一个值得先澄清的现象是,许多仓库在引入智能排布工具之后,拣选效率并没有出现预期中的跃升,管理者的第一反应往往是质疑模型能力,但当研究者回溯其决策过程时,通常会发现问题并不出现在推荐环节本身。AI 库位优化如果脱离了完整的出库流水、准确的库位坐标与可信的商品主数据,其输出在数学上可以自洽,在作业现场却很难执行,这一落差正是本文要讨论的起点。

2024 年华东一座约 2.8 万平方米的日用品仓提供了一个典型样本。该仓 SKU 约 1.4 万个,长期采用季度更新的静态 ABC 分类,A 类商品被集中放置在靠近打包台的黄金区域,逻辑上并无明显错误。然而在 2024 年 6 月的一次品类促销之后,部分原本属于 B 类的防晒与驱蚊商品在两周内跃升为高频商品,却仍然存放在通道深处。根据该仓复盘时引用的作业记录,拣选员单均行走距离在促销期不降反升,热区反而出现了另一类问题,即少数长期 A 类商品占据了最优库位,却贡献了越来越少的拣次。这种现象说明,静态分类解决的是过去一个季度的平均问题,而订单结构的变化速度已经超过了季度调整的响应速度。

AI 库位优化优化的不是位置,而是决策变量

从研究视角看,传统 ABC 方法的核心决策变量只有一个,即单个 SKU 的出库频次或出库量,排布规则因此可以被简化为频次越高、位置越好。而当讨论进入动态推荐阶段时,决策变量至少扩展为四个相互关联的维度,理解这一扩展是判断任何方案是否名副其实的前提。

第一个维度是订单关联性,即哪些商品经常出现在同一张订单中。如果两个高频商品彼此从不共单,把它们都塞进同一个热区只会制造拥堵;如果一组商品高度共单,将它们沿同一条拣选路径相邻布置,节约的就不只是距离,还有拣选员的停顿与折返。第二个维度是季节性与趋势性,系统需要区分一次性的脉冲销量与可持续的需求迁移,前者不应触发大规模移库,后者则应提前布局。第三个维度是预测信号,包括促销计划、大客户备货通知与基于历史周期的需求预测,其作用不是精确预言销量,而是为移库决策提供方向性的提前量。第四个维度是作业约束本身,包括库位尺寸与承重、商品体积与易碎属性、通道宽度与补货动线,这些约束决定了理论最优解中有多少能够真正落地。

下表将两种方法的差异做一结构化对比,需要说明的是,表中所列并非优劣的简单判断,而是适用条件的分界。

对比维度 静态 ABC 排布 动态推荐排布
核心输入 历史出库频次 频次、共单关系、季节与预测信号
更新节奏 月度或季度人工调整 按周或按事件触发推荐,人工确认后移库
主要收益点 高频单品距离缩短 路径整体缩短、热区拥堵缓解
主要风险 滞后于需求变化 移库成本被频繁触发、主数据误差被放大
适合前提 品类稳定、订单结构变化慢 流水完整、坐标准确、有人负责审核推荐

基于上述框架可以得到一个相对克制的判断:动态方法的价值不在于它比 ABC 更复杂,而在于当订单关联与季节波动成为效率的主要解释变量时,它提供了与问题结构相匹配的决策工具;如果一个仓库的订单以单品单件为主、品类全年稳定,那么增加关联与预测维度的边际收益通常有限,这也是部分试点效果不显著的归因之一。

数据前提决定 AI 库位优化的上限

第二个案例来自 2025 年华南一座为美妆品牌提供服务的 3PL 仓,该仓面积约 1.6 万平方米,日均出库约 6000-9000 单,在试点动态推荐之前,项目组首先用三个月时间做了两件看似与算法无关的工作,其一是重新测量并校准全部拣选位坐标,将通道、层高与行走序列编码为可计算的距离矩阵,其二是清洗商品主数据,重点核对体积、重量与可叠放属性。根据项目组在试点总结中披露的过程数据,主数据清洗阶段发现相当比例的 SKU 尺寸记录与实物存在明显偏差,部分商品甚至只有名称与条码而没有完整的三维信息,如果在这一状态下直接运行推荐,系统会把大体积商品推荐到小库位,或把重货推荐到高层货架,错误不会以报错的形式出现,而会以现场无法上架的形式被动暴露。

这一案例的归因意义在于,它揭示了智能排布项目中一个经常被低估的因果顺序:数据质量不是算法效果的辅助条件,而是上限条件。试点仓在完成清洗后才开始小范围推荐,首期仅覆盖两个通道、约 800 个 SKU,运行六周后,项目组报告试点区域的单均行走距离与单均拣选工时均出现了试点常见量级的改善,同时热区通道在高峰时段的拥堵等待有所下降;需要强调的是,这类改善幅度因仓而异,与品类结构、订单密度与原有排布的粗糙程度高度相关,不能被理解为对其他仓库的承诺,任何脱离自身基线谈改善比例的说法都缺乏研究上的严谨性。

因此,在评估任何方案之前,研究者建议先完成三项数据自检:第一,出库流水至少应覆盖一个完整的业务周期,包括促销与淡旺季转换,仅用最近两周数据训练出的推荐往往会把短期噪声误判为趋势;第二,库位坐标必须能够还原真实行走路径,而不是平面图上的直线距离,因为货架、单向通道与电梯位置都会使直线最优解在现场失效;第三,商品尺寸、重量与特殊属性的抽样准确率应被量化记录,如果管理者无法回答主数据的准确程度,那么对算法效果的任何预期都建立在未知之上。

如何验收:三个指标比一个总分更可信

在验收方法上,行业中常见的做法是只报告一个综合效率提升数字,这种做法的问题在于,它掩盖了收益的来源与代价的分布。一个更可信的验收框架应当同时观察三类指标,并且在试点前就锁定基线与统计口径,避免事后选择有利的时间窗口进行比较。

第一类是距离指标,即单均行走距离与单订单平均路径长度,它直接反映排布是否减少了无效移动,但必须与订单结构变化分开解读,如果试点期恰好小单比例上升,距离下降可能与排布无关。第二类是工时指标,即单均拣选工时与单位工时拣选行数,它比距离更接近人力成本,却也更容易受到人员熟练度与排班的影响,因此试点组与对照组的人员构成应尽量保持可比。第三类是拥堵指标,包括热区通道高峰期的等待、补货与拣选动线交叉的频次,这一指标经常被忽略,但它恰恰能检验系统是否只是把所有热品更密集地堆在一起,如果距离缩短的同时拥堵上升,总工时未必改善,甚至可能在旺季放大为系统性延迟。

与验收同样重要的是移库成本的核算。每一次按推荐移库都消耗人力、占用库位周转空间,并带来短期的定位混乱,因此合理的决策规则不是有推荐就执行,而是只有当预期节约的拣选成本在合理周期内能够覆盖移库成本时才执行,并且对低频商品设置更高的触发门槛。部分仓库试点后效果不佳,并非推荐方向错误,而是执行过于频繁,节约的行走被反复移库的投入抵消,这一 trade-off 在立项阶段就应当被写入评估模型,而不是在复盘时才被发现。

综合两个案例与上述框架,可以形成一个趋势判断:库位排布的竞争正在从经验规则转向数据驱动的持续校准,但这一转向的瓶颈并不在模型供给,而在仓库是否愿意先把流水、坐标与主数据治理成可计算的资产。对于多数仓库而言,当前阶段更值得投入的顺序是先补数据、再做小范围可对照的试点、最后才讨论是否扩大推荐的自动化程度。至于未来预测信号的权重应当提高到什么程度、动态调整的频率是否存在一个行业性的最优区间,这些问题仍然缺少跨仓、跨品类的长期对照数据,或许只有当更多仓库愿意完整公开自己的基线、试点范围与失败记录时,研究者才能给出比现在更有依据的回答。

作者:陈博士|供应链行业研究员