数据分析对物流系统设计的影响是决定性的。一方面,设计需要从历史数据中寻找一些特征,如订单结构,订单分布形态,库存结构,sku分布,货物的abc特征等,以便能够对未来的设计指标有一个准确的评估;另一方面,从历史数据中发现一些问题,以便在未来加以改进,如库存周期,长尾产品分布,订单拆零的影响等,这是更积极和具有创新思维的方面。评价一项物流设计的优劣,最简单的方法是设计对历史问题,尤其是关键问题、痛点问题改善了多少,从而使物流效率得以提升,作业更加简练准确。
不同行业的物流系统,其关键差异主要表现在于库存结构和拣选订单的形态,这也是数据分析的关键所在。当然,行业不同,特性各异,也会表现在物流的其它环节,如收货和退货环节,但这些相对比较简单一些。尽管有些情况下也很繁琐,如图书和服装的退货,但大多数是比较简单的。因此有必要将讨论的重点放在库存和拣配这两个方面。
我常常对同事们讲,数据分析的诀窍在于变通,在于抓住本质,不要为眼花缭乱的数据所迷惑。我还形象的强调,数据分析的精髓就在于“假数真算”,大家刚听到这里时,都表现得一脸茫然,以为我在开玩笑,但其实,我是非常认真的,甚至要用一篇文章来论述。
“假数真算”的第一个意思是要从纷繁复杂的历史数据中发现什么是本质,什么是谬误和失真。我们面对的历史数据,很多情况下并不是客观的反应,而是一种假象。比如订单下发时间,执行时间等,不仅存在记录错误的问题,更有可能是人为修改的。这并不奇怪,因为很多时候存在数据丢失,需要补充,这时就有可能发生问题,比如将多天的数据合并到一天,比如关键数据在登录时发生遗漏,或操作失误等等,都有可能发生错误。在对历史数据进行分析时,我们往往会发现很多怪现象,如果不了解这些现象背后发生的原因,就只能将错就错,就会导致错上加错。数据分析的真正难点在于对历史数据的梳理和筛选,使其能够尽可能的还原真相,这是一项需要做详细、具体、细致的分析才能完成甄别的工作。
有些数据的假,表现在数据残缺上面。比如箱子的尺寸,这就是一项最容易残缺的数据项,几乎所有的历史数据都存在这个问题。这些残缺的数据项,可能会给分析结果带来影响,有时这种影响还是非常惊人的。我们在调研中看到的,都是处于局部的现象,很容易失真。要对残缺的数据项进行修补,不仅工作量巨大,有时甚至是不可能完成的任务。这时,我们就必须面对现实,要从其它的数据项中找到规律,找到相关性,以便对其进行修正。所谓“真算”就是要在“假”的数据基础上,“算出”一个基本符合事实的结果来。对很多人来说,这是比较困难的。这也是数据分析的困难和奥妙所在。
分析历史数据是如此,对未来的预测也是如此。有些客户会准确的提出自己对于未来的看法,有些则不行。一个不争的事实是,在大多数情况下,人们对未来的预测都是不准确的,有些甚至存在重大偏差。所有的预测都是在一个假设的前提下得到的,因此也注定是不准确的。有人会问,既然如此,那还有意义吗?
当然是有意义的。很多客户往往是凭感觉和感性提出对未来的设计目标。这不是他们的错。因为他们往往缺乏专业的知识,只是凭借自身过去的偶然成功的经验,以及对未来的憧憬,提出了一个奋斗目标。有时甚至是想到哪里说到哪里,至于目标科学性和合理性,他们是不会太在意的。实际上,一个企业的发展,开始的时候会快一些,因为规模小,市场机会多,加上精力充沛,思维集中,所以每年有30%甚至更高的增长,但这样的增长是不可持续的。其根本原因,一是在于市场需求限制,二是自身的资源限制。但往往看到的是,企业家对过往的高增长充满自信,然后提出了一些不合时宜的设计目标。面对这种情况,有必要在数据处理过程中对其进行修正。如增长系数,价格系数,有效作业时间,以及其它的一些系数,使其回归到合理的范畴。未来虽然未知和充满不确定性,但预测仍然具有意义。数据分析的意义就在于,通过建立数学模型和对历史数据的分析,提出相对合理的设计指标。在物流系统中,有些数据是基础的和变化缓慢的,如订单结构,包装量,库存abc分布等,有些却是不断变化的,如产品形式、批号、业务型式等。通过对总量控制和对竞争形态的描述,大致可以得到设计纲领是否合理,如一个医药公司提出的未来业务指标,对历史数据的分析可以看出的上限是多少,肯定不是无限的。数据分析不仅会研究设计的宏观指标是否合理,还要保证各专业的匹配。对于增长很小的项目,设计指标要适当放大一点,使其能确保顺利完成外,还可以应对一定的不确定性;而对于增长较快的项目,设计指标往往要进行严格控制,避免造成重大浪费。这也是“假数真算”的一种典型情况。在这种情况下,数据分析不仅仅是顾问单位一方的事,更是双方的事,即包括用户单位。很多用户单位在执行总裁或董事长命令的时候,一般不敢提出异议,大多数情况反而是层层加码,使得原本不合理的设计目标进一步被放大,完全与实际相违背,这与其说是缺乏专业知识,更可能的是一种懒惰和不负责任。项目的执行者要运用专业知识,科学合理的理解总裁的意见,对于不合理的部分,如果不能直接指出,也要认真的采取措施,使其回归合理。当然,每个人都要警惕自以为是的情形,要避免出现错误判断的风险。
“真算”要求的是算法的专业性、科学性和逻辑的严谨性。“真算”不是装模做样的算,更不是假算,而是要认真的算,科学的算。通过严谨的计算,发现问题和真理。如果没有真算的严谨性,可能所有的分析都是存在风险的。在大跃进的年代,亩产万斤甚至十万斤的笑话居然能够使世人相信,其实背后就存在没有进行“真算”的问题,连常识都没有。当下的网络造假也常常会出现同样违背常识的问题,需要全社会引起警惕。
每个项目面对的问题是不同的,数据分析的重点也是不同的。比如我们面对象京东这样的客户,其每天数据量通常都非常大,这时候对订单的分析,其重点就可能不仅要分析订单的总量,如每天,每月,每年的订单分布,而且要对其每个小时的分布进行分析,发现其高峰时段和低谷时段,这些数据对设计的指导是非常有用的。又比如,在对发货订单进行abc分析时,如何确定abc的分布问题,就要求对一个时段(通常是1天或几天)的每个sku的拣选量、拆零量进行分析,从而提出对未来设计的指导意见。采用什么技术,采用什么流程,以及如何设计补货和拣选策略等。总之,设计不能是盲目的,而是与数据互相关联的,以数据驱动设计。数据分析是为设计服务的,因此,在进行数据分析时,要与设计人员进行互动,了解设计人员的需求和困惑所在,进而为其提供依据。有时,设计人员也会从数据分析中寻找灵感,找到合理的尊龙凯时app的解决方案。双方的这种互动,可以大幅度提升设计的质量。
很多真相都隐藏在数据里面,需要深入挖掘才能被发现。比如,我们很困惑采用什么策略补货才是合理的,就要从具体的数据中寻找答案。一般情况下,补货的次数和及时性是非常重要的两个指标,补货次数越多,补货的工作量就越大,及时性也无法保障,因此要求尽可能减少补货次数,但拣选面太多时,每个sku的储存量又不可能太多,这是一对矛盾。通过数据分析可以准确地回答这一问题。通过对一段时间的分析(通常是一个月或一周),可以得出每个sku的拣选量,有的会非常大,以托盘计;有的长尾品种会很小,这时,可以考虑托盘,箱(包括多箱)的存储策略,使得在空间允许的情况下,尽可能减少补货次数。另一个例子是拆零拣选,当采用“货到人”拣选技术的时候,订单行成为一个重要参数,它基本决定了设备的技术参数,包括穿梭车、kiva、输送机、提升机、拣选站台等。这些设计,如果没有数据支持,是不可能完成的。
数据分析有成熟的工具和方法,但每一个项目所要分析的内容和重点是不同的,因此,也就没有所谓的常法存在。这是需要灵活掌握的。当然,需要强调的是,对历史数据的分析,并非是为了照抄过去的一切,而是通过分析,一方面是找出一些规律和特征值;另一方面是发现一些问题,从而为未来寻求更加简约高效的尊龙凯时app的解决方案提供参考依据,包括技术、流程、技巧、方法、布局等,这才是数据分析的精髓和价值所在。历史数据的最大价值在于借鉴与分析,但不能直接替代未来的设计目标。有些东西需要保留,但更多的东西需要改革。要通过数据发现未来,而不是复制过去。
有需求 找方案 ?
立即或立享库猫管家服务(微信同手机号:185 0073 8832)
好方案 寻报道 ?
发邮件至 zhangxy@soo56.com(微信同手机号:185 0073 8856)
文章转载自:伍强智能号由soo56编辑,供行业参考学习;如果希望您的公司和产品被报道,请'点击这里'告诉我们!
点击继续加载下一条