物流行业的数据分析,主要分析什么?

我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

编辑导语:在做物流规划设计时,数据分析是个很重要的步骤,如果不做这些准备,可能会在做方案时手脚慌乱;注重数据分析,认真分析,找出规律,与用户充分的沟通。本文作者分析了物流行业的数据分析主要分析什么。

物流行业的数据分析,主要分析什么?

做物流规划设计时,人们往往对设计指标感到茫然,对新员工尤其如此;有些设计人员比较急躁,一上来就急于做方案、画图,结果画来画去,就不知道自己到底要做什么了;耽误了不少时间不说,设计方案要么不知所云,要么离题万里,对用户是一个很大的伤害。

一个良好的设计习惯,往往是应该首先明确设计目标,了解清楚设计要求之后,再去动笔。

就比如写文章,总应该先确定写什么主题、目的是什么、给谁看;然后才开始写提纲、反复推敲提纲、找好素材和参考资料,再动笔写;然后再反复推敲、修改润色。不然,就很难写成一篇有质量的文章。

画图虽然很重要,但到底只是一种比较简单的劳动,而画什么、表现什么主题、达到什么目标才是设计的关键。

设计是如此,对一个设计方案的评价也是如此;我遇到很多客户要求评价一个总体的方案,其实这是很难的;其中关键的一点就是:方案是设计需求的响应,对方案进行评估,首先要对设计目标进行分析和评估,这才是根本。

数据分析是一件很严肃和需要专业知识的工作,并非仅仅对数据进行简单的加减排列组合就可以了。

我特别反对那些不注重数据分析的客户,一项设计,设计指标是基础;基础出现问题,你选用的设备再好,系统再先进,也是于事无补的。

其实物流仓储系统的规划设计也没有那么难,关键一点是需求要清楚明确;而需求是可以用数据来描述和定义的,一个项目,其关键数据也就那么几个而已,如收货量、发货量、库存量、拆零量、SKU等,并不难掌握。

本文就讲一讲这些最基本的需求,为了便于理解,主要从物流仓储的几个环节进行描述。

一、基础数据

在进行系统性描述之前,一定要清楚物流的作业当量最后是以小时来计算的(当然还可以细化到半小时,甚至更小单位)。

所以,我们所有的物流量,最终要以小时当量来计算;然而,从用户那里得到的实际的设计指标,很可能是年度的作业纲领,如年配送100亿——这个数据非常重要,却也是非常不确定的;因为从这个指标推导下来,就会看到,每年的作业天数、每天的作业时间、货物的价值、仓库库存周转次数等,对最终设计都有很大的影响;所以,这些关联数据应该是要首先明确的。

假设设计纲领是G(年配送目标,亿元),单箱价格是p,则年度总配送箱数是:

Q = G/p

假设每年作业天数是N(天),每天工作时间是t,则每小时的作业量是:

q = Q/N/t

如果库存周转天数为D,则库存量的计算公式如下:

W = q*t*D

以上的数据关系都很容易推导,但在实际中要注意的是:不同的作业,其作业时间可能是变化的;如高峰时期每天作业时间要大于平常作业,发货时间有时也与收货时间不同等,会增加计算和分析的难度。

在进行具体数据分析时,还要明确箱与托盘的对应关系。

托盘一般选择标准托盘(1200*1000),假设平均的满盘量为n,则库存托盘数应为:

P = W/n

当然,在描述具体数据时,要区分收货、发货还是退货,每一个作业也许是不一样的。

很多时候,用户是不清楚这些差异的,或者表述不清楚,那么我们就应该将自己的经验或理解进行分享,以便双方达到认识的一致。

二、收货有关的数据

与收货有关的数据,包括到货量(箱)、订单数、车辆的装载量、收货区域大小、收货作业时间、每天收货SKU数等。

车辆的装载量和卸载时间主要对于站台设计有影响,包括车辆大小、载重量等;一般情况下,还要分析卸货的方式、速度,以便详细规划站台的数量。

收货一般是比较简单的,但也有比较复杂的情形,比如新华书店图书的收货即是如此;因为每天到货的品种很多,还有大量混包的情形,因此收货要进行专门的处理;有些电商的收货也比较复杂,包括要进行QC等动作,对收货区的要求就不一样。

很多人对高点平均值和算术平均值对于设计的影响不甚了解;简单来说,将一年(或一定时间)的收货量除以一年(或一定时间)的实际工作天数,即得到平均每天收货量,一年中最大收货量的一天,即最大收货量。

在实际上设计中,如果按照平均值设计,则使得加班的天数会很多;如果按照最大值进行设计,则会出现工作很不饱满,设备闲置的现象。

因此,一般取平均值和最大值之间的某个值进行设计,具体要根据实际需要确定,发货也有这种情况。

三、储存有关的数据

库存能力对系统的设计非常重要,但如何确定库存却是非常有讲究的。

除了库存总量W以外,还要考虑SKU数,以及各种存储方式下的库存要求等;很多情况下,仓库的设计并非是单一的,所以,设计的时候就要清楚库存的方式是什么、有什么要求。

一般的储存形式分为2种主要方式:

  • 以托盘为单位储存(分为立体库和平面库两种最基本形式);
  • 以箱为单位储存。

当然还有其它形式,如包裹、麻袋、散料等,也有条状物(如钢材)、异形物品(如服装的挂装等)等,不再详述;在设计中,这两种方式都要考虑,有时以托盘为主,有时以箱储存为主,有时两者比较均衡。

计算库存能力当然与箱规有关,也与平均库存天数有关,这是基础。

SKU对库存分配的要求有很大的制约作用,往往与作业面设计有关;此外,发货量对于库存设计也有非常大的影响,如拆零量,就要求对拆零区有一定限制。

库存ABC分析也是非常重要的,对于仓库设计起到重要作用。

一般情况下,库存ABC分析结果决定了储存形式,ABC的定义将随着不同业务有所不同,要因地制宜;实际操作中,往往要对够托盘,够1/2托盘的SKU及这些SKU所占库存比例进行分析,以便正确决策。

随着电子商务的兴起,SKU不断扩大,ABC分析尤其重要;此外要注意的一个趋势是,箱式存储方式越来越受到重视,其占比越来越高,也影响库存的分析。

再计算储存能力时,人们普遍对库存充满率感到困惑。

一般情况下,我们知道,托盘或货箱并不能完全被充满,而为了满足作业的顺利进行,货位也不能完全被充满;因此,要留有余地,这两个系数在不同的案例中会有差异,但都不应该忽视。

四、拣选有关的数据

拣选的订单数、订单行数、发货量是比较重要的设计数据。

发货ABC分析同样重要,要注意的是——发货ABC分布与库存ABC往往是不相同的,分析时要注意加以区分。

拣选环节设计关注的主要是拣选、包装和输送问题,因此,有关拣选的细节问题就非常重要;如:整盘出库量、整件出库量和拆零出库量,这三个参数对于设计也是非常重要的。

一些基础信息也是要清楚的,如拣选效率、播种效率和包装效率等,有些可以通过其它项目经验获得,有些应进行实际测量;需要指出的是,测量结果与作业流程、工位设计以及测量方法有关,有时很难确定一个准确的结果。

不同的拣选方法其效率差异很大,这是设计要特别考虑的地方;事实上,采用什么样的技术手段,对设计结果影响甚大;这一些问题,在数据分析时,就应该有所考虑。

五、发货有关的数据

发货路向、数量、车辆形式、作业时间、暂存时间等数据是发货设计阶段的基础。

众所周知,分拣机的格口不可能无限增加;因此,设计中应考虑波次问题,以便控制格口数量;有些物流中心的发货区设计很小,站台停车位很少,给发货造成很大困难。

集货区的大小与发货波次有关——很多小的物流中心,每天只安排一次发货,其发货区就要大一些;对一个大型的物流中心来说,一般要按照多个大波次组织发货,每个大波次还有若干小波次,由此可以大幅度降低对集货区的需求;这在设计中是要注意的。

随着大家对物流认识越来越深刻,发货装车环节越来越受到重视;因此,设计中也要与时俱进,考虑自动化系统对发货区的影响。

六、退货有关的数据

退货很重要也很困难,但容易受到忽视。

在通常的数据分析中,退货分析也是不充分的;事实上,退货与收货的过程是不一样的,这主要是因为退货收货需要处理的数据量远远大于普通收货。

退货作业不是均衡的,有很大的波动性;因此,在数据分析中(实际作业也是如此),要将退货收货与退货处理分开来,其作业时间和作业量都不会一样。

对退货来说,其作业流程对于设计会产生影响;一般数据分析仅仅提供退货量即可,包括订单数、订单行、SKU、数量等。

要注意的是,退货有两种形式:

  1. 终端退回到物流中心;
  2. 物流中心退回供应商或者报废处理。

两者差异是很大的,在数据分析时,要分别对待。

七、其它

数据分析很重要,也有一定难度,这是需要指出的,经验和专业知识对于数据分析很重要;此外,数据分析结果必须得到用户确认才能用于设计。

对一个数据样本的预处理,是分析数据的第一步;什么数据是有效的,什么是无效的,要有明确的规则。

剔除无效数据对于数据分析是很关键的一步,当然,要做到这一点,除了认真调研和分析外,经验和常识也很重要。

数据要有典型性,因此,数据量不能太少;比如,一年四季的数据是变化的,一个季度之中的数据也是变化的;每月、每周、每天,甚至每个小时的变化如何,要有系统的分析。

一个静止的和孤立的数据是没有意义的,必须与系统环境相关联,这一点也很重要。

有时,数据分析与方案设计不是一个人,这时就需要注意沟通;数据分析不可能完全独立进行,它需要与设计方案相匹配,正因为如此,每个项目的数据分析的重点也是不一样的。

数据分析人员至少要对设计需求有所了解,才能知道如何分析数据,如何从成千上万的数据中找到规律并抽出有用的东西。

最后要说明一点的是:数据分析的结果并不是直接应用于设计,而是要据此提出设计指标;其中有些数据的变化是比较缓慢的,如产品特点、订单结构、品项数、作业方式等,有些却会变化剧烈,如设计指标等。

这些除了经验、行业情况能够提供帮助外,关键的是要认真分析,找出规律;在这个过程中,充分的调研,与用户充分的沟通尤其重要。

 

作者:李启方,公众号:数据分析不是个事儿

本文由 @李启方 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

随意打赏

提交建议
微信扫一扫,分享给好友吧。