2023 年感恩节后的那个周一，一个在 Inland Empire 做电商代发的朋友给我发了张工资单截图：12 万平方英尺的仓，黑五当周光临时工的加班费就花了将近 5 万美元。更扎心的是接下来那周——单量回落，30 多个临时工每天在拣选区等活，时薪照付，一天烧掉上万美元。雇多了烧钱，雇少了爆仓，这道题每年旺季都要重做一遍。
这几年我看下来，AI 在仓库里最实在的落地场景之一就是这件事：拿历史单量和促销日历预测人力需求，再反推排班。它不像拣选机器人那么酷，但回本快得多。不过很多人把它想简单了，以为买个预测模型，排班表就自动变合理。真不是这么回事。
先搞清楚：预测到底在算什么
有用的预测目标从来不是"明天多少单"，而是"明天每个小时、每个作业区需要多少人"。日单量 2 万的仓，早 6 点到 10 点可能是波峰，夜班可能只有白天的三分之一。只给一个日总数，排班经理还是不知道几点加人、几点撤人。
喂给模型的数据，我心里有个重要程度排序。排第一的是过去两到三年、按小时拆开的单量和件量——注意是按小时，不是按天。排第二的是促销日历：黑五、网一、Prime Day 这些大促的单量曲线，和平时完全是两个物种，必须单独建模。还有一类最容易被漏掉的，是外部变量：承运商截单时间调整、节后退货潮——1 月第一周的退货量经常是平时的两三倍，逆向区的人手得提前留出来。
粒度这件事我踩过坑。有个项目一开始按天预测，结果排班还是靠经验拍。后来拆到"小时 × 作业区"，拣选、复核、打包、出库分开算，预测才真正排得上用场。我的判断是：SKU 越杂、波次越碎的仓，粒度就要越细；单一品类大批量出货的仓，按班次预测就够了，别过度工程。
数据清洗这一步别省。系统宕机那天的单量、承运商出问题那周的数据，喂进去只会把模型带偏，我一般直接剔除，并在备注里写清原因。另外大促有前置和后置效应：大促前一周单量会被压住，客户等着降价；大促后一周有个小低谷。建模时把这两段单独处理，预测能准一截。
排班表不改，预测算得再准也白搭
预测做出来只是表格里的一条曲线，真正的仗在排班表上打。临时工不是随叫随到的，劳务公司通常要提前两到三天要人，旺季甚至更久。这意味着预测至少要提前一周给出下周每天的人力需求，留出招人和培训的时间。
排班调整真正管用的就三招。错峰排班：按预测曲线把班次拆开，波峰时段上双班，波谷只留骨干，别搞一刀切的三班倒。交叉培训：拣选的人提前学会打包，波峰来了内部调剂，比临时招人靠谱得多——临时工前几天的效率通常只有老员工的六七成，这笔账很多人没算过。再看加班和临时工怎么取舍：联邦法律规定超时按 1.5 倍付工资，加班费看着贵，但临时工有招募成本、培训成本和效率损失，单量缺口小的时候，让老员工加班反而更划算。
这里还有个组织层面的大坑：预测和排班常常是两套系统。预测在数据团队的表格里，排班在 WMS 或者考勤系统里，中间靠人工抄数——抄一次错一次，还慢。我的建议是先别追求全自动，至少做到预测结果每天自动推送到排班经理的手机上，把人工抄数这一步干掉，就已经解决了大半问题。
还有一笔隐性成本：临时工上岗前的培训。半天到一天的培训期，工资照付、产出为零，旺季招 100 个临时工，等于先烧掉几十个工作日的钱。所以预测越准、招的人越少，这笔前置成本省得越多，这也是 ROI 里经常被漏掉的一项。
省的钱是真的，踩过的坑也是真的
算笔账就知道值不值。我见过的一个 10 万平方英尺电商仓，旺季 8 周用预测排班后，临时工总工时降了约四成——不是人雇少了，是人来得更准了，闲置工时和加班一起下来了。按 1.5 倍算加班费，一个旺季省下的钱就覆盖了做这套东西的全部投入。对日单 5000 以上、季节性明显的仓，这笔账基本都算得过来。
但预测不准的代价也要说清楚。往少了估，人不够赶不上承运商截单，只能发加急件，一票加急的运费差价能吃掉好几天的利润；往多了估，人闲着没事干，士气掉得比钱还快。我的底线是：预测永远配人工复核，大促前三天排班经理必须签字确认，模型只能当参谋，不能当司令。另外排班要留安全余量，我一般按预测值上浮 5%～8% 安排人力，应付临时缺勤和设备小故障——这点余量成本，远低于爆仓一次的损失。
所以结论很直接：日单过 5000、有明显淡旺季的仓，值得做；小仓、单量平稳的仓，先把排班表手工做细，比上 AI 实在。当然也有不适合的场景：日单 2000 以下、单量常年平稳的仓，硬上 AI 属于大炮打蚊子，数据量还不够模型学出规律。动手也别贪大：先导出两年按小时的单量数据，叠上促销日历，用最简单的模型跑一个旺季试点，准了再谈系统对接。AI 在这件事上值不值，答案不在模型多先进，而在你愿不愿意真的让它改排班表。
明天就能动手的一件事：把过去两年黑五当周按小时的单量导出来，画条曲线贴在排班办公室墙上。我见过好几个仓做了这一步才发现，所谓的"经验排班"和真实曲线差了整整一个班次。
