主题：数据分析在仓储管理中的作用

 胡园  物流咨询部 

随着中国零售业的发展，这些年越来越多的便利店、大型连锁超市、商场和电商都在积极地扩张。为了满足其经营的需求，很多商家开始采用第三方物流进行配送，同时，有条件的厂商自建物流仓储以便加强对物流的直接控制，同时提高自身的服务能力，例如上海华联集团、苏宁电器、京东商城等。对于这些公司来说，仓储管理的好坏，直接决定了他们对客户的服务水平和市场竞争力。

很多公司在仓储管理上都会运用WMS系统，在物流配送效率、准确率及门店满足率等方面有了巨大的提高，甚至对某些公司来说，有了质的提高，例如广东宜美佳。但是，随着门店数量的增多，订货量逐渐增大，同时品项也会没规律地变化，这些慢慢地给自建物流公司的管理带来困扰：货品的存储不科学，让拣货效率低下；门店订货品项和订货量的不当，导致商品滞销；订货量的不稳，让采购部门也很难协调等。这些看似是管理上的问题，其实，通过数据分析，是能够将问题的影响最小化。本文将通过一些算例或者是模型来简要阐述，如何通过数据挖掘出的信息来为管理做决策。

一、产品存储优化方法

我们知道，在仓库中货位是一个稀缺的资源，同时，货位的位置同样是一个稀缺的资源，把适当的商品放到适当的位置上能够让货物的进货、出货、补货变得高效，也能大大地降低拣货员、补货员的劳动强度。通常情况下，我们在对产品的货位规划时采用EIQ（订货件数、货品种类、数量）分析，这种方法能够将出货量大的产品、季节性产品都整理出来。实际操作中，将那些量大的产品放到离出货口近的地方，量小的地方存放于离出货口远的地方。如果将IQ（货品种类+数量）和IK（货品种类+货品收订次数)分析结合，则可以将产品的储位配置划分出来。上述方法是一种通用的方法，但是这种方法还有进一步的改良之处，我们可以通过对产品的进出货数据进行分析，将这些数据整理成不同的类别，通过数据挖掘软件将类别之间的相关关系寻找出来，再配合海鼎的物流仓储软件HDWMS波次作业，按照订单特性划分为若干个拣货单和补货单，则一个优化过的拣货单便出来了。

本文选取某大型超市连锁企业的某个月份的部分配货数据作为案例进行分析，用一个月的数据仅仅是作为参考。事实上要做到优化，需要用到企业的一年或者几年的数据作为支撑，这样才会有意义。

表1 某公司单月销量数据

[if gte vml 1]>

   将采取数据导入到数据分析软件SPSS， 在菜单中选择“分析”→“相关性分析”→“双变量”，进入如图1所示界面，将左边变量导入到“右边变量（V）”选项框中，在“相关系数”中选择常用的Pearson方法，显著性检验选择“双侧检验”（注：选择单侧检验最终结果一样），在“标记显著性相关”选项框中打钩，然后“确定”。

[if gte vml 1]>

图1 SPSS相关性分析界面

下表2 是相关性分析结果，分析的结果中主要包含三种信息，一是Pearson系数，二是显著性值，三是变量参与分析记录数。其中，Pearson相关系数用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。显著性检验即用于实验处理组与对照组或两种不同处理的效应之间是否有差异，以及这种差异是否显著的方法。检验的sig值越大说明二者相关性越小，sig值越小说明相关性越大，通常标准为0.05，当值小于0.01时，表明二者相关性非常大。变量N表示，在分析中，该变量参与分析的统计数量。

表2 相关性分析结果

    由分析的结果可知，酒类和饮料类、冲调类、休闲食品类的相关度低；饮料类与冲调类、休闲食品类的sig值为0.01级别，相关度高；冲调类与饮料类、休闲食品类的相关度高；休闲食品与饮料类、冲调类相关度高。这个结果表明，在实际的配货作业中，货品的出货是有一定的规律可循的，一类货品的出货很可能就伴随着另一类货品的出货，如果将这种规律在通过ABC分类之后，对货位进行按类别的一个细分，出货的效率会大大提高，拣货人员的工作量也会降低。

    二、门店商品的合理订货决策

由于不同的商品有不同的特性，例如季节性产品，它在一定的季节出货量非常大，还有部分如日化用品，它一年四季都会出货，还有生鲜、冷冻等产品。不同类型的产品出货量是不同的，这对于门店来说，它的订货很难，有时候某一种商品供不应求，也会有商品供过于求。对于这两种情况，对门店来说都不是好事，前者直接影响利润，后者影响资金周转，于是找到需求与下订单之间平衡点就成为一个关键的地方。

门店的某一单品的订货量和订货时间并不是固定不变的，下图2为抽象出来的门店某品项A订货图，其中横轴表示时间，纵轴表示订货的数量。

 图2 门店订货图

图中列举了6个点P1、P2、P3、P4、P5、P6，每个点代表一次订货，不同的点的订货时间不同，数量也可能不同，每个点坐标在坐标轴里面分别为P1（t1，n1）,P2（t2，n2）,P3（t3，n3）,P4（t4，n4）,P5（t5，n5）,P6（t6，n6）。假设一，门店会在某一个存货水平N时开始向DC定货，门店的定货周期固定为t，也就是t2-t1=t3-t2=t4-t3=t5-64=t6-t5，对于门店来说，每一次的订货量恰好为下一个周期DC的送货量才算合理，因为订货量过大，导致店内库存成本的积压，资金利用率不高，订货量小，则导致利润减少。实际上，这种情况在很多门店中是常见的现象。凭感觉订货是很不靠谱的行为。

要合理地订货，就需要知道A的平均日需求量是多少，根据日需求量和订货周期才能得到每次的订货数量是多少。计算日平均需求量可以采用两种方法，第一种方法是采用平均值法，即：

N=(n1/t+n2/t+n3/t+n4/t+n5/t+n6/t)/6

 =(n1+n2+n3+n4+n5+n6)/6t。

由于t是一个常数，当采用的数据量越大时，得到的日需求量N就越精确。这种方法适合订货周期确定的门店。第二种方法就是采用回归方程法，对采集的数据进行一个回归分析，得到一条回归方程，回归方程得到的是一条订货量的曲线方程，然后通过用最新的数据对方程参数的不断修正，就可以得到近乎接近实际的曲线方程，这种方法适合订货周期不稳定的门店，其具体的案例分析就不在此赘述。

假设二，门店的订货时间不确定，其日需求量也同样可算出来，即：

N2=[n1/t1+n2/(t2-t1)+n3/(t3-t2)+n4/(t4-t3)+n5/(t5-t4)+n6/(t6-t5)]/6

对于此N2，数据量越大，其数据越趋于实际水平。由于其订货周期是不确定的，确定一个订货周期就成为重点，我们知道，DC是不可能日配的，不能因为日需求多少就配货多少，这对DC来说，成本太高（特殊情况除外）。这就要考虑订货的成本和资金的成本，假设资金的成本为P，订货的成本为C，那么合理的配送周期应该由以下等式得到：

N2хPхT/2=C    （1）；

T=N2хP/2C  （2）；

     由上得该门店在订货周期不定的情况下，其订货最佳周期应该为T，订货水平为Q，如下所示：

Q=TхN2=N2²хP/2C     （3）；

在实际的订货中，由于不同产品受到的不同因素影响，导致其产品的销售可能只在短时间内出现规律性，要把握到这些规律，就需要工作人员对门店的同期历史订货数据拿出来进行分析，这样的出来的结论就更具有说服力。

   三、门店商品的合理订货决策

在众多的商家中，一部分是处于供应链的核心地位，例如沃尔玛、家乐福、乐购等国际知名企业，还有如中百、联华、美宜佳等国内知名企业，这些企业在供应链里面话语权大，处于强势地位，因此在采购订货的时候可以考虑到供应链上、中、下游各个部分的情况，根据供应商库存、门店库存和DC库存综合来决策采购的量。然而在众多中小零售企业，对供应商而言其话语权很小，无法考虑其供应链上的综合库存水平，只能根据自身的需求来考虑订货量，下文分析在无法通盘考虑整个供应链时，零售商应该采取的决策。

根据上面的分析，我们可以得到一家门店的单品平均日需求量是多少，如何根据这个日需求量来正确确定门店的订货数量呢？一般情况下，门店都会有一个订货周期t，同种类型的门店其订货周期是相同的，便利店订货周期为t1，超市订货周期为t2，这样便于管理。又由于每家门店的订货时间都不是相同的，从第一家门店订完货到最后一家门店订完货，令其周期为T1，如下图3所示。在这一个周期T1内，每家门店都会对同一种品项有一个平均的订货量，单日的订货量累加起来，就是一些门店一天的总订货量。一个周期内，便是物流中心需要准备的该货品数量，而周期T则可定为供应商的送货周期。

在这种订货模式下，物流中心不需要准备足够的库存来应付不明确的需求，最大限度的减少库存的占用，为新的商品或者销售旺季的商品留出存储空间，同时也能够加快库存周转率，减少资金的占用，从而提高物流中心的效率。

通常来说，很多的商品销售都是有季节性的，对于这类商品的订货，需要根据历史的数据进行分析，也可以根据历史的数据进行预测，例如采用SPSS的时间序列分析方法，可以根据历史的销售数据来预测本季度的销售。当然，预测的数据只是作为一个参考的对象，没有一个模型能够提供完美的预测，我们能做的只是在预测的模型上进行不断的完善，使之能够更加接近真实数据。