AI排班这个话题,2023年秋天浙江嘉兴一家做日用品的第三方仓给出了一个现场样本:他们换了班表做法。过去主管凭经验排班,旺季一来就临时喊人,淡季又有人闲着。后来他们试了一套排班工具:把过去两年的出库单量、到货节奏和各班组人数输进去,让系统按预测单量反推每天需要多少人。第一个月,主管最直观的感受不是省了多少钱,而是夜班不再出现“到了下半夜才发现少两个人”的局面。AI排班在这里先解决的,是一个很具体的问题:班表和单量之间有没有一张能对得上的表。
这个现象并不孤立。过去几年,劳动力成本上升、招工变难,让很多中小仓库开始认真对待排班这件事。以前排班是主管的经验活,现在它越来越像一道算术题:单量有波峰波谷,到货有早晚,员工有技能差异、有请假、有工时上限。经验能应付稳定的节奏,应付不了波动。系统被引进来的起点,往往不是“要上AI”,而是主管发现,自己手里的表格已经算不过来了。
从公开的行业报告和厂商案例来看,排班工具的价值集中在三处。第一是预测:用历史单量、季节因素和促销日历,估出未来几周每天大致的工作量,再换算成人力需求。第二是约束:把技能、证照、工时上限、连续夜班天数这些硬条件写进规则,避免排出一张纸面上好看、执行起来违规的班表。第三是调整:单量预测变了,班表可以跟着重算,而不是等主管一个一个电话改。需要提醒的是,公开案例里常见的效率数字大多来自厂商口径,口径、基线和仓型各不相同,直接拿来当自家收益预期并不稳妥,具体的投入产出还是要以自家实测为准。
AI排班到底算什么
排班系统算的其实是两件事的匹配:未来工作量和可用人力。工作量一侧,输入的是订单、波次、到货和退货这些可量化的量;人力一侧,输入的是人数、技能、班次偏好和法定约束。系统在中间找一个冲突最少的组合。这个逻辑本身并不神秘,电子表格加熟练的主管也能做近似的事。系统的优势在于规模和速度:当班组超过两三个、技能交叉超过几种、预测周期拉长到一个月,人工组合的试错成本会急剧上升,系统可以在几分钟里给出多个方案供人比较。
但这里有一个容易被忽略的前提:系统算得准,建立在输入数据干净的基础上。很多仓的工时记录散落在考勤、班组群和纸质单据里,技能档案只有主管脑子里有数,历史单量也没有按作业环节拆开。数据是这个状态,系统输出的班表看起来再整齐,底子也是松的。一家仓在上线前花了两个月做的事,不是买软件,而是先把“谁会开叉车、谁能复核高值货、谁只能做轻拣”这些信息落成一张全员可查的表。这一步没有捷径,也最能决定上线后是省心还是添乱。
买系统之前,先看数据够不够
决定要不要上系统之前,可以先对照下面这张表给自己打分。三个维度里只要有一个是“弱”,上线顺序就应该先补数据,而不是先谈采购。
| 检查项 | 强 | 中 | 弱 |
|---|---|---|---|
| 历史单量 | 按环节拆分,至少覆盖完整旺季淡季 | 只有整仓总量,环节拆不开 | 单量靠主管回忆,系统里没有 |
| 人员技能档案 | 技能、证照、熟练度全员有记录 | 只有班组长掌握,表格不全 | 全凭主管脑子记 |
| 约束规则 | 工时、夜班、证照都已成文 | 部分成文,部分是惯例 | 没有成文规则,临时说了算 |
2024年春天,广东佛山一家约百人规模的电商仓提供了反面例子。他们上线很快,数据却没准备好:拣选和复核的工时混在一起算,两个班组的技能档案还是三年前的版本。系统排出的班表在纸面上人数刚好,执行第一周就连续出现复核岗缺人、拣选岗富余的错位。主管只得回到手工调整,系统只剩下一个查看界面。这个案例说明的不是系统不行,而是上线顺序错了:数据准备度决定了系统是助手还是摆设。
更值得讨论的是系统算不准的那部分。临时请假、员工突然离职、到货卡车晚到三小时、客户临时加急单,这些事在模型里都是扰动项,在现场却是每天的常态。模型可以给出一个“最优”的基准班表,但现场永远需要一个人来判断:今天这个缺口,是调休顶上、跨班组借人,还是接受延迟。把基准班表当成最终答案的仓,往往在第一次大波动时就对系统失去信任。更合理的定位是:系统负责算出基准和备选,人负责处理例外。基准越稳,主管处理例外时手里越有余地。
还有一个反常识的判断:排班越“精确”,有时候现场越脆弱。一张把每个人的工时都排满、每个班组都没有冗余的班表,在预测准确时看起来效率最高,一旦有人请假就全线告急。真正耐用的班表会主动留出少量弹性,比如关键岗位留一个可调度的替补,或者把部分弹性工时放在波峰时段。这在纸面上不是最优解,在现场却是最少出事的解。评价排班工具的时候,与其问它算得有多精确,不如问它在预测偏差两成时还能不能给出可执行的方案。
趋势上看,排班工具正在从“排一张表”走向“管一个池子”:人力池、技能池、弹性用工池被放在一起调度,系统给出的也不再是唯一答案,而是一组带成本和风险标注的方案。这个方向对中小仓库是友好的,因为它降低了“一次买错”的风险:可以先从一个班组、一个环节试点,跑通数据和流程,再扩大范围。试点阶段要看的指标也不复杂:班表调整次数有没有减少、临时喊人有没有变少、关键岗位缺员有没有被提前发现。这三项有改善,再谈扩大;没有改善,先回头看数据和规则,而不是换一家厂商重来。
如果把这件事拉长看,排班系统的真正价值不在于替代主管,而在于把主管从重复算表里解放出来,去处理系统处理不了的部分:跟员工谈班次意愿、判断一个新人能不能独立上岗、在旺季前提前谈好弹性人力。这些事没有模型能代劳,却恰恰是班表最终能不能执行的关键。系统算得越好,人的判断就越应该被放在更重要的位置,而不是更次要的位置。这或许是讨论排班技术时最容易颠倒的一层关系。
作者:陈博士|供应链行业研究员







