而大量低价值物料只贡献了很小一部分价值。

  关键里程碑： 帕累托原则（80/20法则）→ 质量管理（朱兰博士）→ 库存管理（Dickie, 1951）→ 现代供应链ABC分类体系。

1.2 核心原理：帕累托原则在库存中的映射

ABC分类法将库存物料按年度消耗金额（年需求量 × 单位成本）从高到低排序，然后划分为三个类别：

类别	物料数量占比	年度消耗金额占比	管理策略
A类	5% – 15%	70% – 80%	严格管控、高频盘点、精准预测、安全库存低
B类	15% – 25%	15% – 25%	适度管控、定期盘点、常规预测
C类	60% – 80%	5% – 10%	简化管理、低频率盘点、高安全库存、批量订购

分类的数学基础是累计价值占比曲线（又称帕累托曲线）。设物料按价值降序排列，第 \( i \) 个物料的累计价值占比为：

累计价值占比(i) = Σ(第1到第i个物料的价值) / 总库存价值 × 100%

通常的划分阈值：

A类：累计价值占比达到 70% – 80% 的前几个物料。
B类：累计价值占比从 80% 到 95% 之间的物料。
C类：累计价值占比最后 5% – 10% 的剩余物料。

实践提示： 阈值并非固定不变。在工程实践中，A类物料数量占比通常控制在 5%–15% 之间，具体取决于企业的库存结构和管理精细度要求。阈值调整正是本课程后续“参数调优”的核心内容。

1.3 在库存管理中的核心价值

ABC分类法不是简单的“贴标签”工具，而是资源分配决策框架。其核心价值体现在以下四个维度：

管理精力聚焦：将有限的管理资源（人力、系统算力、盘点频次）集中在A类物料上，避免“平均用力”。
库存成本优化：对A类物料设置较低的安全库存、高频次小批量补货，降低资金占用；对C类物料设置较高安全库存、大批量补货，降低订购成本。
服务水平差异化：A类物料采用更精准的需求预测和更短的补货提前期，保障关键物料不缺货；C类物料允许适度缺货风险。
数据驱动决策基础：ABC分类是后续库存参数调优（安全库存、再订货点、经济订购批量）的输入前提。

常见误区： 仅按单价分类，忽略年需求量；分类后不动态更新；将ABC分类等同于“重要性排序”而忽略物料可替代性和供应风险。这些误区会导致分类失效，本课程后续章节将逐一给出工程化解决方案。

1.4 适用场景与边界条件

ABC分类法并非万能，其适用性取决于库存特征和企业运营环境：

适用场景	特征描述	典型行业
高适用	物料种类多（>500 SKU）、价值分布高度不均衡、需求相对稳定	制造业原材料、备品备件、零售快消品
中等适用	物料种类中等、价值分布较均匀、需求有一定波动	医疗器械、电子元器件、化工原料
低适用	物料种类少、价值分布均匀、需求极度不稳定或项目型	定制设备、工程项目、一次性采购

在低适用场景中，建议引入多维分类（如ABC-XYZ矩阵，结合需求波动性）或聚类分析等更精细的方法，这些内容将在本课程后续章节展开。

1.5 工程实践中的分类流程

在Python工程实现中，ABC分类的标准流程包含以下步骤：

数据准备：获取物料清单（SKU）、年需求量、单位成本。
计算年度消耗金额：年需求量 × 单位成本。
降序排序：按年度消耗金额从高到低排列。
计算累计占比：累计金额 / 总金额 × 100%。
阈值划分：根据预设阈值（如A: 0–80%, B: 80–95%, C: 95–100%）分配类别。
结果验证：检查A类物料数量占比是否在合理范围（5%–15%），必要时调整阈值。

import pandas as pd

def abc_classify(df, value_col='annual_value', a_threshold=0.8, b_threshold=0.95):
    """
    标准ABC分类函数
    Parameters:
        df: DataFrame，包含物料ID和年度消耗金额
        value_col: 年度消耗金额列名
        a_threshold: A类累计价值占比阈值（默认80%）
        b_threshold: B类累计价值占比阈值（默认95%）
    Returns:
        df: 添加了ABC分类标签的DataFrame
    """
    df_sorted = df.sort_values(value_col, ascending=False).reset_index(drop=True)
    total_value = df_sorted[value_col].sum()
    df_sorted['cum_pct'] = df_sorted[value_col].cumsum() / total_value
    
    conditions = [
        df_sorted['cum_pct'] <= a_threshold,
        df_sorted['cum_pct'] <= b_threshold,
        df_sorted['cum_pct'] > b_threshold
    ]
    choices = ['A', 'B', 'C']
    df_sorted['abc_class'] = pd.np.select(conditions, choices, default='C')
    
    return df_sorted