從事物流系統設計，物流園區規劃，首先就要進(jìn)行數據分析，這一觀(guān)點(diǎn)逐漸為行業(yè)所接受。數據分析分析什么，已經(jīng)有專(zhuān)門(mén)的教科書(shū)進(jìn)行講解，不是本文的重點(diǎn)。本文重點(diǎn)是談數據背后的邏輯問(wèn)題。

        對于數據分析，大家普遍感到困惑的是分析的是否正確有用和如何使用，哪些數據是不對的和失真的，哪些數據需要修正，哪些數據需要補充。對這些問(wèn)題的回答，核心問(wèn)題是探討數據背后的邏輯，理清數據關(guān)系，才能正本清源，數據分析的結果才有意義。

數據失真是一種客觀(guān)存在

        數據作為反映客觀(guān)世界的一種方式，有時(shí)會(huì )失真，從而使真實(shí)世界發(fā)生扭曲。失真的原因很多，主要有以下幾種：其一是數據記錄問(wèn)題，數據記錄有記錯和數據丟失，這一問(wèn)題發(fā)生的可能性非常大。數據不管是記錄在何種載體上，由于記錄手段問(wèn)題，接口問(wèn)題，傳感器問(wèn)題，存儲媒介問(wèn)題以及環(huán)境問(wèn)題，錯誤和丟失在所難免；其二是人為造假，這個(gè)更為普遍。造假是人類(lèi)不可杜絕的一個(gè)現象，每個(gè)時(shí)期，每個(gè)國家，每個(gè)地方，每個(gè)角落都存在。無(wú)論是處于何種動(dòng)機，造假的代價(jià)之一就是使真實(shí)世界不再真實(shí)，這是十分令人痛惜的；其三是偶發(fā)數據，雖然可能是真實(shí)反映，但又非常態(tài)，或者是經(jīng)過(guò)調整后的數據，并非第一手數據。

        人們有時(shí)候調侃，歷史沒(méi)有真相。是指歷史上的很多事件，真真假假，其真相成為永遠的迷。這里既有歷史事件記載者的故意，也有以訛傳訛的原因。有的真相很簡(jiǎn)單，但如果當事人或傳播者故意誤導，可能真相真的就成為歷史之謎，再也無(wú)人知曉。

        現實(shí)中的實(shí)例也不勝枚舉。比如國民經(jīng)濟統計，看起來(lái)很簡(jiǎn)單的一件事，但實(shí)際就很難做到十分真實(shí)準確，有時(shí)還相差甚遠。物流行業(yè)數據統計也是如此。我們到現在也沒(méi)有一個(gè)權威的統計數據，告訴人們每年的堆垛機的產(chǎn)量，輸送機的產(chǎn)量，分揀機的產(chǎn)量，貨架的產(chǎn)量等，都只是一個(gè)大概估計。

        總之，數據失真，既有技術(shù)原因，也有人為因素，人的因素又分為主觀(guān)故意、無(wú)心之失或能力所不能及。這是一種客觀(guān)的存在，誰(shuí)也改變不了。

數據之間的邏輯關(guān)系

        面對一個(gè)不真實(shí)數據所描述的世界，人們往往難以分辨數據真假。其實(shí)，熟悉數據分析的人，一般會(huì )從數據之間的邏輯關(guān)系中判斷出數據的可信程度。雖然我們不知道真相的具體細節，但通過(guò)邏輯分析和比對，會(huì )基本還原真實(shí)世界大致的情況。

        一句謊話(huà)，往往要10句謊話(huà)去掩蓋。這句俗語(yǔ)說(shuō)明了一個(gè)基本事實(shí)，就是事物之間是有千絲萬(wàn)縷的聯(lián)系的。反映到數據，就是數據之間是具有邏輯關(guān)聯(lián)性的。這一事實(shí)為人們甄別數據的真偽提供了參考和方法，但有時(shí)也不是萬(wàn)能的。

       對物流數據分析來(lái)說(shuō)，年銷(xiāo)售額、箱單價(jià)、日收貨量、日發(fā)貨量、庫存量、退貨量、庫存周轉天數等這幾個(gè)數據是互相影響的，所以我們可以從彼此的關(guān)系中，發(fā)現問(wèn)題所在，可以判斷數據是否真實(shí)可靠。

        特別是在大數據時(shí)代，對事物的真相判斷會(huì )更加準確。因為大數據會(huì )從多個(gè)角度去描述同一件事情。比如一家企業(yè)的運營(yíng)狀況，可以從員工人數、營(yíng)業(yè)額、收入、納稅額、工資、獎金、辦公開(kāi)銷(xiāo)、投資、研發(fā)經(jīng)費、宣傳費、差旅費、按月度計算的流水等多個(gè)維度進(jìn)行分析，還可以從行業(yè)平均利潤分析其利潤額合理性等。一旦某些數據出現大的偏差，則可以判斷其數據真實(shí)性值得懷疑。

        對一個(gè)物流中心來(lái)說(shuō)，很多數據之間具有強相關(guān)的邏輯性。比如銷(xiāo)售額與發(fā)貨量的匹配，輸送線(xiàn)的輸送能力與系統產(chǎn)能的匹配，庫存與銷(xiāo)售的匹配，發(fā)貨區、發(fā)貨月臺與發(fā)貨量的匹配等，其中的邏輯關(guān)系其實(shí)并不復雜。然而，對一些用戶(hù)來(lái)說(shuō)，并不完全知曉這些關(guān)系，從而對系統的能力產(chǎn)生認知上的錯誤。

        有了數據間的邏輯，就為我們處理數據提供了參考。有些數據需要刪除，有些需要修正，有些則需要補充。

數據的偶然性與必然性

        數學(xué)證明上有一個(gè)非常重要的證明方法-反證法。即要證明一個(gè)命題是否正確，只要證明其反命題不正確即可。而要證明一個(gè)命題不正確，則只需舉例一個(gè)反例即可。比如要證明是無(wú)理數，只要證明其反命題，即是有理數這個(gè)命題是錯誤的即可。這一方法對于數據分析也是非常有用的。

        大千世界，變幻萬(wàn)千。對數據分析者而言，識別數據的真偽是一方面，而如何正確的分析，則是更為重要的方面。數據分析為我們描述了一個(gè)歷史現狀作為前提。因此，不要站在一個(gè)錯誤的前提下，對未來(lái)進(jìn)行預測，那樣會(huì )毫無(wú)意義，且非常危險。

        如何去偽存真，不是一件容易的事情，尤其對于初學(xué)者而言。比如要如何篩選和修正一些歷史的數據，就是一項復雜且繁瑣的工作。有些數據是客觀(guān)存在的，也是真實(shí)的反映，但卻不具有普遍性，是一種偶然，一種異常。對這些數據的處理，即要求對偶然和必然的事件要有一個(gè)分析和判斷。

        我們常?？吹?，某一天的物流數據非常異常，但卻是客觀(guān)存在。比如某一商品銷(xiāo)量很大，或某一天的發(fā)貨量很大等，就可能是因為某一偶然事件所引起。而這一事件有時(shí)并不具備普遍性。有點(diǎn)類(lèi)似于電信號中的干擾信號。對這一類(lèi)數據的過(guò)濾和修正是必要的。不要一葉障目，不見(jiàn)泰山。

        另一方面，也不要輕易放過(guò)偶發(fā)事件背后的邏輯分析，有時(shí)甚至會(huì )有意外的發(fā)現和作用。如對“雙十一”數據的分析，或對某一網(wǎng)紅帶貨事件的分析等，就會(huì )指導物流設計在面對此類(lèi)現象時(shí)，如何有效處理。

        在數據分析時(shí)，一旦遇到特殊的數據，既不能視而不見(jiàn)，也不能簡(jiǎn)單的刪除。而是要做進(jìn)一步的甄別。這一點(diǎn)考驗著(zhù)分析師的敏銳和耐心。

        有很多數學(xué)方法可以用于辨別偶然性和必然性，過(guò)濾一些干擾數據。比如，為了避免算術(shù)平均值法給人的一種假象，可以用階梯算術(shù)平均來(lái)修正，或采用均方差來(lái)評估數據分布的偏離程度。我們在統計個(gè)人收入時(shí)，經(jīng)?？吹狡骄鶖涤袝r(shí)沒(méi)有多大意義，而階梯分析的數據更加容易看清楚數據的真相，如分析1%的高收入人群，其對財富的占比等。階梯算術(shù)平均法在分析物流數據時(shí)，很容易得到庫存和發(fā)貨的ABC分布結果。更加深入細致的分析，還可以進(jìn)一步對標準差進(jìn)行分析，從而有助于確定設計指標。例如在一個(gè)物流中心的設計中，人們常常需要一個(gè)較合適的設計目標。這一目標的確定就跟標準差有關(guān)。最簡(jiǎn)單的做法是，約70%天數的作業(yè)在常規時(shí)間完成，其它30%天數的作業(yè)通過(guò)加班完成，這可能是一個(gè)比較合理的尺度。

物流數據背后的邏輯

        在實(shí)際應用中，抽樣統計在統計中有非常大的作用。比如市場(chǎng)調查和輿情調查，目前還基本采用這一方法。我們在物流作業(yè)中，往往也采用隨機抽樣的方法，對產(chǎn)品質(zhì)量進(jìn)行評估。為什么1%甚至更低的隨機抽樣會(huì )大致反映真實(shí)情況呢？這就是概率論給我們帶來(lái)的啟示。其實(shí)，我們在做物流數據分析時(shí)，隨機抽樣仍然不失為一種有效的方法。

        對很多系統來(lái)說(shuō)，數據反映的往往只是表象。比如，人們對于一個(gè)物流中心的評估，每年的發(fā)貨量反映的其實(shí)只是一個(gè)非常粗略的總數，背后隱藏的真相往往大相徑庭，兩個(gè)具有同樣發(fā)貨能力的物流中心，往往不具有可比性。因為差異是多方面的。

1）工作時(shí)間

        從大的方面講，工作時(shí)間可能是單班、雙班和三班，其差異已經(jīng)是非常大的了。而進(jìn)一步分析，每個(gè)班次有的只有4~5小時(shí)，有的會(huì )有9~10小時(shí)，差異也很大。有的年工作360天，有的只有200多天。這些差異，會(huì )導致分析的結果出入很大。

2）單元貨物的價(jià)值

        單箱價(jià)格也是影響非常大的因素。物流系統能夠比較的是物流量而非銷(xiāo)售額。但往往被人們忽視。就如同錯把物流費用與GDP做比較，不考慮產(chǎn)業(yè)結構、地域、道路收費、工資等差異，從而得出我國物流技術(shù)水平低的結論一樣，其實(shí)是不真實(shí)的。一個(gè)以日用、食品配送為主的配送中心，其單件價(jià)格只有幾十元，而一件藥品會(huì )高達上千元甚至幾千元，即使是同類(lèi)商品，因為構成品質(zhì)不一致，產(chǎn)地不一樣，價(jià)格也會(huì )相差很大。比如進(jìn)口產(chǎn)品和國產(chǎn)的比較。

3）業(yè)務(wù)的均衡性

        有的配送中心，其業(yè)務(wù)波動(dòng)性大，隨季節變化幅度非常大，而有的會(huì )比較均勻。這在數據分析時(shí)容易被忽視。但其影響巨大，比如圖書(shū)與醫藥。圖書(shū)，尤其是教材教輔類(lèi)圖書(shū)表現出明顯的季節性，而藥品的季節性影響就要低很多。如果再細分到每一天，每一周，每一個(gè)月和每一季度的話(huà)，會(huì )得到非常驚人的結果。如何均衡業(yè)務(wù)，其實(shí)對于提升物流系統的處理能力有非常大的作用。這就是物流反過(guò)來(lái)促進(jìn)管理，促進(jìn)市場(chǎng)的典型例子。與此類(lèi)似的還有庫存周期和庫存量，這兩個(gè)指標其實(shí)決定了物流中心處理能力的天花板，但又不是物流系統本身所能解決的問(wèn)題，必須要與采購策略進(jìn)行聯(lián)動(dòng)?？傮w來(lái)說(shuō)，我國很多行業(yè)的物流管理還是粗放的，可以?xún)?yōu)化的方面很多，而業(yè)務(wù)均衡性則是一個(gè)有很大潛力的優(yōu)化目標。

4）拆零比

        隨著(zhù)電子商務(wù)的興起，拆零作業(yè)在物流配送中心的比重越來(lái)越大，也嚴重影響了物流作業(yè)的效率。一方面，人們看到定制化帶來(lái)的服務(wù)提升，另一方面，配送成本也隨之大幅度提升。特別是最近幾年，圍繞拆零揀選的技術(shù)投入大幅度提升。面對這一現狀，對于toB業(yè)務(wù)，是否可以從提高整件配送比例出發(fā)，降低物流成本，成為一個(gè)新的課題。即使對于拆零揀選，如何采用單元化技術(shù)，使揀選更高效，其意義是多方面的，未來(lái)肯定會(huì )成為企業(yè)關(guān)注的方向。

        除此之外，可比較的方面還有很多，如作業(yè)人員的數量，設備的投入，自動(dòng)化水平等，均影響物流配送中心的作業(yè)和業(yè)績(jì)，有些還互相關(guān)聯(lián)和影響。而這些都是表面數據看不到的，或表現不出來(lái)的。

        總之，數據分析不是簡(jiǎn)單的數據堆砌和結果呈現，而是要挖掘其背后隱藏的真相。數據分析的價(jià)值在于發(fā)現數據背后的邏輯和特征，找出普遍性和規律性的東西，找出導致問(wèn)題發(fā)生的根本原因和改進(jìn)方向，從而指導未來(lái)進(jìn)行的科學(xué)預測和規劃。

部分圖片來(lái)源于網(wǎng)絡(luò )