立即登录 很多人做物流规划设计，一上来就急着画图、出方案，好像图纸画得越漂亮，设计就越靠谱。但真正干过几年的人都知道，这恰恰是最大的坑。不少新手，甚至一些老手，面对一个项目时，常常对着一堆设计指标发懵，完全不知道该从哪里下手。客户给过来一堆数据，看着好像挺全，一细问却说不清楚。结果时间耽误了，做出的方案要么站不住脚，要么和实际需求差了十万八千里。说到底，缺的不是画图的技术，而是先搞明白“到底要画什么”的习惯。
这跟写文章一个道理。还没想好主题、写给谁看、要达成什么目的，提笔就写，写出来的东西多半是散的。你得先搭框架、反复推敲大纲，找到扎实的材料，再动笔，然后一遍遍改。物流规划也是这样，方案是响应需求的，如果连设计目标都没分析清楚，设计本身就成了空中楼阁。我遇到过不少客户，带着一整套方案来让我评估，这种时候其实最难下手——因为评估方案的前提，是评估需求。需求没捋清楚，方案再花哨也没用。
而数据分析，就是把这套需求用数字讲明白的过程。它不是简单的加减乘除、排列组合，而是一件需要严肃对待、也需要经验支撑的专业活。我特别反感那种“数据嘛，差不多就行”的态度。基础不牢，后面选再好的设备、上再先进的系统，都白搭。
其实物流仓储系统规划并没有那么玄，关键就在于需求能不能用数据定义清楚。几个核心数据抓住了，整个脉络就清晰了：收货量、发货量、库存量、拆零量、SKU数……把这些吃透，设计就不会跑偏。
一切都要落到小时当量上
说数据之前，有一个底层逻辑必须得先掰扯清楚：物流运营的所有当量，最终都要换算到小时，甚至更细的颗粒度。你从客户那里拿到的，往往是一个宏大的年度目标，比如年配送额100亿。这个数字本身说明不了什么，它太粗糙了。你得把它层层拆解——一年实际运营多少天？每天作业几小时？商品的平均单价大概多少？库存一年转几次？这些问题不明确，100亿就只是个虚数。
假设年配送目标为G亿元，单箱平均价值为p元，那么全年要处理的箱数就是Q=G/p。再假设年工作天数N，每天作业时间t，那么每小时需要处理的箱数q=Q/N/t。如果库存周转天数为D，那么平均库存就是W=qtD。这几个公式看起来简单，但真正用的时候，很多细节会让人头疼。比如，作业时间往往不是一成不变的，旺季可能一天干十几个小时，发货时间和收货时间也不一定同步，这样一来，计算和分析的复杂度马上就上去了。还有，托盘和箱的对应关系也要弄清楚，比如标准托盘平均每盘放多少箱，这样库存托盘数就是P=W/n。这些都是基础，但必须跟用户逐个确认，很多时候用户自己都说不清差异，这时候就需要我们把经验拿出来，引导对方达成共识。
收货：别只盯着平均值
收货端的数据，至少得包括到货量、订单数、车辆装载情况、收货区大小、作业时间、每天收货的SKU数等等。车辆装卸时间直接决定了站台设计，车型、载重都影响卸货方式和速度，这些都要细抠。
收货看起来简单，其实也有复杂场景。比如新华书店的图书收货，每天到货品种极多，混包严重，收货区就得专门规划；一些电商的收货还涉及QC质检，动作不同，对区域的要求也完全不同。这里有一个特别容易踩的坑，就是平均值和最大值的取舍。用全年总收货量除以实际工作天数，得到的是日均收货量；而一年中单日收货的最高峰，是最大收货量。如果按平均值设计，高峰期天天加班，员工怨声载道；按最大值设计，又会导致大量时间设备闲置、人员浪费。所以最终取的是介于两者之间的某个值，具体怎么定，既要看行业规律，也要和用户反复沟通，发货同样存在这个问题。
存储：SKU和ABC分析是灵魂
库存能力对系统设计有多重要，不用多说。但库存怎么定，却很有讲究。除了总量W，SKU数量、不同存储方式下的库存要求，都必须考虑进去。仓库里的存储形式，主要还是两大类：以托盘为单位存储，或者以箱为单位存储。前者又分立体库和平面库，后者则越来越受重视，尤其在电商场景下，箱式存储的比例在快速上升。
SKU对库存的分配几乎起着决定性作用，它常常影响到作业面的设计。还有发货量，拆零量大的话，对拆零区的规划就有直接限制。库存ABC分析是仓库设计不能绕开的一步，A、B、C类怎么定义，要根据业务因地制宜。通常，我们需要知道有多少托盘、多少SKU，以及这些SKU的库存占比，才能做出正确的决策。另外，库存充满率这个指标，很多人会困惑。实际上，托盘或容器不可能完全装满，库位也不可能100%占满，否则作业就没法顺畅进行，所以这两个系数要在计算中体现，不同项目差异还不小。
拣选：效率的差异藏在细节里
订单数量、订单行数、发货量，是拣选环节最核心的设计数据。发货的ABC分析同样重要，但要注意，发货的ABC分布和库存的ABC往往是两码事，分析时一定要分开看。拣选环节的设计，主要围绕拣货、播种、包装、集货展开，所以整体出库量、整箱出库量、拆零出库量，这些数据都要明确。一些基础信息，比如拣选效率、播种效率、包装效率，有的可以参照同类项目经验，有的则需要实测。但实测结果又和作业流程、工位设计、测试方法有很大关系，有时候很难拿到一个绝对准确的数字。不同的拣选技术，效率天差地别，这是设计中最应该花心思的地方，也是数据分析要重点支持的部分。
发货：波次决定布局
发货方向、数量、车辆形式、作业时间、暂存时间……这些数据是发货区设计的基础。分拣机的格口数量是有限的，不可能无限增加，所以设计时要通过波次来控制格口需求。很多小型物流中心一天只发一次货，集货区就得留得很大；而大型物流中心往往按多波次组织发货，每一波次货量可控，集货区的压力就小很多。随着大家对物流认知的加深，装运环节越来越受重视，设计时也要考虑自动化系统对发货区布局的影响，不能再用老一套思维。
退货：被低估的麻烦制造者
退货重要，又难搞，偏偏容易被忽视。一般的数据分析里，退货分析经常是草草带过。其实，退货和普通收货的流程差别很大，主要在于退货收货时，需要逐件检验、分类、判断，数据量远比普通收货大得多。而且退货操作极不均衡，波动特别大，所以数据分析时，一定要把退货收货和退货处理分开，作业时间和数量也往往不一样。退货有两种走向：一是从终端退回物流中心，二是从物流中心退回供应商或报废，这两者的处理逻辑完全不同，数据上必须分开对待。只给一个总的退货量，是远远不够的，订单数、订单行、SKU、数量等，都要细化。
最后，数据不是拿来就用的
数据分析很难，也很重要，经验和专业知识在这里面扮演的角色，怎么强调都不为过。而且，分析出来的结果，一定要在设计之前让用户确认。数据样本的预处理，是分析的第一步，哪些数据有效、哪些无效，要有明确的规则，剔除无效数据是分析能否做对的关键一步。除了仔细研究，经验和常识也常常帮我们识别出异常。
数据要典型，样本量不能太少。全年的数据在变，一个季度的数据也在变，每月、每周、每天甚至每小时的变化，都需要系统地去分析。静态的、孤立的数据没有意义，必须把它放到整个系统环境里去看。有时候，数据分析人员和方案设计人员不是同一个人，这时候沟通就格外重要。数据分析不能完全独立于设计，它必须与设计方案匹配，每个项目的分析重点都不一样。分析的人至少要知道设计要什么，才能从成千上万的数据里找到规律，提取出真正有用的东西。
最后得提醒一句，数据分析的结果不是直接甩给设计用的，而是用来提出设计指标的。有些东西变化缓慢，比如产品特性、订单结构、作业模式；有些则会剧烈变化，具体的设计指标就有可能调整。除了靠经验和行业认知，最要紧的，还是沉下心来仔细分析，找到数据背后的规律。这个过程中，充分的调研和与用户坦诚的沟通，比什么都重要。