AI 排班进仓：单量预测准了，人效预测还在交学费

如果 AI 连你下周需要多少人手都算不准，你还敢让它来排班吗？

这个问题我问过不下十个仓库老板，答案出奇地一致：单量预测，AI 算得越来越准了；但"排多少人"这件事，AI 给出的数字，现场主管看一眼就摇头。这中间的 gap，就是 AI 排班今天真实的位置。

单量预测，为什么 AI 做得还不错？

因为单量是干净的数据。历史订单、季节性、促销日历、甚至天气，这些输入都是结构化的，WMS 里躺着好几年的记录。模型要学的规律相对单纯：去年"黑五"前两周单量翻了三倍，今年大概率也一样。

我去年看过一家 Indiana 的电商仓，用了单量预测工具后，旺季前备人的误差从原来的三四成缩小到一成多。老板的原话是："它比我凭感觉准，至少不会让我在 11 月才发现人不够。"

单量预测这件事，AI 基本已经交卷了。剩下的是工程问题，不是智能问题。

人效预测，为什么总差一截？

但从"下周有 8 万单"到"下周二早班要排 47 个人"，中间隔着一整片沼泽。

人效不是单量除以人数。同样 8 万单，全是小件和掺了一半大家具，拣选效率能差出一倍；新员工和老员工的效率差三成是常态；夜班的人效天然比白班低一截；刚换了拣选路径的那两周，全仓人效都在爬坡。这些变量，WMS 里要么没有，要么记得乱七八糟。

更麻烦的是，排班不只是数学，还是管理。AI 算出"周二早班 47 人最优"，但你的全职员工合同是固定班制，临时工提前 48 小时才能约到，叉车证就那么几个有证的人。最优解在现实里排不出来，等于没算。

所以今天 AI 排班的真实形态是：单量预测 AI 给，排班表人来定，AI 最多给个参考。凡是跟你说"一键排班"的厂商，你让他先解释一下你们家夜班人效为什么低——答不上来的，一键排出来的表你也不敢用。

人效建模，到底要沉淀什么数据

说"人效建模"容易，真要做，得先回答：数据从哪来？

最基础的三层：第一层是订单数据，WMS 里都有——单量、行数、件数、重量、货型；第二层是工时数据，谁在哪个区域干了几个小时，很多仓库靠班长手记，颗粒度太粗；第三层是动作数据，拣选路径、复核次数、异常处理时长，这层数据今天绝大多数仓库根本没有。

我的建议是别贪多：先把第二层做扎实。用工卡刷区域、RF 枪登录绑定人员，把"谁在哪个区干了多久"记准，三个月就能攒出一张像样的人效基线表。有了这张表，AI 预测才有地基；没有这张表，买什么软件都是空中楼阁。

先别买软件，三个动作先把地基打好

第一个动作：把历史三年的"单量-人数-加班"拉成一张表。很多老板惊讶地发现，单量和人数的相关性，肉眼就能看出规律——这张表就是你未来跟任何 AI 厂商谈判的底气：他说他的模型准，你拿这张表验。

第二个动作：给每个区域定一个人效基线。不用精确到小数点，"拣选区老员工每小时 120 行、新员工 80 行"这种颗粒度就够。基线是用来发现异常的，不是用来考核的——先别拿它扣钱，否则数据立刻失真。

第三个动作：把每年的大促复盘写下来。哪年哪天爆了、当时怎么加的人、哪里掉的链子，写成文字。这些"战争故事"进不了模型，但进得了你明年的排班会。AI 擅长算平均，擅长应对极端的是人——前提是人记得住。

这三个动作都不花钱，但能把仓库从"凭感觉排班"推进到"有数据排班"。等这一步走稳了，再谈 AI 排班，成功率高一倍都不止。

仓库拣选作业现场

已经吃到红利的仓库，长什么样

说了这么多"还没准备好"，那到底有没有已经跑起来的？我见过一家中西部 3PL 的配送中心，算是走得比较前的。他们的路径值得参考，不是因为技术多先进，是因为顺序做对了。

第一年，他们没买任何 AI 软件，就干了一件事：把"谁在哪个区干了多久"记准。全仓 200 多号人，工卡刷区域，数据进了他们自己的 BI。第二年，他们用这份数据做了单量预测和人力需求的对照表，排班会从"拍脑袋"变成"看表"。第三年，才引入外部的预测工具，而且只用来做单量预测，人效部分继续用自己的基线表。

三年下来，他们的旺季临时工招募量降了两成——不是人变少了，是招得准了，提前两周就知道缺口在哪。这就是数据资产的复利：越早开始记，越早吃到。

注意这个顺序：先有数据，再有对照，最后才是 AI。跳过前两步直接上 AI 的，我见一个翻车一个。不是技术不行，是地基没打。