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。

以上就是关于物流项目的基础数据分析的相关介绍，更多物流项目的基础数据分析相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对物流项目的基础数据分析有更深的了解和认识。