从进门到出门：YMS里turn time的4个分段与压缩实战

先说结论：turn time（车辆在厂时间）要压，先别动装卸那一段。我做过 30 多个 YMS 上线项目，十次有九次，客户一上来就想着加叉车、加装卸人手，结果这个数字纹丝不动。真正的大头在排队和登记——总时长里它们通常占到 6 成。装卸压 10% 省的是十几分钟，排队砍掉一半省的是半个小时。这个坑我见过三次，次次都是同样的剧本。

为什么要把 turn time 切成 4 段：先看账

在厂时间的定义很简单：车辆进大门到出大门的总时长。但"总时长"这个数字除了汇报，几乎没用——你不知道问题出在哪。分段的意义在于定位病灶：排队长是预约和门卫脱节；登记慢是单据流程；装卸慢是人力设备；放行慢是签字流。四段对应四个责任人，责任不清，优化就是空话。

分段	内容	常见区间	超标时的典型表现
排队等待	车辆到厂区、还没进门的时间	0.5～2 小时	早高峰门口排长龙，无预约车插队
入场登记	门卫核验身份、单据、分配月台	10～40 分钟	纸质单据一页页抄，司机下车排队递材料
装卸作业	靠台、装卸、清点	0.5～1.5 小时	月台分配乱，等叉车、等人
出场放行	签字确认、开门放行	5～30 分钟	车装完了，单据还没签完

看出来了吗？一个"健康"的在厂时间也就 2 小时左右（业内一般把 2 小时当健康线，超过 3 小时算异常），而光排队一项就能吃掉一半以上。压在厂时间先压排队和登记，回报最高。

再算一笔账：一个日均 60 车次的园区，平均在厂时间从 3 小时压到 2 小时，每天释放 60 个车小时。按一辆车每天能多跑的机会算，这 60 个小时就是实打实的运力。一台新设备都不用买。

分段压法：每一段的压缩清单

**第 1 段：排队等待。**做法：预约时间窗。把到车分散到全天，设 15～30 分钟一个窗；留 10%～15% 的弹性窗给临时加车；门口大屏或短信告诉司机"你的窗是 10:00-10:30，提前到了请在等候区等"。无预约车统一走等候区，不许插队。这个坑我见过三次：预约系统上了，门卫还是拿个小本子登记，两个系统各玩各的，门口照样乱。预约和门卫必须是同一套数据，这是铁律。

**第 2 段：入场登记。**目标：把 20～40 分钟压到 5 分钟以内。做法：单据提前上传（司机或承运商在到厂前把提单、委托书拍照上传）；车牌识别自动调出预约单；司机扫码自助登记，不用下车。某食品客户的翻车现场：登记环节平均 25 分钟，因为司机要交 4 种纸质单据，门卫一页一页手抄，还经常抄错车牌。改成提前上传加车牌识别后，登记压到 5 分钟，一天 80 车次，光登记环节每天省出 26 个小时的人工等待。

**第 3 段：装卸作业。**做法：靠台分配自动化——YMS 按预约和货物类型提前分月台，司机进门就知道去几号门；装卸任务提前推给班组，车到人到；异常（货不对版、破损）当场拍照留证走流程，别让车在原地等电话。注意：这段的优化天花板很明显，加人加设备的边际收益递减，别在这里烧大钱。

园区大门进场

**第 4 段：出场放行。**这段最容易被忽视。做法：电子签收——装卸完成司机手机上签字确认，单据自动生成；放行和登记用同一个车牌识别，出场自动核销。很多仓库车都装完了，司机还在办公室门口等签字等半小时，在厂时间的报表上这段经常"被平均掉"，但司机的时间是真的。

两个真实翻车现场

翻车现场一：2024 年，加州一个做电商代发的 3PL 仓，平均在厂时间 4.2 小时，门外排队占了 2.5 小时。老板第一反应是"装卸太慢"，差点签了 6 台新叉车的单。我们拉了两周的分段数据给他看：装卸 50 分钟，完全正常；排队 2.5 小时是因为所有车都约的上午 9 点，预约形同虚设。救法：预约改成 30 分钟一窗加门口大屏公示叫号，6 周后平均在厂时间 2.1 小时。叉车一台没买。

翻车现场二：某冷链客户，入场登记 35 分钟。原因是冷链要查温度记录单、卫生证、车辆消毒证明，三种单子三个窗口盖章。这个流程砍不掉，那就前置：改成司机到厂前一天上传全部单证预审，到厂只做车牌核验加抽查。登记压到 8 分钟。记住：砍不掉的流程就前置，别让车在门口等你审。

反常识：装卸快了，turn time 未必降

反常识的判断来了：单段提速可能让总时长不变，甚至变长。装卸从 60 分钟压到 40 分钟，如果出场放行的签字流程还是 30 分钟，车照样在场里待着——瓶颈只是从第 3 段挪到了第 4 段，司机的体感是"你们装是快了，我还是走不了"。所以优化必须按"总时长"验收，单段指标达标不算数。还有一个 trade-off：预约制越严格，准时率越高，但柔性越差——临时加车、甩柜就插不进来。做法是永远留 10%～15% 的弹性时间窗，刚性规则配柔性缓冲，别把系统做成铁板一块。

动手前的最后检查，上线前夜 checklist：