仓储与配送优化：布局、储位、拣选路径与配送线路的完整算法

一个仓库里，拣货员每天走的路加起来常常超过十公里，其中一半以上是"没必要的路"。这篇把仓储与配送拆成四层——布局、储位、拣选路径、配送线路——每层都给出可手算的模型和算例，让你拿到一个仓库就能自己算一遍。

一、为什么仓储配送是 IE 的主战场

很多工业工程专业的学生对"IE"的第一印象是产线、工时、节拍、线平衡。这些当然没错，但如果把视野放到整个供应链，会发现仓储与配送是 IE 方法论密度最高、改善空间最大的领域之一。

原因有三点：

第一，仓储是纯粹的"流程 + 空间 + 人"的系统。 它不像工艺工程师那样受制于材料与化学原理，也不像设备工程师那样受制于机械结构。仓库里的变量——货怎么放、人怎么走、单怎么合、车怎么装——几乎全部是 IE 可以直接建模和优化的。

第二，成本结构里"人的移动"占比极高。 在典型的拆零拣选仓库中，拣货作业成本通常占仓库总运营成本的 40%~60%（具体比例因行业、自动化程度而异，仅作参考区间），而拣货时间里行走时间又占 50% 左右。这意味着：如果把行走距离砍掉 30%，整体拣货成本能降 15% 上下。这种"改一改就有效果"的特性，是 IE 最喜欢的环境。

第三，数据天然可得。 WMS（仓储管理系统）里有订单、行、件、时间戳、库位、作业员 ID。相比很多制造企业连准确的工时都没有，仓库的数据基础通常好得多，这让建模和验证变得可行。

1.1 仓储配送的四层优化框架

一次完整的仓储改善，应该自上而下分四层推进，越上层影响越大、改动成本越高：

改善的顺序建议：先做 L4（见效快、成本低、阻力小），再回头推动 L3，最后论证 L2 和 L1。 一上来就说"我们要重新规划仓网"，大概率推不动；但如果你先用两个月的拣选路径优化把人效提升了 18%，再去申请储位重排的预算，说服力完全不同。

1.2 本文的算例背景

为了让所有公式都能落到具体数字上，本文统一使用下面这个"示例仓库"：

• 仓库形态：拆零拣选为主的配送中心（DC），托盘存储区 + 隔板/流利架拣选区
• 拣选巷道：8 条，编号 A1~A8，单条巷道长 L = 40 m
• 巷道中心距：w = 4 m（货架深度 + 巷道宽度）
• 通道条件：前端与后端各有横向主通道，拣货员可从任一端进入巷道
• 集货/交单点（P&D）：位于 A1 巷道口
• 行走速度：1.2 m/s（约 4.3 km/h，人推拣货车状态）

后面所有算例都基于这套参数。

二、仓库作业流程与时间构成

在优化之前，必须先把"一次拣选"拆开，看时间花在哪里。这是 IE 的看家本领——工作分解。

2.1 拆零拣选的标准作业分解

一次完整的订单履行，流程通常如下：

到货预约 → 卸货 → 验收（数量/质量）→ 贴码 → 上架
                                        ↓
                                     存储（补货）
                                        ↓
                        拣选：取单 → 行走 → 定位 → 取货 → 确认 → 放置
                                        ↓
                              复核 → 包装 → 称重/贴面单 → 分拣 → 装车发运

对拣选环节做动作级分解，一次"取一行货"的时间构成通常是：

这里给一条最实用的经验：诊断仓库时，先站在 P&D 点看 30 分钟，把拣货员的轨迹画出来。 你会立刻看到交叉、折返、绕行——这些肉眼可见的东西，比任何报表都直观。

用精益的七大浪费逐一对照仓库现场，最快的三个抓手通常是：搬运（长距离行走、动线交叉、二次倒手）、动作（弯腰、找货、反复核对）、等待（等补货、等波次、等设备）。其余四项（库存、过量生产、不良、加工过剩）在仓库里同样存在，但改善周期更长。

三、EIQ 分析：用三个字母把仓库"画像"

在谈储位和路径之前，必须先了解这个仓库的订单长什么样。行业里最经典的工具是 EIQ 分析（由日本物流学者铃木震提出，在国内配送中心规划中广泛使用）。

3.1 EIQ 的四个字母

组合出四个分析维度：

核心洞察：IQ 和 IK 必须交叉看。 量大但次数少的品项，和量小但次数多的品项，应该放在完全不同的地方、用完全不同的作业方式。

3.2 EIQ 算例

某配送中心一周（6 个工作日）的出货数据，取 5 个代表性 SKU：

第一步：按 IQ 排序做 ABC 分类（量维）

总 IQ = 440 + 180 + 600 + 150 + 90 = 1460 件

按经典的 70% / 20% / 10% 分档：A 类 = P3、P1（71.2%）；B 类 = P2、P4；C 类 = P5。

第二步：按 IK 排序做 ABC 分类（频次维）

总 IK = 22 + 18 + 6 + 30 + 4 = 80 次

第三步：交叉分析，给出差异化策略

这一步的价值在哪？ 如果只按 IQ 分类，P3（600 件，最多）会被放进黄金区——但它一周只出 6 次，每次整批走，占据黄金区是巨大浪费。同理，P4 只占 6.2% 的出货量，但承担了 37.5% 的拣选次数，它才是真正该占据最好位置的品项。

一句话记住：IQ 决定"用什么设备存"，IK 决定"放在哪里"。

3.3 EN 分布决定拣选方式

EN（每订单行数）的分布形态，直接决定用摘果还是播种：

四、仓库布局与动线

4.1 四种基本动线形态

最常用的是 U 型，尤其在城市配送中心：因为收发货月台共用，一个月台数量可以服务双向流量，土建与设备投资更省。

4.2 功能区面积估算（快速匡算）

规划阶段可用"单位需求 × 系数"快速估算各功能区面积（系数为经验参考值，实际设计必须结合消防规范、货架图纸与设备转弯半径校核，以现行国家标准与当地审批要求为准）：

4.3 布局诊断的 8 个问题

拿着平面图，逐条问：

1. 收货到上架的动线，与拣选到发货的动线，有几个交叉点？
2. 从收货月台到最近的存储位多远？有没有"落地两次"的货？
3. 拣选区到包装区，是否需要穿越存储区？
4. 空容器/空托盘的回流路径，是否与正向物流冲突？
5. 包装区在峰值时会不会"堵住"拣选区出口？
6. 高周转 SKU 的储位，离 P&D 点的平均与最远距离分别是多少？
7. 消防通道是否被临时占用？（安全红线）
8. 员工的实际行走路线与图纸上的"设计动线"是否一致？（几乎一定不一致）

五、储位优化：把高频品放到最省腿的地方

5.1 四种储位策略

实践中的主流是"ABC 分类存储 + 档内随机"：A 类放黄金区，B 类放次优区，C 类放远端/高位；同档内由 WMS 分配空位。

5.2 COI 指数：一个公式决定储位

COI（Cube-per-Order Index，体积订单指数） 是最经典的储位指派指标：

$$\text{COI}_i = \frac{\text{品项 } i \text{ 所需的存储空间（体积或托盘位）}}{\text{品项 } i \text{ 的出货频次（订单行数或拣取次数）}}$$

规则：COI 值越小，越应该放在靠近出入口的位置。

背后的逻辑很直观：占用空间大但出货次数少的货，不应该占据黄金区（空间成本收益低）；占用空间小但天天被拣的货，就该放在最省腿的地方。

算例：

计算：甲 = 1.20 / 50 = 0.024；乙 = 0.30 / 10 = 0.030；丙 = 2.40 / 30 = 0.080；丁 = 0.80 / 6 = 0.133；戊 = 3.60 / 12 = 0.300。

注意：丙的拣取次数（30）比乙（10）高得多，但丙占 2.4 m³ 而乙只占 0.3 m³，所以乙的 COI 更小、更该靠近。这就是单纯看"频次"会犯的错误——储位指派必须同时考虑空间占用和周转，COI 正是把两者合成一个可排序的数。

5.3 黄金区的定义

在人工拣选仓库里，"黄金区"有明确的 ergonomics 边界：

高度区间为人因工程的常用参考值，具体以作业人员身高分布与货架规格调整。重物必须放底层，这是安全底线，不因周转率妥协。 相关的人体尺寸依据可参考人因工程相关资料，实际设计以现行标准为准。

5.4 关联度存储：购物篮分析进仓库

如果订单数据显示 P1 和 P7 有 60% 的订单同时出现，那么把它们放在相邻货位，可以省掉一次长距离移动。

支持度 / 置信度两个指标：

$$\text{支持度}(X \Rightarrow Y) = \frac{\text{同时包含 X 和 Y 的订单数}}{\text{总订单数}}$$

$$\text{置信度}(X \Rightarrow Y) = \frac{\text{同时包含 X 和 Y 的订单数}}{\text{包含 X 的订单数}}$$

算例： 1000 张订单中，含 P1 的有 200 张，含 P7 的有 150 张，同时含 P1 和 P7 的有 120 张。

• 支持度 = 120 / 1000 = 12%
• 置信度（P1 ⇒ P7）= 120 / 200 = 60%
• 提升度 Lift = 置信度 / P(P7) = 0.60 / (150/1000) = 0.60 / 0.15 = 4.0

Lift = 4.0 表示"买了 P1 的订单买 P7 的概率是随机的 4 倍"，这是很强的关联，值得把 P1 和 P7 相邻存放。

一般经验：支持度 > 5% 且 Lift > 2，才值得为它调整储位；否则改动带来的混乱大于收益。

六、拣选方式：摘果、播种、分区、波次

6.1 四种方式的定义

6.2 摘果 vs 播种：一个可手算的权衡模型

设：

• $n$ = 订单数
• $m$ = 每单平均行数
• $D$ = 一趟完整遍历的行走距离（覆盖所有被拣品项）
• $v$ = 行走速度
• $t_p$ = 每行的拣取时间（定位 + 取货 + 确认）
• $t_s$ = 播种时每行的分货时间
• $b$ = 播种批量（一次合并几张单）

摘果式总时间：

$$T_{\text{摘果}} = \frac{n \cdot D}{v} + n \cdot m \cdot t_p$$

播种式总时间：

$$T_{\text{播种}} = \frac{(n/b) \cdot D}{v} + n \cdot m \cdot t_p + n \cdot m \cdot t_s - \frac{n \cdot m \cdot t_p}{b}$$

最后一项的含义：合并拣选时，同一品项在同一趟里被多个订单共享，拣取动作只需做一次（近似为总量减少），这里按批量折减简化处理。

算例：

参数：n = 60 单，m = 12 行/单（总行数 720），D = 200 m，v = 1.2 m/s，t_p = 10 s/行，t_s = 3 s/行，播种批量 b = 4。

方案 A：摘果式

• 行走 = 60 × 200 / 1.2 = 10,000 s
• 拣取 = 720 × 10 = 7,200 s
• 合计 = 17,200 s ≈ 4.78 h

方案 B：播种式（b = 4）

• 行走 = (60/4) × 200 / 1.2 = 15 × 166.7 = 2,500 s
• 拣取 = 720 × 10 − 720 × 10 / 4 = 7,200 − 1,800 = 5,400 s
• 分货 = 720 × 3 = 2,160 s
• 合计 = 10,060 s ≈ 2.79 h

节约 = (17,200 − 10,060) / 17,200 = 41.5%

即便把分货时间估计得更保守（比如 t_s = 6 s/行），总时间 = 2,500 + 5,400 + 4,320 = 12,220 s ≈ 3.39 h，仍节约 29%。

结论：在"订单数多、每单行数少、品项集中度高"的场景下，播种式的优势非常明显。 反过来，如果每单 30 行且订单只有 10 单，摘果式更合适——因为订单之间可共享的品项少，合并的收益抵不上分货成本。

6.3 播种批量与分区拣选的两个坑

批量 b 不是越大越好。 b 增大能减少行走趟数，但会带来三个副作用：单趟装载量超过容器容量、分货区成为新瓶颈、订单被"憋"在波次里使履行周期变长。实务做法是先用硬约束定上限，再在 2~8 之间现场试跑，用实测人效（行/人时）选最优。

$$\text{批量上限} \approx \min\left(\frac{\text{容器可用容积}}{\text{单订单平均体积}},\ \text{分货格位数}\right)$$

分区拣选能大幅压缩单人行走范围，但有两个坑：一是工作量不均衡（某区品项热度高，这个人累死别区闲着），解决方法是按历史数据做工作量均衡的分区而非等面积分区，并设置浮动支援；二是合单交接成本（区之间流转带来等待、错漏），解决方法是传送带/周转箱流转 + 合单区条码校验。判定经验：单边长度超过 60~80 m、拣选区 SKU 数超过 3000 才值得认真考虑分区，小仓分区往往得不偿失。

七、拣选路径策略：四种走法的手算对比

这是本文最"硬核"也最实用的一节。同样一批货，走法不同，距离能差 30% 以上。

沿用示例仓库参数：8 条巷道（A1~A8），巷道长 L = 40 m，巷道中心距 w = 4 m，前后端均有横向通道，P&D 点在 A1 口。

本算例的订单需要拣取的品项位置：

即：需进入 4 条巷道（k = 4），最远巷道编号 n_max = 7，共 5 个拣取点。

7.1 策略一：穿越策略（S-shape / Traversal）

规则：进入有拣取任务的巷道后，走完整条巷道，从另一端出来，走横向通道到下一个巷道，蛇形前进。

公式：

$$D_S = k \cdot L + 2 \cdot (n_{\max} - 1) \cdot w$$

其中 $k$ 为进入的巷道数，$n_{\max}$ 为进入的最大巷道编号。

推导：巷道内纵向行走 = k × L（每条走满 40 m）；横向行走分两段——去程在第 k 条之前累计走 (n_max − 1) × w，回程同样 (n_max − 1) × w。

计算：

$$D_S = 4 \times 40 + 2 \times (7-1) \times 4 = 160 + 48 = \mathbf{208\ \text{m}}$$

逐步验证：

7.2 策略二：回返策略（Return）

规则：从前端进入巷道，走到最深的拣取点后原路返回，绝不去后端。

公式：

$$D_R = 2 \cdot \sum_{i \in \text{进入巷道}} d_i^{\max} + 2 \cdot (n_{\max} - 1) \cdot w$$

其中 $d_i^{\max}$ 为该巷道内最深的拣取点深度。

计算：

• A1：最深 8 → 2 × 8 = 16
• A3：最深 32 → 2 × 32 = 64
• A4：最深 30（15 和 30 两个点） → 2 × 30 = 60
• A7：最深 26 → 2 × 26 = 52
• 小计 = 16 + 64 + 60 + 52 = 192
• 横向 = 2 × (7 − 1) × 4 = 48

$$D_R = 192 + 48 = \mathbf{240\ \text{m}}$$

7.3 策略三：中点策略（Midpoint）

规则：只在巷道的前半段（< L/2）和后半段（> L/2）分别进入，绝不越过中点 L/2 = 20 m。

公式（按巷道分情况）：

$$ D_M^{(i)} = \begin{cases} 2 \cdot d_f & \text{仅前半段有点（}d_f\text{ 为最深的点）} \ 2 \cdot (L - d_b) & \text{仅后半段有点（}d_b\text{ 为最浅的点）} \ 2 \cdot d_f + 2 \cdot (L - d_b) & \text{前后都有（两端各进一次，不越过中点）} \end{cases} $$

横向部分与穿越策略相同：$2 \cdot (n_{\max} - 1) \cdot w$

计算：

• A1：仅 8（前半） → 2 × 8 = 16
• A3：仅 32（后半） → 2 × (40 − 32) = 16
• A4：15（前）与 30（后） → 2 × 15 + 2 × (40 − 30) = 30 + 20 = 50
• A7：仅 26（后半） → 2 × (40 − 26) = 28
• 小计 = 16 + 16 + 50 + 28 = 110
• 横向 = 48

$$D_M = 110 + 48 = \mathbf{158\ \text{m}}$$

7.4 策略四：最大间隙策略（Largest Gap）

规则：找出巷道内最大的一段"没有拣取点"的空隙，这段路不走——从离它较远的那一端进入，走完有货的两段后原路返回。

公式：

$$D_G = 2 \cdot (L - g)$$

其中 $g$ 为该巷道内最大的间隙长度，间隙包括：前端到第一个点、相邻两点之间、最后一个点到后端。

计算：

A1（点：8）：间隙 = {8, 40 − 8 = 32}，g = 32（后段空隙最大） → 从前端进，2 × (40 − 32) = 16

A3（点：32）：间隙 = {32, 8}，g = 32（前段空隙最大） → 从后端进，2 × (40 − 32) = 16

A4（点：15、30）：间隙 = {15, 30 − 15 = 15, 40 − 30 = 10}，g = 15 → 2 × (40 − 15) = 50

A7（点：26）：间隙 = {26, 14}，g = 26（前段） → 从后端进，2 × (40 − 26) = 28

• 小计 = 16 + 16 + 50 + 28 = 110
• 横向 = 2 × (7 − 1) × 4 = 48

$$D_G = 110 + 48 = \mathbf{158\ \text{m}}$$

7.5 四种策略对比与选用规则

本算例中点策略与最大间隙策略结果相同，这是因为每条巷道的拣取点很少（1~2 个）。当单巷道拣取点 ≥ 3 时，最大间隙策略会明显优于中点策略。

穿越 vs 回返的分界点：

令 $D_R < D_S$：

$$2 \sum d_i^{\max} < k \cdot L \quad \Longleftrightarrow \quad \bar{d}^{\max} < \frac{L}{2}$$

即：当进入巷道的平均最深拣取点小于巷道长度的一半（本例 20 m）时，回返优于穿越；反之穿越更优。

用本例验证：平均最深 = (8 + 32 + 30 + 26) / 4 = 96 / 4 = 24 m > 20 m → 穿越（208）优于回返（240）✓ 与计算一致。

给你的仓库一条立即可用的规则：

1. 先统计每条巷道的平均拣取点数和平均最深拣取点深度。
2. 若平均点数 ≥ 3 → 用穿越策略（简单且接近最优）。
3. 若平均点数 < 3 且平均深度 < L/2 → 用回返策略。
4. 若有 WMS 支持 → 直接上最大间隙策略，别纠结。

7.6 顺带一提：巷道长度本身就是个变量

路径优化能省 20%~30%，但改变仓库的物理参数能省更多。总行走距离的粗略模型（穿越策略、k 条巷道全部需进入）为：

$$D \approx k \cdot L + 2 \cdot (k-1) \cdot w$$

在仓库总面积固定的前提下，巷道数 n 增大 → 单条巷道长 L 减小 → 纵向行走下降，但横向移动不变。实务经验是人工拣选区的巷道长度控制在 20~40 m 较为经济；超过 60 m 时，增设一条中间横向通道把长巷道切成两段，能让折返类策略更早回头，收益往往超过任何路径算法。

八、拣选产能与人力测算

8.1 单行拣选时间的构成模型

$$t_{\text{行}} = t_{\text{定位}} + t_{\text{取放}} + t_{\text{确认}} + \frac{D_{\text{行}}}{v}$$

其中 $D_{\text{行}}$ 为分摊到每行的行走距离，$v$ 为行走速度。

常见参考值（人工拆零拣选，仅供参考，务必自测）：

8.2 人力测算算例

已知：

• 日均订单 3,000 单，平均每单 6 行 → 日均拣选行数 18,000 行
• 采用播种策略，实测平均每行行走距离 3.2 m
• v = 1.2 m/s
• $t_{\text{定位}}$ = 5 s，$t_{\text{取放}}$ = 6 s，$t_{\text{确认}}$ = 4 s
• 每班有效作业时间 7 h（8 h 扣除休息、开班、收班）
• 宽放率 15%（个人 + 疲劳 + 延误）

计算单行标准时间：

• 行走 = 3.2 / 1.2 = 2.67 s
• 单行基本时间 = 5 + 6 + 4 + 2.67 = 17.67 s
• 单行标准时间 = 17.67 × (1 + 0.15) = 20.32 s

日需求工时：

• 拣选作业工时 = 18,000 × 20.32 / 3600 = 101.6 h

需求人数（仅拣选）：

• 101.6 / 7 = 14.5 人 → 配 15 人

再加上分货：若播种分货耗时 3 s/行，日分货工时 = 18,000 × 3 / 3600 = 15 h，按 7 h/班需约 2.2 人 → 配 3 人（含宽放）。

合计拣选 + 分货约 18 人（不含收货、上架、复核、包装、管理）。

这是一次简化测算。真实排班还要考虑：峰值日系数（大促可能是日均的 3~5 倍）、出勤率、技能差异、加班政策。建议用"日均 × 峰值系数"和"峰值日直算"两个数分别测算，取较大者。

8.3 仓储 KPI 清单

以上指标的参考达标值因行业差异极大（快消、医药、电商、汽配各不相同），不建议直接套用网络上的"标准值"，正确做法是建立自己的基线，然后跟自己比。

九、配送优化：从一辆车到一张网络

9.1 网络层级与三种配送模式

网络层级越多 → 时效越好、干线成本越低，但库存总量、仓储固定成本与管理复杂度都上升。 这是经典的权衡，没有标准答案，只能按品类特性和客户时效承诺来定。

三种基本配送模式：

越库是仓储与配送结合的最优解之一——它把"存储"这个成本中心直接跳过。但它对需求预测准确度和到货准时率要求极高，上游一旦延误，整条链立刻断。适合生鲜、快消、电商大促备货、门店补货。

9.3 车辆路径问题（VRP）与节约里程法

VRP（Vehicle Routing Problem） 的标准描述：有 1 个配送中心（Depot）、n 个客户、m 辆车，每辆车有容量约束，求一组路线使总里程（或总成本）最小，且每个客户被服务一次。

常见变体：

精确算法（分支定界、列生成） 只能解到几十个点的规模；实际业务规模动辄几百个点，因此启发式算法是主流。最经典、最适合手算的是 Clarke-Wright 节约里程法（Saving Algorithm）。

9.4 节约里程法完整算例

问题：配送中心 D（节点 0）向 4 个客户 A、B、C、D₁（为避免与 Depot 混淆，客户记作 A、B、C、E）送货。

距离矩阵（km，对称）：

需求量：A = 4 t，B = 3 t，C = 2 t，E = 5 t 车辆容量：8 t

第一步：初始解（每客户单独一车往返）

总里程 = 2 × (10 + 12 + 8 + 15) = 2 × 45 = 90 km 使用车辆 = 4 台，各装载 4/3/2/5 t，均未超载。

第二步：计算节约值

$$s_{ij} = d_{0i} + d_{0j} - d_{ij}$$

含义：把 i 和 j 合并到同一趟车，相比各自往返，能省下的里程。

第三步：按节约值降序排序

B–E (19) > A–B (16) > C–E (11) > B–C (10) > A–C (5) = A–E (5)

第四步：依序合并（合并规则见下）

合并规则：只有当 i 和 j 都位于各自路线的一端点（即与 Depot 相邻）时，才能合并；且合并后总载重 ≤ 车辆容量。

第五步：最终方案

效果：

• 里程：90 → 66 km，节约 24 km，降幅 26.7%
• 车辆：4 台 → 2 台，减少 50%

几点说明：

1. 节约里程法得到的是可行解而非最优解。本例若尝试其他合并顺序，可能得到更好的解，但 CW 法的价值在于：规则简单、可手算、能在几分钟内给出一个远优于"一单一车"的方案。
2. 第 2~4 步全部因容量被拒，这说明车辆容量 8 t 是这个案例的关键约束。如果容量提到 12 t，可以合并出 0–A–B–E–0（载重 12 t，里程 10+6+8+15 = 39 km）+ 0–C–0（16 km）= 55 km，进一步降到 55 km。容量约束往往是配送优化中第一个该被挑战的假设——比如改用更大车型、或改用"一趟多卸点"的装卸方式。
3. 真实场景还要叠加：时间窗、司机工时、车型限制、装卸月台数量、单向道路、客户收货时段。这些约束一加，手算就不现实了，需要上求解器或路径优化软件。但手算的价值在于让你有能力判断软件给的结果是否合理——这一点至关重要。

9.5 装载率：里程之外的另一半

很多配送优化只盯里程，忽略了装载率。一趟车跑 60 km 只装了半个车厢，和跑 60 km 装满，成本差一倍。

$$\text{体积装载率} = \frac{\text{货物总体积}}{\text{车厢可用容积}} \times 100%$$

$$\text{重量装载率} = \frac{\text{货物总重量}}{\text{车辆额定载重}} \times 100%$$

两个都要算，取先达到 100% 的那个作为约束方。 轻抛货（如纸品、服装）通常是体积约束；重货（如饮料、五金）通常是重量约束。

配载的基本原则：重不压轻、大不压小；后送先装、先送后装（避免卸货时翻箱倒柜）；同客户的货集中放置；重心居中偏低；易碎品单独固定；人工搬运的单件重量应参照人因与职业安全要求，以现行标准为准。

一个关键判断：如果某条线路的体积装载率长期低于 60%，优先做的不是优化路径，而是拉长攒单间隔（提高发车批量）或改用小车。

十、改善落地：一份可以马上用的诊断清单

10.1 数据采集清单（改善前必须先拿到）

如果这些数据拿不到，第一件事不是做改善，是先把数据打通。 没有数据的改善建议，本质上只是意见。

10.2 仓库诊断 20 条检查清单

布局与动线

1. 收发货动线有几个交叉点？
2. 从收货月台到最近存储位是否超过 30 m？
3. 拣选区到包装区是否需穿越存储区或收货区？
4. 空箱/空托盘回流路径是否与正向物流冲突？
5. 消防通道是否被占用？（安全红线）
6. 拣货员实际行走路线与规划动线一致吗？

储位 7. 是否做了 ABC 分类？多久更新一次？ 8. 是否按 COI 排序储位？ 9. A 类高频品是否都在黄金高度（约 0.6~1.5 m）？ 10. 重物是否全部在底层？（安全红线） 11. 关联品项是否相邻存放？ 12. 是否存在未系统管理的"一 SKU 多库位"散放？ 13. 滞销品占用储位的比例是多少？

拣选作业 14. 拣选策略（摘果/播种/分区）是基于 EN/IQ 数据选定，还是沿用历史做法？ 15. 播种批量是否经过试跑验证？分货区是否已成瓶颈？ 16. 拣选路径策略是否明确？员工是否清楚规则？ 17. 是否统计了人均日行走距离？有没有基线？ 18. "搜索定位"在拣取动作中占比是否超过 20%？（说明标识或库位管理有问题） 19. 拣错率是多少？错在哪个环节最多？

配送 20. 体积装载率、重量装载率、空驶里程占比各是多少？路径合并是系统还是人工排线？

10.3 改善优先级与 8 周节奏

按"收益 / 难度"两维排序，优先级一目了然：

给新人的建议：第一份仓储改善，选一个"难度低 + 收益高"的点，比如把穿越策略改成中点/最大间隙策略，或把 Top 50 高频 SKU 移到黄金区。这类项目一两周出结果、零投资，能最快建立你在现场的话语权。

典型的 8 周节奏：

最重要的一条：第 4 周的试点不能省。 再漂亮的方案到现场都会遇到没料到的情况。小范围试跑两天，胜过会议室里争论两周。

小结

• 四层框架：网络层 → 布局层 → 储位层 → 作业层。先做作业层（见效快、零投资），再推储位层，最后论证布局与网络。
• EIQ 是起点：IQ 决定"用什么设备存"，IK 决定"放在哪里"。量大但次少的品项不该占黄金区，量小但次多的品项才是黄金区的主人。
• COI = 存储空间 ÷ 出货频次，值越小越靠近出入口。它把空间占用与周转率合成一个可排序的数，避免"只按频次排储位"的经典错误。
• 四种拣选路径（本算例 4 巷道 / 5 拣取点）：最大间隙 158 m = 中点 158 m < 穿越 208 m < 回返 240 m。启发式规则：平均拣取点 ≥ 3 个/巷道 → 穿越；平均最深点 < L/2 → 回返；有系统支持 → 直接上最大间隙。
• 摘果 vs 播种：本算例（60 单 × 12 行、批量 4）播种节约 41.5%。订单数多、每单行数少、品项集中度高时播种优势明显。
• 节约里程法：$s_{ij} = d_{0i} + d_{0j} - d_{ij}$，降序合并，受容量与端点约束。本算例 90 → 66 km（−26.7%），车辆减半。容量约束往往是最该被挑战的第一个假设。
• 装载率与里程同等重要：两个都算，取先打满的为约束方。装载率长期低于 60% 时，先解决攒单或换车型。
• 没有数据就没有改善：第一件事是打通 WMS/TMS 数据；推行前一定要小范围试点。

配套阅读：《供应链与库存管理：EOQ、安全库存、ABC 分类的实操算法》《设施规划与车间布局：从 SLP 到单元式生产的完整方法》《运筹学在工业工程里的落地：线性规划、排队论与仿真》《精益生产与七大浪费：IE 最该先装进脑子的一套框架》《人因工程入门：工位设计、疲劳评估与常见职业病预防》。

相关阅读

• OEE 设备综合效率：定义、算法、达标线与常见误用：用完整算例讲清 OEE 三大因子与时间口径，拆解六大损失，给出世界级达标线与 MTBF/MT…
• 供应商质量管理（SQE）完整手册：从审核评分、抽样方案到绩效分级的实操算法：SQE 全流程实操手册：五个质量岗位分工对照（IQC/IPQC/SQE/CQE/DQE）、S…
• 标准工时怎么定？秒表测时 + 评比系数 + 宽放率的完整流程：从观测单元划分、观测次数确定、异常值剔除，到平准化评比与四类宽放，用完整算例讲透标准工时的全…
• MODAPTS 模特排时法入门：21 个动作与工时计算：产线还没建就能算出工时。本文系统讲解 MODAPTS 的 21 个基本动作、MOD 时间单位…
• 生产线平衡：从节拍、瓶颈到平衡率改善的完整方法：节拍怎么算、瓶颈怎么找、要素怎么重新分配。含一个从 80.5% 提升到 92.2% 的完整改…