4、需求调研与数据采集：如何收集订单数据、库存数据、SKU特征、作业时间等基础数据
智能仓储方案设计的起点不是选设备、定软件，而是回答一个朴素但关键的问题：仓库每天到底在发生什么？ 如果缺乏对订单结构、库存分布、SKU属性和作业耗时的量化认知，后续的货位规划、设备选型、流程仿真和投资测算都将成为“无根之木”。本章围绕需求调研的四大核心数据域——订单数据、库存数据、SKU特征、作业时间，讲解采集方法、分析口径与常见陷阱，帮助学员建立一套可复用的数据采集与清洗框架。
4.1 订单数据采集：从EIQ分析到波次特征
核心原理
订单数据是仓储作业的“输入源”，决定了拣货模式、设备吞吐能力和波次策略。EIQ分析（E-订单件数、I-品项数、Q-数量）是订单数据采集后的第一层分析工具，用于回答三个问题：订单有多大？品项有多宽？数量有多散？ 例如，一个日均5000单的B2C仓，若平均每单2.3行、每行1.7件，则拣货模式应偏向“批量拣选+播种”；若每单15行、每行1件，则“摘果式+电子标签”可能更合适。
操作流程
- 确定时间窗口：至少取连续4周（含月初/月末、促销日、周末）的订单数据，避免只取淡季数据。
- 字段清单确认：订单号、下单时间、行号、SKU编码、数量、订单类型（B2B/B2C/退货）、优先级、波次号、承运商。
- 数据导出与清洗：从OMS/WMS导出明细，剔除测试单、取消单、空行，统一SKU编码格式。
- EIQ计算：按日/周汇总EN（订单数）、IQ（品项数）、IK（品项重复度），计算峰值系数（如P90/P99）。
- 波次特征分析：统计每波次订单数、行数、SKU重合度，判断是否适合“边拣边分”。
| 指标 | 计算公式 | 决策意义 |
|---|---|---|
| EN（订单数） | 统计周期内订单总笔数 | 决定拣货台/工作站数量 |
| IQ（品项数） | 统计周期内不同SKU数量 | 决定货位规模和拣货路径 |
| IK（品项重复度） | 总行数 ÷ 不同SKU数 | 判断ABC分类的集中度 |
| 订单行数分布 | P50/P90/P99行数 | 决定拣货设备（如PTL vs 语音） |
| 峰值系数 | 峰值日订单 ÷ 日均订单 | 决定设备冗余和人力弹性 |
案例拆解：某服装B2C仓的订单数据采集
该仓日均订单8000单，SKU约2.5万个。初始方案按“平均每单2.5行”设计拣货区，但实际采集4周数据后发现：日常订单P50为1行，P90为6行，大促日P99达到22行。进一步分析发现，“多件多行”订单集中在套装和配饰类SKU，且这些订单的SKU重合度高达70%。基于此，方案调整为“日常采用智能波次+边拣边分，大促切换为“播种墙+复核台”模式，拣货效率提升35%。
常见误区
- 只取一周数据：忽略周中/周末波动，导致峰值系数失真。
- 忽略异常订单：未剔除“刷单”和测试单，导致SKU热度分析偏差。
- 不区分订单类型：B2B整箱单和B2C拆零单混在一起，EIQ分析失去意义。
4.2 库存数据采集：库位、批次与周转
核心原理
库存数据回答“仓库里有什么、放在哪里、放了多久”。库存数据采集的核心是库位-库存-批次三维映射。库位数据决定货架选型和通道宽度；批次数据影响先进先出（FIFO）策略和效期管理；周转数据决定ABC分类和货位热度分配。
操作流程
- 库位清单导出：从WMS导出所有库位编码、库区类型（存储/拣选/暂存）、库位尺寸、最大载重。
- 库存快照：取连续4周每周一凌晨的库存快照，包含SKU、库位、数量、批次号、入库日期。
- 周转率计算：按SKU计算出库数量 ÷ 平均库存，区分A/B/C类。
- 呆滞分析：标记超过90天无出库的SKU，评估是否需要单独存储区。
- 库容利用率：统计每个库区的已用库位数 ÷ 总库位数，识别瓶颈区域。
案例拆解：某医药仓的批次效期采集
该仓SKU约8000个，其中效期敏感品占30%。初始调研只采集了库存数量和库位，未采集批次效期。方案设计时按普通货架规划，未考虑FIFO强制要求。上线后发现：近效期药品需频繁移库，导致拣货路径增加20%。复盘后补充采集批次效期数据，并在方案中增加“效期预警区”和“自动移库策略”，问题解决。
常见误区
- 只取当前快照：未观察库存波动，导致库容设计偏大或偏小。
- 忽略库位尺寸：SKU体积与库位不匹配，导致空间浪费。
- 不区分存储/拣选位：补货逻辑无法设计，影响拣货效率。
4.3 SKU特征采集：尺寸、重量与拣货单位
核心原理
SKU特征决定了存储设备（如搁板货架、穿梭车、堆垛机）和拣货设备（如电子标签、语音、机械臂）的选型。关键特征包括：外形尺寸（长宽高）、重量、包装形态（整箱/散件/挂装）、存储条件（常温/冷藏/防静电）、拣货单位（件/箱/托）。采集时需注意：同一SKU可能有多种包装形态，需分别记录。
操作流程
- 主数据导出：从ERP/PLM导出SKU主数据，包含尺寸、重量、体积、包装层级。
- 实物抽样测量：对TOP 200 SKU进行实物测量，验证系统数据准确性（通常系统数据有10%-15%偏差）。
- 拣货单位确认：与运营确认每个SKU的默认拣货单位（整箱/拆零），并统计拆零比例。
- 特殊属性标记：易碎、危险品、磁铁、液体、贵重品等，需单独标记并影响存储方案。
| SKU特征 | 采集方式 | 影响方案 |
|---|---|---|
| 尺寸/重量 | 主数据 + 实物抽样 | 货架层高、输送线宽度、AGV载重 |
| 包装形态 | 系统 + 现场确认 | 整托/整箱/拆零存储策略 |
| 存储条件 | 主数据 + 合规确认 | 温区划分、消防等级 |
| 拣货单位 | 运营访谈 + 订单验证 | 拣选设备选型、补货频率 |
案例拆解：某美妆仓的SKU特征采集
该仓SKU约5000个，其中30%为异形瓶（圆柱、椭圆、不规则）。初始方案按标准周转箱设计，但实测发现异形瓶在箱内空间利用率仅65%。通过采集SKU三维尺寸并建立“尺寸-箱型”匹配模型，重新设计混合装箱算法，空间利用率提升至82%，包装材料成本下降18%。
常见误区
- 只采集长宽高，忽略重心：异形件在输送线上易倾倒，需额外增加稳定措施。
- 忽略包装变更：SKU包装升级后未同步更新数据，导致设备卡料。
- 不区分整零属性：同一SKU既有整箱销售又有拆零销售，需分别定义存储策略。
4.4 作业时间采集：测时方法与效率基线
核心原理
作业时间数据是仿真建模和人力测算的基础。需要采集的关键作业包括：收货、验收、上架、补货、拣货、复核、打包、集货、装车。采集方法分为三类：系统日志（WMS操作时间戳）、现场测时（秒表/视频）、设备日志（输送线/AGV节拍）。系统日志适合统计整体效率，现场测时适合拆解动作细节。
操作流程
- 定义作业边界：明确每个作业的起止事件（如拣货从扫描库位开始，到扫描周转箱结束）。
- 系统日志提取：从WMS导出操作日志，计算每个作业的平均耗时、P90耗时。
- 现场测时：选择3-5名熟练工，每人测10次以上，记录异常值（如找货、等待）。
- 设备节拍采集：从PLC/设备管理系统导出输送线速度、分拣机效率、AGV循环时间。
- 效率基线确定：区分“纯作业时间”和“含等待时间”，分别用于设备选型和人力测算。
案例拆解：某生鲜仓的拣货时间采集
该仓采用“语音拣货+输送线”方案，初始设计产能为每小时180订单行。但系统日志显示实际仅120行/小时。通过现场视频分析发现：拣货员在输送线集货位等待时间占25%，原因是输送线节拍与拣货节奏不匹配。采集设备日志后，将输送线速度从0.5m/s调至0.65m/s，并增加一个缓冲位，产能提升至155行/小时。
常见误区
- 只测熟练工：忽略新员工效率差异，导致人力测算偏乐观。
- 忽略等待时间：系统日志中的“作业时长”可能包含大量等待，需单独标注。
- 不区分班次：白班和夜班效率差异可达15%-20%，需分别采集。
4.5 数据采集的验证与迭代
数据采集不是一次性工作，而是需要“采集-验证-修正”的循环。验证方法包括：交叉验证（系统日志 vs 现场测时）、总量校验（订单行数总和 vs 拣货件数总和）、异常值复核（对P99以上的极端值进行人工确认）。建议在方案设计过程中，至少进行两轮数据采集：第一轮用于初步方案，第二轮用于仿真参数校准。