物流项目的基础数据分析

在进行物流规划设计时，人们往往对设计指标感到茫然，尤其是对新员工。有些设计师比较急躁，一上来就急于做计划，画画，结果画来画去，就不知道自己到底要做什么。耽误了很多时间，设计方案要么不知所措，要么离题千里，对用户伤害很大。良好的设计习惯往往是先明确设计目标，了解设计要求，然后写作，如写文章，总是应该确定写什么主题，目的是什么，向谁展示，然后开始写大纲，反复审查大纲，找到好的材料和参考资料，然后写，然后反复审查，修改抛光。否则，很难写一篇高质量的文章。虽然绘画很重要，但它只是一项相对简单的劳动，设计的关键是画什么，表达什么主题，实现什么目标。对设计方案的评价也是如此。我遇到了很多客户要求评估一个总体计划，但实际上很难。其中一个关键点就是方案是对设计需求的回应，对方案进行评价，首先要对设计目标进行分析和评价，这才是根本。数据分析是一项非常严肃和需要专业知识的工作，不仅仅是数据的简单加减排列组合。我特别反对那些不注重数据分析的客户。设计指标是设计的基础。如果基础有问题，无论你选择的设备有多好，系统有多先进，都无济于事。其实物流仓储系统的规划设计并没有那么难，关键是需求要明确。需求可以用数据来描述和定义。一个项目只有几个关键数据，比如收货量、发货量、库存量、拆卸量、SKU等。，这并不难掌握。本文将讨论这些最基本的需求。为了便于理解，主要从物流和仓储的几个环节进行描述。在系统描述基础数据之前，我们必须知道物流的运营当量最终是按小时计算的（当然，它也可以细化为半小时甚至更小的单位）。因此，我们所有的物流量最终都应该以小时当量计算。然而，从用户那里获得的实际设计指标很可能是年度运营计划，如年配送100亿元。这个数据非常重要，但也非常不确定，因为从这个指标中，你会看到年度运营天数、日常运营时间、货物价值、仓库库存周转次数等，对最终设计有很大的影响。因此，这些相关数据应首先明确。假设设设计纲领为G(年配送目标，亿元)，单箱价格为p，则年总配送箱数为:Q=G/p假设每年工作天数为N(天)，每天工作时间为t，则每小时工作量为:q=Q/N如果库存周转天数为D，则库存的计算公式如下：W=q*t*D以上的数据关系很容易推导，但实际上需要注意的是：不同的操作，它的工作时间可能会发生变化。例如，在高峰期，每天的工作时间大于正常工作，交货时间有时不同于交货时间，这将增加计算和分析的难度。在进行具体数据分析时，还应明确箱与托盘的对应关系。在进行具体数据分析时，还应明确箱与托盘的对应关系。托盘一般选择标准托盘（1200*1000）。假设平均满盘量为n，库存托盘数量应为：P=W/n当然，在描述具体数据时，要区分收货、发货或退货，每个操作可能都不一样。很多时候，如果用户不知道这些差异或表达不清楚，我们应该分享我们的经验或理解，以便双方达成共识。1、与收货有关的数据，包括到货量(箱)、订单数、车辆装载量、收货面积大小、收货时间、每日收货SKU数等。车辆的装载量和卸载时间主要影响站台设计，包括车辆尺寸、载重等。一般情况下，为了详细规划站台的数量，还需要分析卸货的方式和速度。收货一般比较简单，但也有比较复杂的情况，比如新华书店图书的收货。因为每天到货的品种很多，混包也很多，所以收货要专门处理。有些电商的收货也比较复杂，包括QC等动作，对收货区的要求也不一样。许多人不太了解高平均值和算术平均值对设计的影响。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，即平均每日收货量，一年中最大收货量的一天，即最大收货量。在实际设计中，如果按照平均值进行设计，会有大量的加班天数；如果设计为最大值，则工作将非常不完整，设备将闲置。因此，设计平均值与最大值之间的一定值一般应根据实际需要确定，交货也存在这种情况。2、存储相关数据库存的能力对系统的设计非常重要。但是如何确定库存是非常特殊的。除库存总量W外，还应考虑SKU的数量，以及各种存储方式下的库存要求。在许多情况下，仓库的设计并非单一。因此，在设计时，有必要了解库存的方式和要求。一般的存储形式分为两种主要方式：以托盘为单位存储（分为三维仓库和平面仓库两种最基本的形式）和以箱为单位存储。当然，还有其他形式，如包装、麻袋、散装材料等，还有条状物品(如钢材)、异形物品(如衣物挂装等)，不再详细说明。在设计中，应考虑这两种方法，有时主要是托盘，有时主要是盒子存储，有时两者相对平衡。当然，计算库存能力与箱规有关，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，往往与工作面设计有关。此外，交货量对库存设计也有很大的影响，如拆卸量，需要对拆卸区域有一定的限制。ABC库存分析也很重要，对仓库设计起着重要作用。一般情况下，ABC的库存分析结果决定了存储形式，ABC的定义会因地制宜，因地制宜。在实践中，为了做出正确的决策，通常需要分析足够的托盘、1/2托盘的SKU和这些SKU的库存比例。随着电子商务的兴起，SKU不断扩大，ABC分析尤为重要。此外，需要注意的一个趋势是，箱式存储越来越受到重视，其比例也越来越高。同时也会影响库存分析。在重新计算存储容量时，人们普遍对库存充满率感到困惑。一般来说，我们知道托盘或容器不能完全充满，为了满足操作的顺利进行，位置不能完全充满。因此，这两个系数在不同的情况下会有差异，但不应忽视。3、订单数量、订单行数、发货量是选择相关数据的重要设计数据。ABC分析也很重要。需要注意的是，ABC的分布往往与库存ABC不同，分析时要注意区分。选择环节的设计主要集中在选择、包装和运输上，因此，选择的细节非常重要。比如整个出库量、整个出库量、拆零出库量，这三个参数对设计也很重要。一些基本信息也应该清楚，如选择效率、播种效率和包装效率，有些可以通过其他项目经验获得，有些应该实际测量。需要指出的是，测量结果与操作过程、工位设计和测量方法有关，有时很难确定准确的结果。不同的选择方法有很大的效率差异，这是设计应特别考虑的地方。事实上，采用什么样的技术手段，对设计效果影响很大。在数据分析中，应考虑这些问题。4、数据的交付方向、数量、车辆形式、运行时间、临时存储时间等数据是交付设计阶段的基础。众所周知，分拣机的格口不能无限增加。因此，为了控制格口的数量，在设计中应考虑波次。一些物流中心的发货区设计很小，站台停车位很少，给发货带来很大困难。集货区的大小与发货波有关。许多小型物流中心每天只安排一次交货，交货区域较大；对于大型物流中心，一般按多个大波组织交货，每个大波有几个小波，可以大大降低对集装箱区域的需求。在设计中要注意这一点。随着人们对物流的了解越来越深入，装运环节越来越受到重视。因此，在设计中也要与时俱进，考虑自动化系统对发货区的影响。5、退货相关数据非常重要和困难，但很容易被忽视。在通常的数据分析中，退货分析是不够的。事实上，退货和收货的过程是不同的。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。退货作业不平衡，波动性大。因此，在数据分析中(实际操作也是如此)，退货收货应与退货处理分开。作业时间和作业量不一样。对于退货，其操作流程会对设计产生影响。一般数据分析只能提供退货量，包括订单数、订单线、SKU、数量等。需要注意的是，退货有两种形式，一种是终端返回物流中心；二是物流中心返回供应商或报废。两者差别很大。在数据分析中，要分别对待。6、需要指出的是，其他数据分析非常重要和困难。数据分析中的经验和专业知识非常重要。此外，用户必须确认数据分析结果才能用于设计。预处理数据样本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。消除无效数据是数据分析的关键一步。当然，除了认真的研究和分析，经验和常识也很重要。数据应该是典型的，所以数据量不能太少。例如，一年四季的数据发生了变化，一个季度的数据也发生了变化。系统分析每月、每周、每天甚至每小时的变化。静态和孤立的数据毫无意义，必须与系统环境相关联。这一点也很重要。有时候，数据分析和方案设计不是一个人，所以我们需要注意沟通。数据分析不可能完全独立进行，它需要与设计方案相匹配，因此，每个项目的数据分析重点也不同。数据分析人员至少需要了解设计需求，才能知道如何分析数据，如何从成千上万的数据中找到规则，提取有用的东西。最后，数据分析的结果不是直接应用于设计，而是提出了设计指标。有些数据变化缓慢，如产品特性、订单结构、项目数量、操作模式等，有些数据变化剧烈，如设计指标等。除了经验和行业条件的帮助外，关键是要仔细分析，找出规律。在这个过程中，充分的研究和与用户的充分沟通尤为重要。EIQ分析是物流规划设计和物流管理中非常重要的分析方法。其中E(Entry)表示订单，I（Item）表示品项数，即SKU数，Q（Quant）表示数量。EIQ分析的主要分析项目有：1）EN分析：即对每个订单的订单项数量进行分析。也就是说，订单结构或行数分析通常被称为。EN分析可以准确判断订单行的分布情况，从而为选择策略提供指南，特别是拆卸方法。例如，B2C电子商务业务的订单线很少，而对于医药B2B配送，每个订单的行数会更多，两者的设计处理方法也不同。2)EQ分析:分析每个订单的订单数量。通过分析每行订单的数量，可以获得订单结构的基本情况。对于一个订单行来说，有两种情况：整件和拆卸。因此，订单的分布也可以指导库存分布和拆卸选择的具体设计。3)IQ分析:分析每个项目的订单数量。该分析主要用于库存ABC分析。库存ABC在仓库库存结构设计和拣选系统设计中起着非常重要的作用。4)IK分析:分析每个项目的订单次数，即产品订单的频率。这是与ABC发货相关的指标。ABC分析对于货物储存策略、补货策略和拣货策略的设计至关重要。通常，EIQ分析是对历史数据进行的。设计分析旨在确定订单结构和库存结构。对于运营管理，EIQ分析通常用于优化实际运营，如ABC分析，可以根据ABC分析结果及时调整库存结构，以提高分拣效率。对于一个设计，一般选择一年以上的数据比较合适。太少的数据可能缺乏代表性。当然，也有例外。如果数据量本身不够，则只能从行业内其他企业的数据中找到规则。