在做物流規劃設計時，人們往往對設計指標感到茫然，對新員工尤其如此。有些設計人員比較急躁，一上來就急于做方案、畫圖，結果畫來畫去，就不知道自己到底要做什么了。耽誤了不少時間不說，設計方案要么不知所云，要么離題萬里，對用戶是一個很大的傷害。

        一個良好的設計習慣，往往是應該首先明確設計目標，了解清楚設計要求之后，再去動筆，就比如寫文章，總應該先確定寫什么主題，目的是什么，給誰看，然后才開始寫提綱、反復推敲提綱、找好素材和參考資料，再動筆寫，然后再反復推敲、修改潤色。不然，就很難寫成一篇有質量的文章。畫圖雖然很重要，但到底只是一種比較簡單的勞動，而畫什么，表現什么主題，達到什么目標才是設計的關鍵。

        設計是如此，對一個設計方案的評價也是如此。我遇到很多客戶要求評價一個總體的方案，其實這是很難的。其中關鍵的一點就是，方案是設計需求的響應，對方案進行評估，首先要對設計目標進行分析和評估，這才是根本。

        數據分析是一件很嚴肅和需要專業知識的工作，并非僅僅對數據進行簡單的加減排列組合就可以了。我特別反對那些不注重數據分析的客戶。一項設計，設計指標是基礎。基礎出現問題，你選用的設備再好，系統再先進，也是于事無補的。

        其實物流倉儲系統的規劃設計也沒有那么難，關鍵一點是需求要清楚明確。而需求是可以用數據來描述和定義的。一個項目，其關鍵數據也就那么幾個而已，如收貨量、發貨量、庫存量、拆零量、SKU等，并不難掌握。本文就講一講這些最基本的需求，為了便于理解，主要從物流倉儲的幾個環節進行描述。

        基礎數據

        在進行系統性描述之前，一定要清楚物流的作業當量最后是以小時來計算的（當然還可以細化到半小時，甚至更小單位）。所以，我們所有的物流量，最終要以小時當量來計算。然而，從用戶那里得到的實際的設計指標，很可能是年度的作業綱領，如年配送100億。這個數據非常重要，卻也是非常不確定的，因為從這個指標推導下來，就會看到，每年的作業天數、每天的作業時間、貨物的價值、倉庫庫存周轉次數等，對最終設計都有很大的影響。所以，這些關聯數據應該是要首先明確的。

        假設設計綱領是G(年配送目標，億元)，單箱價格是p，則年度總配送箱數是：

        Q = G/p

        假設每年作業天數是N（天），每天工作時間是t，則每小時的作業量是：

        q = Q/N/t

        如果庫存周轉天數為D，則庫存量的計算公式如下：

        W = q*t*D

        以上的數據關系都很容易推導，但在實際中要注意的是：不同的作業，其作業時間可能是變化的，如高峰時期每天作業時間要大于平常作業，發貨時間有時也與收貨時間不同等，會增加計算和分析的難度。

        在進行具體數據分析時，還要明確箱與托盤的對應關系。托盤一般選擇標準托盤（1200*1000），假設平均的滿盤量為n，則庫存托盤數應為：

        P = W/n

        當然，在描述具體數據時，要區分收貨、發貨還是退貨，每一個作業也許是不一樣的。很多時候，用戶是不清楚這些差異的，或者表述不清楚，那么我們就應該將自己的經驗或理解進行分享，以便雙方達到認識的一致。

        1 、收貨有關的數據

        與收貨有關的數據，包括到貨量（箱）、訂單數、車輛的裝載量、收貨區域大小、收貨作業時間、每天收貨SKU數等。

        車輛的裝載量和卸載時間主要對于站臺設計有影響，包括車輛大小、載重量等。一般情況下，還要分析卸貨的方式、速度，以便詳細規劃站臺的數量。

        收貨一般是比較簡單的，但也有比較復雜的情形，比如新華書店圖書的收貨即是如此。因為每天到貨的品種很多，還有大量混包的情形，因此收貨要進行專門的處理。有些電商的收貨也比較復雜，包括要進行QC等動作，對收貨區的要求就不一樣。

        很多人對高點平均值和算術平均值對于設計的影響不甚了解。簡單來說，將一年（或一定時間）的收貨量除以一年（或一定時間）的實際工作天數，即得到平均每天收貨量，一年中最大收貨量的一天，即最大收貨量。在實際上設計中，如果按照平均值設計，則使得加班的天數會很多；如果按照最大值進行設計，則會出現工作很不飽滿，設備閑置的現象。因此，一般取平均值和最大值之間的某個值進行設計，具體要根據實際需要確定，發貨也有這種情況。

        2 、儲存有關的數據

        庫存能力對系統的設計非常重要。但如何確定庫存卻是非常有講究的。除了庫存總量W以外，還要考慮SKU數，以及各種存儲方式下的庫存要求等。很多情況下，倉庫的設計并非是單一的。所以，設計的時候就要清楚庫存的方式是什么，有什么要求。

        一般的儲存形式分為2種主要方式：以托盤為單位儲存（分為立體庫和平面庫兩種最基本形式）和以箱為單位儲存。當然還有其它形式，如包裹、麻袋、散料等，也有條狀物（如鋼材），異形物品（如服裝的掛裝等）等，不再詳述。在設計中，這兩種方式都要考慮，有時以托盤為主，有時以箱儲存為主，有時兩者比較均衡。

        計算庫存能力當然與箱規有關，也與平均庫存天數有關，這是基礎。SKU對庫存分配的要求有很大的制約作用，往往與作業面設計有關。此外，發貨量對于庫存設計也有非常大的影響，如拆零量，就要求對拆零區有一定限制。

庫存ABC分析也是非常重要的，對于倉庫設計起到重要作用。一般情況下，庫存ABC分析結果決定了儲存形式，ABC的定義將隨著不同業務有所不同，要因地制宜。實際操作中，往往要對夠托盤，夠1/2托盤的SKU及這些SKU所占庫存比例進行分析，以便正確決策。

        隨著電子商務的興起，SKU不斷擴大，ABC分析尤其重要。此外要注意的一個趨勢是，箱式存儲方式越來越受到重視，其占比越來越高。也影響庫存的分析。

再計算儲存能力時，人們普遍對庫存充滿率感到困惑。一般情況下，我們知道，托盤或貨箱并不能完全被充滿，而為了滿足作業的順利進行，貨位也不能完全被充滿。因此，要留有余地，這兩個系數在不同的案例中會有差異，但都不應該忽視。

        3、 揀選有關的數據

        揀選的訂單數、訂單行數、發貨量是比較重要的設計數據。

        發貨ABC分析同樣重要，要注意的是：發貨ABC分布與庫存ABC往往是不相同的，分析時要注意加以區分。

        揀選環節設計關注的主要是揀選、包裝和輸送問題，因此，有關揀選的細節問題就非常重要。如整盤出庫量、整件出庫量和拆零出庫量，這三個參數對于設計也是非常重要的。

        一些基礎信息也是要清楚的，如揀選效率、播種效率和包裝效率等，有些可以通過其它項目經驗獲得，有些應進行實際測量。需要指出的是，測量結果與作業流程、工位設計以及測量方法有關，有時很難確定一個準確的結果。

        不同的揀選方法其效率差異很大，這是設計要特別考慮的地方。事實上，采用什么樣的技術手段，對設計結果影響甚大。這一些問題，在數據分析時，就應該有所考慮。

        4 、發貨有關的數據

        發貨路向、數量、車輛形式、作業時間、暫存時間等數據是發貨設計階段的基礎。

        眾所周知，分揀機的格口不可能無限增加。因此，設計中應考慮波次問題，以便控制格口數量。有些物流中心的發貨區設計很小，站臺停車位很少，給發貨造成很大困難。

        集貨區的大小與發貨波次有關。很多小的物流中心，每天只安排一次發貨，其發貨區就要大一些；對一個大型的物流中心來說，一般要按照多個大波次組織發貨，每個大波次還有若干小波次，由此可以大幅度降低對集貨區的需求。這在設計中是要注意的。

        隨著大家對物流認識越來越深刻，發貨裝車環節越來越受到重視。因此，設計中也要與時俱進，考慮自動化系統對發貨區的影響。

        5 、退貨有關的數據

        退貨很重要也很困難，但容易受到忽視。

        在通常的數據分析中，退貨分析也是不充分的。事實上，退貨與收貨的過程是不一樣的。這主要是因為退貨收貨需要處理的數據量遠遠大于普通收貨。

        退貨作業不是均衡的，有很大的波動性。因此，在數據分析中（實際作業也是如此），要將退貨收貨與退貨處理分開來。其作業時間和作業量都不會一樣。

        對退貨來說，其作業流程對于設計會產生影響。一般數據分析僅僅提供退貨量即可，包括訂單數、訂單行、SKU、數量等。

        要注意的是，退貨有兩種形式，其一是終端退回到物流中心；其二是物流中心退回供應商或者報廢處理。兩者差異是很大的。在數據分析時，要分別對待。

        6、其它

        數據分析很重要，也有一定難度，這是需要指出的。經驗和專業知識對于數據分析很重要。此外，數據分析結果必須得到用戶確認才能用于設計。

        對一個數據樣本的預處理，是分析數據的第一步。什么數據是有效的，什么是無效的，要有明確的規則。剔除無效數據對于數據分析是很關鍵的一步。當然，要做到這一點，除了認真調研和分析外，經驗和常識也很重要。

        數據要有典型性，因此，數據量不能太少。比如，一年四季的數據是變化的，一個季度之中的數據也是變化的。每月、每周、每天，甚至每個小時的變化如何，要有系統的分析。一個靜止的和孤立的數據是沒有意義的，必須與系統環境相關聯。這一點也很重要。

        有時，數據分析與方案設計不是一個人，這時就需要注意溝通。數據分析不可能完全獨立進行，它需要與設計方案相匹配，正因為如此，每個項目的數據分析的重點也是不一樣的。

        數據分析人員至少要對設計需求有所了解，才能知道如何分析數據，如何從成千上萬的數據中找到規律并抽出有用的東西。

        最后要說明一點的是，數據分析的結果并不是直接應用于設計，而是要據此提出設計指標。其中有些數據的變化是比較緩慢的，如產品特點、訂單結構、品項數、作業方式等，有些卻會變化劇烈，如設計指標等。這些除了經驗、行業情況能夠提供幫助外，關鍵的是要認真分析，找出規律。在這個過程中，充分的調研，與用戶充分的溝通尤其重要。

        附錄 關于EIQ分析

        EIQ分析對于物流規劃設計與物流管理都是非常重要的分析方法。其中E(Entry)表示訂單，I（Item）表示品項數，即SKU數，Q（Quant）表示數量。

        EIQ分析的分析項目主要有：

        1）EN分析：即每張訂單的訂貨品項數量分析。即通常所說的訂單結構或訂單行數分析。EN分析可以對訂單行的分布情況做出準確判斷，從而對揀選策略尤其是拆零方式提供指南。比如說B2C電商業務，其訂單行很少，而對于醫藥的B2B配送，每張訂單的行數會較多，兩者在設計上的處理方法是不一樣的。

        2）EQ分析：每張訂單的訂貨數量分析。對一個訂單的每行數量進行分析，就可以獲得訂單結構的基本情況。對一個訂單行來說，會存在整件和拆零兩種情況，因此，訂單的分布情況還可以指導對庫存分布、拆零揀選的具體設計。

        3）IQ分析：每個單品的訂貨數量分析。這種分析主要用于庫存ABC分析。庫存ABC對于倉庫庫存結構設計和揀選系統的設計都有非常重要的作用。

        4）IK分析：每個單品的訂貨次數分析，也即產品訂貨的頻率。這是與發貨ABC相關的指標。發貨ABC分析對于貨物存放的策略、補貨策略，以及揀貨策略的設計都是至關重要的。

        EIQ分析一般是對歷史數據進行。用于設計的分析，旨在確定訂單結構和庫存結構。對運營管理而言，EIQ分析則常常用于對實際運營的優化，如ABC分析即使如此，可以根據一段時間的ABC分析結果，及時調整庫存的結構，以期達到提高揀選效率的目的。

        對一項設計而言，一般應選取1年以上的數據比較適宜。太少的數據可能缺乏代表性。當然也有例外，如數據量本身就不夠，那就只有從行業中其他企業的數據中尋找規律了。