從事物(wù)流系統設計，物(wù)流園區(qū)規劃，首先就要進行數據分(fēn)析，這(zhè)一觀點逐漸爲行業所接受。數據分(fēn)析分(fēn)析什(shén)麽，已經有專門的(de)教科書(shū)進行講解，不是本文的(de)重點。本文重點是談數據背後的(de)邏輯問題。

        對(duì)于數據分(fēn)析，大(dà)家普遍感到困惑的(de)是分(fēn)析的(de)是否正确有用(yòng)和(hé)如何使用(yòng)，哪些數據是不對(duì)的(de)和(hé)失真的(de)，哪些數據需要修正，哪些數據需要補充。對(duì)這(zhè)些問題的(de)回答(dá)，核心問題是探討(tǎo)數據背後的(de)邏輯，理(lǐ)清數據關系，才能正本清源，數據分(fēn)析的(de)結果才有意義。

數據失真是一種客觀存在

        數據作爲反映客觀世界的(de)一種方式，有時(shí)會失真，從而使真實世界發生扭曲。失真的(de)原因很多(duō)，主要有以下(xià)幾種：其一是數據記錄問題，數據記錄有記錯和(hé)數據丢失，這(zhè)一問題發生的(de)可(kě)能性非常大(dà)。數據不管是記錄在何種載體上，由于記錄手段問題，接口問題，傳感器問題，存儲媒介問題以及環境問題，錯誤和(hé)丢失在所難免；其二是人(rén)爲造假，這(zhè)個(gè)更爲普遍。造假是人(rén)類不可(kě)杜絕的(de)一個(gè)現象，每個(gè)時(shí)期，每個(gè)國家，每個(gè)地方，每個(gè)角落都存在。無論是處于何種動機，造假的(de)代價之一就是使真實世界不再真實，這(zhè)是十分(fēn)令人(rén)痛惜的(de)；其三是偶發數據，雖然可(kě)能是真實反映，但又非常态，或者是經過調整後的(de)數據，并非第一手數據。

        人(rén)們有時(shí)候調侃，曆史沒有真相。是指曆史上的(de)很多(duō)事件，真真假假，其真相成爲永遠(yuǎn)的(de)迷。這(zhè)裏既有曆史事件記載者的(de)故意，也(yě)有以訛傳訛的(de)原因。有的(de)真相很簡單，但如果當事人(rén)或傳播者故意誤導，可(kě)能真相真的(de)就成爲曆史之謎，再也(yě)無人(rén)知曉。

        現實中的(de)實例也(yě)不勝枚舉。比如國民經濟統計，看起來(lái)很簡單的(de)一件事，但實際就很難做(zuò)到十分(fēn)真實準确，有時(shí)還(hái)相差甚遠(yuǎn)。物(wù)流行業數據統計也(yě)是如此。我們到現在也(yě)沒有一個(gè)權威的(de)統計數據，告訴人(rén)們每年的(de)堆垛機的(de)産量，輸送機的(de)産量，分(fēn)揀機的(de)産量，貨架的(de)産量等，都隻是一個(gè)大(dà)概估計。

        總之，數據失真，既有技術原因，也(yě)有人(rén)爲因素，人(rén)的(de)因素又分(fēn)爲主觀故意、無心之失或能力所不能及。這(zhè)是一種客觀的(de)存在，誰也(yě)改變不了(le)。

數據之間的(de)邏輯關系

        面對(duì)一個(gè)不真實數據所描述的(de)世界，人(rén)們往往難以分(fēn)辨數據真假。其實，熟悉數據分(fēn)析的(de)人(rén)，一般會從數據之間的(de)邏輯關系中判斷出數據的(de)可(kě)信程度。雖然我們不知道真相的(de)具體細節，但通(tōng)過邏輯分(fēn)析和(hé)比對(duì)，會基本還(hái)原真實世界大(dà)緻的(de)情況。

        一句謊話(huà)，往往要10句謊話(huà)去掩蓋。這(zhè)句俗語說明(míng)了(le)一個(gè)基本事實，就是事物(wù)之間是有千絲萬縷的(de)聯系的(de)。反映到數據，就是數據之間是具有邏輯關聯性的(de)。這(zhè)一事實爲人(rén)們甄别數據的(de)真僞提供了(le)參考和(hé)方法，但有時(shí)也(yě)不是萬能的(de)。

       對(duì)物(wù)流數據分(fēn)析來(lái)說，年銷售額、箱單價、日收貨量、日發貨量、庫存量、退貨量、庫存周轉天數等這(zhè)幾個(gè)數據是互相影(yǐng)響的(de)，所以我們可(kě)以從彼此的(de)關系中，發現問題所在，可(kě)以判斷數據是否真實可(kě)靠。

        特别是在大(dà)數據時(shí)代，對(duì)事物(wù)的(de)真相判斷會更加準确。因爲大(dà)數據會從多(duō)個(gè)角度去描述同一件事情。比如一家企業的(de)運營狀況，可(kě)以從員(yuán)工人(rén)數、營業額、收入、納稅額、工資、獎金、辦公開銷、投資、研發經費、宣傳費、差旅費、按月(yuè)度計算(suàn)的(de)流水(shuǐ)等多(duō)個(gè)維度進行分(fēn)析，還(hái)可(kě)以從行業平均利潤分(fēn)析其利潤額合理(lǐ)性等。一旦某些數據出現大(dà)的(de)偏差，則可(kě)以判斷其數據真實性值得(de)懷疑。

        對(duì)一個(gè)物(wù)流中心來(lái)說，很多(duō)數據之間具有強相關的(de)邏輯性。比如銷售額與發貨量的(de)匹配，輸送線的(de)輸送能力與系統産能的(de)匹配，庫存與銷售的(de)匹配，發貨區(qū)、發貨月(yuè)台與發貨量的(de)匹配等，其中的(de)邏輯關系其實并不複雜(zá)。然而，對(duì)一些用(yòng)戶來(lái)說，并不完全知曉這(zhè)些關系，從而對(duì)系統的(de)能力産生認知上的(de)錯誤。

        有了(le)數據間的(de)邏輯，就爲我們處理(lǐ)數據提供了(le)參考。有些數據需要删除，有些需要修正，有些則需要補充。

數據的(de)偶然性與必然性

        數學證明(míng)上有一個(gè)非常重要的(de)證明(míng)方法-反證法。即要證明(míng)一個(gè)命題是否正确，隻要證明(míng)其反命題不正确即可(kě)。而要證明(míng)一個(gè)命題不正确，則隻需舉例一個(gè)反例即可(kě)。比如要證明(míng)是無理(lǐ)數，隻要證明(míng)其反命題，即是有理(lǐ)數這(zhè)個(gè)命題是錯誤的(de)即可(kě)。這(zhè)一方法對(duì)于數據分(fēn)析也(yě)是非常有用(yòng)的(de)。

        大(dà)千世界，變幻萬千。對(duì)數據分(fēn)析者而言，識别數據的(de)真僞是一方面，而如何正确的(de)分(fēn)析，則是更爲重要的(de)方面。數據分(fēn)析爲我們描述了(le)一個(gè)曆史現狀作爲前提。因此，不要站在一個(gè)錯誤的(de)前提下(xià)，對(duì)未來(lái)進行預測，那樣會毫無意義，且非常危險。

        如何去僞存真，不是一件容易的(de)事情，尤其對(duì)于初學者而言。比如要如何篩選和(hé)修正一些曆史的(de)數據，就是一項複雜(zá)且繁瑣的(de)工作。有些數據是客觀存在的(de)，也(yě)是真實的(de)反映，但卻不具有普遍性，是一種偶然，一種異常。對(duì)這(zhè)些數據的(de)處理(lǐ)，即要求對(duì)偶然和(hé)必然的(de)事件要有一個(gè)分(fēn)析和(hé)判斷。

        我們常常看到，某一天的(de)物(wù)流數據非常異常，但卻是客觀存在。比如某一商品銷量很大(dà)，或某一天的(de)發貨量很大(dà)等，就可(kě)能是因爲某一偶然事件所引起。而這(zhè)一事件有時(shí)并不具備普遍性。有點類似于電信号中的(de)幹擾信号。對(duì)這(zhè)一類數據的(de)過濾和(hé)修正是必要的(de)。不要一葉障目，不見泰山。

        另一方面，也(yě)不要輕易放過偶發事件背後的(de)邏輯分(fēn)析，有時(shí)甚至會有意外的(de)發現和(hé)作用(yòng)。如對(duì)“雙十一”數據的(de)分(fēn)析，或對(duì)某一網紅帶貨事件的(de)分(fēn)析等，就會指導物(wù)流設計在面對(duì)此類現象時(shí)，如何有效處理(lǐ)。

        在數據分(fēn)析時(shí)，一旦遇到特殊的(de)數據，既不能視而不見，也(yě)不能簡單的(de)删除。而是要做(zuò)進一步的(de)甄别。這(zhè)一點考驗著(zhe)分(fēn)析師的(de)敏銳和(hé)耐心。

        有很多(duō)數學方法可(kě)以用(yòng)于辨别偶然性和(hé)必然性，過濾一些幹擾數據。比如，爲了(le)避免算(suàn)術平均值法給人(rén)的(de)一種假象，可(kě)以用(yòng)階梯算(suàn)術平均來(lái)修正，或采用(yòng)均方差來(lái)評估數據分(fēn)布的(de)偏離程度。我們在統計個(gè)人(rén)收入時(shí)，經常看到平均數有時(shí)沒有多(duō)大(dà)意義，而階梯分(fēn)析的(de)數據更加容易看清楚數據的(de)真相，如分(fēn)析1%的(de)高(gāo)收入人(rén)群，其對(duì)财富的(de)占比等。階梯算(suàn)術平均法在分(fēn)析物(wù)流數據時(shí)，很容易得(de)到庫存和(hé)發貨的(de)ABC分(fēn)布結果。更加深入細緻的(de)分(fēn)析，還(hái)可(kě)以進一步對(duì)标準差進行分(fēn)析，從而有助于确定設計指标。例如在一個(gè)物(wù)流中心的(de)設計中，人(rén)們常常需要一個(gè)較合适的(de)設計目标。這(zhè)一目标的(de)确定就跟标準差有關。最簡單的(de)做(zuò)法是，約70%天數的(de)作業在常規時(shí)間完成，其它30%天數的(de)作業通(tōng)過加班完成，這(zhè)可(kě)能是一個(gè)比較合理(lǐ)的(de)尺度。

物(wù)流數據背後的(de)邏輯

        在實際應用(yòng)中，抽樣統計在統計中有非常大(dà)的(de)作用(yòng)。比如市場(chǎng)調查和(hé)輿情調查，目前還(hái)基本采用(yòng)這(zhè)一方法。我們在物(wù)流作業中，往往也(yě)采用(yòng)随機抽樣的(de)方法，對(duì)産品質量進行評估。爲什(shén)麽1%甚至更低的(de)随機抽樣會大(dà)緻反映真實情況呢(ne)？這(zhè)就是概率論給我們帶來(lái)的(de)啓示。其實，我們在做(zuò)物(wù)流數據分(fēn)析時(shí)，随機抽樣仍然不失爲一種有效的(de)方法。

        對(duì)很多(duō)系統來(lái)說，數據反映的(de)往往隻是表象。比如，人(rén)們對(duì)于一個(gè)物(wù)流中心的(de)評估，每年的(de)發貨量反映的(de)其實隻是一個(gè)非常粗略的(de)總數，背後隐藏的(de)真相往往大(dà)相徑庭，兩個(gè)具有同樣發貨能力的(de)物(wù)流中心，往往不具有可(kě)比性。因爲差異是多(duō)方面的(de)。

1）工作時(shí)間

        從大(dà)的(de)方面講，工作時(shí)間可(kě)能是單班、雙班和(hé)三班，其差異已經是非常大(dà)的(de)了(le)。而進一步分(fēn)析，每個(gè)班次有的(de)隻有4~5小時(shí)，有的(de)會有9~10小時(shí)，差異也(yě)很大(dà)。有的(de)年工作360天，有的(de)隻有200多(duō)天。這(zhè)些差異，會導緻分(fēn)析的(de)結果出入很大(dà)。

2）單元貨物(wù)的(de)價值

        單箱價格也(yě)是影(yǐng)響非常大(dà)的(de)因素。物(wù)流系統能夠比較的(de)是物(wù)流量而非銷售額。但往往被人(rén)們忽視。就如同錯把物(wù)流費用(yòng)與GDP做(zuò)比較，不考慮産業結構、地域、道路收費、工資等差異，從而得(de)出我國物(wù)流技術水(shuǐ)平低的(de)結論一樣，其實是不真實的(de)。一個(gè)以日用(yòng)、食品配送爲主的(de)配送中心，其單件價格隻有幾十元，而一件藥品會高(gāo)達上千元甚至幾千元，即使是同類商品，因爲構成品質不一緻，産地不一樣，價格也(yě)會相差很大(dà)。比如進口産品和(hé)國産的(de)比較。

3）業務的(de)均衡性

        有的(de)配送中心，其業務波動性大(dà)，随季節變化(huà)幅度非常大(dà)，而有的(de)會比較均勻。這(zhè)在數據分(fēn)析時(shí)容易被忽視。但其影(yǐng)響巨大(dà)，比如圖書(shū)與醫藥。圖書(shū)，尤其是教材教輔類圖書(shū)表現出明(míng)顯的(de)季節性，而藥品的(de)季節性影(yǐng)響就要低很多(duō)。如果再細分(fēn)到每一天，每一周，每一個(gè)月(yuè)和(hé)每一季度的(de)話(huà)，會得(de)到非常驚人(rén)的(de)結果。如何均衡業務，其實對(duì)于提升物(wù)流系統的(de)處理(lǐ)能力有非常大(dà)的(de)作用(yòng)。這(zhè)就是物(wù)流反過來(lái)促進管理(lǐ)，促進市場(chǎng)的(de)典型例子。與此類似的(de)還(hái)有庫存周期和(hé)庫存量，這(zhè)兩個(gè)指标其實決定了(le)物(wù)流中心處理(lǐ)能力的(de)天花闆，但又不是物(wù)流系統本身所能解決的(de)問題，必須要與采購(gòu)策略進行聯動。總體來(lái)說，我國很多(duō)行業的(de)物(wù)流管理(lǐ)還(hái)是粗放的(de)，可(kě)以優化(huà)的(de)方面很多(duō)，而業務均衡性則是一個(gè)有很大(dà)潛力的(de)優化(huà)目标。

4）拆零比

        随著(zhe)電子商務的(de)興起，拆零作業在物(wù)流配送中心的(de)比重越來(lái)越大(dà)，也(yě)嚴重影(yǐng)響了(le)物(wù)流作業的(de)效率。一方面，人(rén)們看到定制化(huà)帶來(lái)的(de)服務提升，另一方面，配送成本也(yě)随之大(dà)幅度提升。特别是最近幾年，圍繞拆零揀選的(de)技術投入大(dà)幅度提升。面對(duì)這(zhè)一現狀，對(duì)于toB業務，是否可(kě)以從提高(gāo)整件配送比例出發，降低物(wù)流成本，成爲一個(gè)新的(de)課題。即使對(duì)于拆零揀選，如何采用(yòng)單元化(huà)技術，使揀選更高(gāo)效，其意義是多(duō)方面的(de)，未來(lái)肯定會成爲企業關注的(de)方向。

        除此之外，可(kě)比較的(de)方面還(hái)有很多(duō)，如作業人(rén)員(yuán)的(de)數量，設備的(de)投入，自動化(huà)水(shuǐ)平等，均影(yǐng)響物(wù)流配送中心的(de)作業和(hé)業績，有些還(hái)互相關聯和(hé)影(yǐng)響。而這(zhè)些都是表面數據看不到的(de)，或表現不出來(lái)的(de)。

        總之，數據分(fēn)析不是簡單的(de)數據堆砌和(hé)結果呈現，而是要挖掘其背後隐藏的(de)真相。數據分(fēn)析的(de)價值在于發現數據背後的(de)邏輯和(hé)特征，找出普遍性和(hé)規律性的(de)東西，找出導緻問題發生的(de)根本原因和(hé)改進方向，從而指導未來(lái)進行的(de)科學預測和(hé)規劃。

部分(fēn)圖片來(lái)源于網絡