AI 时代仓库最值钱的是数据：给你的 WMS 做一次数据资产盘点

说白了，AI 时代仓库里最值钱的东西，不是那几台 AMR，也不是高得吓人的立库，是你 WMS 里躺了十年的数据——这才是你真正的数据资产。

很多老板问我：老米，我们要不要上 AI？我一般先问一句：你 WMS 里的收货时间戳，准吗？十有八九，对方就沉默了。

这事分两面。一面是，AI 确实能干活：需求预测、波次优化、劳动力排班、异常预警，仓库里到处都是场景。另一面是，这些场景全是拿数据喂出来的。你喂进去的是垃圾，吐出来的就是更贵的垃圾。数据不是越多越好，脏数据比没数据更贵——没数据你至少知道自己是瞎的，脏数据会让你自信地走错路。

我见过太多这样的翻车。印象最深的是 2023 年，加州一家 3PL，仓库不小，客户都是电商。他们花了不少钱上了一套 AI 劳动力预测系统：根据历史单量自动排班，省人工成本。逻辑听着没毛病，对吧？上线三个月，排班越排越乱，旺季前一周直接崩了，临时找 temp agency 救火，多花了一大笔。

复盘的时候才发现，问题根本不在算法，在数据。他们的收货环节，操作员习惯下班前统一补录，系统里所有收货时间都挤在下午五点到六点。AI 拿着这份"历史数据"学到的规律是：每天下午五点来一波货，高峰需要加人。实际上货是早上到的，下午只是录入的高峰。算法一本正经地学错了，还学得特别自信。

更要命的是，这家仓库的波次释放时间、拣货完成时间，全是这种"补录式"时间戳。整个 WMS 的时间维度，基本是废的。AI 项目黄了，钱白花了，管理层从此认定"AI 就是忽悠"。说白了，死的不是 AI，是数据。

无独有偶。还有一家做服装的仓库，退货原因代码常年只有一个："其他"。后来想上 AI 做退货预测、优化质检流程，数据拉出来一看，八九成全是"其他"。算法连学什么都不知道。这事怪谁？怪当年设计原因代码的人图省事，也怪没人把"数据是资产"当回事。

你的数据资产到底值多少钱

一张表，把仓库里常见的数据域捋一遍。左边是数据，中间是它能喂什么 AI 场景，右边是你大概率缺什么。照着盘一遍，你就知道自己手里是资产还是负债。

数据域	能喂的 AI 场景	常见的数据质量问题
订单行明细（SKU、数量、时效承诺）	需求预测、波次策略	促销大促没打标，历史单量失真
库存流水（收发货、调整、盘点差异）	安全库存、呆滞预警	调整数没写原因，差异原因全靠猜
收货/上架/拣货/打包各环节时间戳	劳动力预测、瓶颈分析	补录、批量录入，时间失真
库位周转（ABC 动销、库位利用率）	库位优化、补货策略	库位 ABC 一年没动过，全凭经验
人工工时（谁、干了什么、干了多久）	UPH 基准、排班优化	工时和任务没关联，分不清谁干的
设备事件（AMR 报警、充电、故障）	预测性维护	报警日志没人看，坏了才修

盘完这张表，大部分仓库会发现一个尴尬的事实：数据量不小，能用的不多。这就是数据资产盘点的真正含义：不是数你有多少张表，而是看有多少数据经得起算法的拷问。

仓库数据驾驶舱

补数据资产之前，先算一笔账

这事分两面。补数据的代价是实实在在的：收货环节要求实时扫码录入，操作员每票多花十几秒；波次释放、拣货完成都要卡时间点；库位 ABC 要定期重算；工时要和任务绑定。每一项都在给一线加动作，短期看，效率是降的。现场主管第一个不乐意：我单量都干不完了，你还让我多扫码？

但另一面是，不补的代价更大。你现在每补录一次时间戳，就是在给未来的 AI 项目埋一颗雷。雷什么时候爆？就在你花大钱上系统的那一天。前面那家 3PL 的教训翻译成大白话就是：数据债的利息，比你想象的高得多。项目黄掉的钱、临时找人的钱、管理层对 AI 失去信心的代价，加起来远超当初"多扫那一下码"的成本。

算 ROI 也要算总账。AI 项目的预算里，算法和软件授权往往只占小头，大头是实施、集成和返工。数据质量差，返工能吃掉你一半以上的预算。与其在项目黄了之后花钱救火，不如提前把数据地基打牢。这笔账老板们都算得明白，只是没人愿意在看不见的地方先花钱——而这恰恰是最贵的一种省钱。

我的建议是分三步走，别想着一步到位：

第一步，先保"时间"和"原因"。所有环节的时间戳必须实时采集，杜绝下班补录；所有库存调整必须写原因代码。这两件事成本最低，回报最高，先把地基打正。

第二步，把人和任务绑起来。工时数据不和具体任务关联，就是一笔糊涂账。扫码上下岗、任务派发到人，先做到"谁干了多少"可追溯。这一步开始，UPH 基准、排班优化才有数据可谈。

第三步，再谈 AI。数据连续攒够几个业务周期（至少覆盖一个完整旺季），再去谈预测、谈优化。拿着三个月的数据就想预测明年旺季，那叫赌博，不叫 AI。