诊断指标可以理解为一种衡量现状的方法，仓储诊断指标能够将企业仓储运营的现状进行具体化和量化，因此在仓储规划的最后阶段，我们可以将企业仓储现状诊断的结果作为仓储规划方案设计中的关键部分的量化分析和输出，以此对仓储规划中的决策做完整的判断。

目前很多企业已经实现了利用仓储活动中产生的数据统计出较多的指标，还有一些提供仓储信息系统或者设备服务的企业能够支持仓储活动中系列指标的自动生成，本篇文章主要对我们在进行仓储诊断指标设计时的一些思路以及相关指标的细化进行分享，旨在从仓储规划的顶层来看仓储的诊断指标应该从哪些方面进行设计以及向下落地的方向。

除此之外，我们开发的数字化物流规划平台中仓储规划的功能模块实现了将三维模拟场景与仓储诊断指标的结合（如下图），将仓储诊断指标放置相应的三维场景中，使得仓储诊断指标的数值情况与相应的功能区对应，让仓储诊断指标应用的场景更加地直观。

仓储诊断指标结构的设计思路

仓储诊断指标并没有统一的标准，其数值的统计也具有多种方法。我们在仓储运营与规划中已经梳理了上百个指标，每一个流程向下都呈现了各种各样的指标。具备系统性和结构性的仓储诊断指标体系能够最大程度的发挥作用，我们进行仓储诊断指标设计的思路如下：结合了仓储投入产出、仓储管理活动量化、仓储作业特征三个维度设计了仓储诊断模型，以此为基础设计仓储诊断系列指标。诊断指标结构如下：

主要设计思路如下：

1、仓储投入产出的维度

对仓储的投入与产出进行诊断是衡量仓库/配送中心经济价值的重要方法，尤其对于企业管理层的人员来说，仓库/配送中心在一定周期内能够产生的经济价值以及相应的投入构成了影响其决策的核心因素，将仓储规划设计专业的内容以及实际运营活动反馈至最终的投入与产出的系列诊断指标上，有利于仓储规划中决策与沟通的进行。

2、仓储管理活动量化的维度

没有量化，就无法进行标准的管理，仓储管理活动的量化可以通过对仓储管理活动对象的量化来实现。仓储管理中的主要对象可以分为人员、设施、设备以及技术等类型，即我们之前文章中常提到的“资源”，仓储管理活动可以理解成为对各类仓储资源（人员/设施/设备/技术等）进行调度和配置的活动。通过仓储资源的利用率可以将仓储管理活动进行量化的反馈，例如通过对人员利用率、设备利用率、设施利用率的相应指标的设计，可以反映出每一天的工作时间内人员、设施、设备的利用是否达到饱和，是否存在某些资源的闲置。

在我们所设计的仓储诊断指标体系中主要将资源的利用率分为人员利用率、设备利用率、设施利用率三种类型，由于信息技术、管理技术等技术类资源的利用率相对来说在实际中难以进行诊断，因此并不在我们设计的诊断体系内。资源利用率的系列指标的设计，可以反馈出企业仓储活动的管理水平，并且可以为仓储规划的方案设计指明一些优化的方向。

3、仓储作业特征的维度

不同的企业的仓储规划具有各自的目标的特点，仓储诊断指标体系必须能够反映出企业仓储作业的特征，才能够保证仓储规划的设计的科学性和可实施性。相比于投入产出类的指标和资源利用率类的指标来说，反映出仓储作业特征类指标设计的复杂程度和对专业性的要求更高。在我们所设计的仓储诊断模型中，运用了仓储作业环境诊断类指标对企业仓储作业特征进行诊断，主要从波动性、集中度和复杂度三个方面来进行衡量和反馈。

与此同时，波动性、集中度和复杂度所形成的系列指标数值也可以构成整个仓储规划中的决策变量，以波动性为例，某些电商企业的订单具有季节性，一年中的订单量会在类似双十一或者其他的促销活动时进行猛增，这些都体现在企业订单的波动性上。波动性大则对企业仓储管理的柔性要求更高，否则可能会造成资源的闲置和浪费。由此也可以看出，波动性与仓储管理内各项资源的利用是相关联的，对于仓储规划来说，我们要尽量将波动性的特征量化到多少资源才能支持波动的效果，以及不同资源利用率的指标下会对波动性会产生什么样的效果，以此来制定或者修正仓储规划里的各项策略。

仓储诊断指标的细化方法

仓储投入产出、仓储管理活动量化、仓储作业特征三个维度向上可以构成仓储诊断的模型，各自向下则构成仓储诊断指标的三个模块。沿着仓储投入产出维度向下可以设计出仓储投入产出诊断指标模块，沿着仓储管理活动量化维度向下可以设计出仓储资源利用率诊断指标模块，沿着仓储作业特征维度向下可以设计出仓储作业环境诊断指标模块。其中，仓储投入产出诊断指标模块可以继续细化为财务投入和产出能力两种类型的指标，仓储资源利用率诊断指标模块可以继续细化为人员利用率、设备利用率、设施利用率三种类型的指标，仓储作业环境诊断指标模块可以继续细化为波动性、集中度、复杂度三种类型的指标。

仓储作业环境诊断指标相对于仓储资源利用率指标和仓储投入产出诊断指标来说灵活性和专业性程度高，所诊断的内容非常丰富。仓储资源利用率诊断指标具备较多的借鉴方法，可以根据需求来设计颗粒度不同的统计方法。仓储投入产出诊断指标所受到的关注程度最高，且仓储作业环境、仓储资源利用率最终都可以反映到仓储投入产出诊断指标之上。

每一模块指标向下继续细化的内容与方法如下：

1、仓储作业环境诊断

• 波动性

波动性向下可以细化为订单波动率、物流量波动率、异常率、物料变更率四个方向，主要从订单、物流单元、非正常状态、物料来对波动性进行诊断。

订单波动率可以理解为一定周期内订单上浮或者下降到某一数值时的比例，例如1个月内有10天都会发生订单上浮超过30%或者下降30%的情况，此时我们可以认为订单的波动性比较大。

在进行仓储规划时，企业的订单波动性大则需要考虑到仓储资源的使用情况，例如波动性大的情况下人员是安排全职人员来应对订单量的波动还是临时租赁人员以应对订单量的波动，通过订单波动率来指导仓储管理柔性的调整。

物流量波动率与订单波动率类似，也可以理解为一定周期内物流量上浮或者下降到某一数值时的比例。通过对进出仓库/配送中心的物流单元下量的波动性的指标设计，可以让整体的诊断更加的契合于作业量和作业能力，通过物流量波动率的情况来诊断仓储资源的使用情况。

异常率和物料变更率强调计划外或者不符合日常作业活动规律的情况所发生的比例，订单的异常或者物料的变更都会带来仓储资源的调用，以达到保证仓储运营活动正常运行的目标。异常率和物料变更率越高，则异常作业量也会越多，由此而带来的仓储资源的浪费也会增多，异常率和物料变更率对于仓储资源的配置带来要求。

• 集中度

集中度向下可以分为供应商集中度、客户集中度、物料集中度和包装集中度四个方向，主要是对供应商、客户、物料和包装进行分类和分析。集中度越高，则越有利于通过解决集中的小部分的供应商、客户、物料和包装来解决大部分量的问题，整体规划的难度相对较低。如果集中度很低，则供应商、客户、物料和包装的分类和分布会非常分散，其带来的作业量和作业难度都会增加。除此之外，供应商集中度、客户集中度、物料集中度和包装集中度可以量化到每分拣一张订单，或每作业一个托盘或其他的物流单位所移动的距离和所使用的作业时间。

• 复杂度

复杂度相对波动性和集中度来要更偏向于定性一些，当然复杂度也是可以进行量化。复杂度向下可以分为订单复杂度、物料搬运复杂度、节拍复杂度、存储复杂度和建筑复杂度五个方向。

订单复杂度主要强调订单中物料结构的复杂程度，如果订单中需求的物料相对集中的话，订单处理起来的作业难度则会低一些。如果订单中需求的物料非常分散的话，例如每张订单只有一种需求的物料，但是订单的数量非常多，那么其所带来的分拣活动、搬运活动等的作业量和作业难度也会相应增加，订单复杂度会对仓储作业的时间和成本带来影响。

物料搬运复杂度主要强调物料的物理属性所带来的搬运作业活动的复杂程度。例如物料体积大重量高，需要借助多种搬运设备之间的配合，则其搬运的难度和复杂度要高，物料搬运复杂度会对作业时间和作业效率产生影响。

节拍复杂度主要强调产线所带来的交料需求的复杂程度，例如产线对于交料的要求频率非常高，或者对于交料要求的精确度非常高，则需要精密的时间计划和精准的作业协同等进行支撑，由此带来较高的作业复杂度，节拍复杂度也会对作业时间和作业效率产生影响。

存储复杂度和建筑复杂度相对来说比较难以理解，其中存储复杂度主要强调存储活动的复杂程度，例如不同的货架对于存储作业活动的要求不同，有的货架能够实现自动化的存储，有的货架需要人员与设备之间的配合才能完成存储作业。建筑复杂度强调仓储所处的建设物环境对整体的搬运活动、存储活动、分拣活动等内部活动的量化所带来的复杂程度，例如多层多栋的建筑物结构会对物料搬运距离以及其量化带来影响，相对规整的建筑物结构里边仓储作业时间和仓储作业成本的量化相对更加容易。

波动性、集中度、复杂度的相应细化的内容综合在一起构成了仓储作业环境诊断的指标体系，在进行仓储规划时，可以依据对仓储作业环境诊断完成之后的指标数值和相关系数，形成关于仓储规划模型中时间、成本、物流量等的决策变量。

2、仓储资源利用率

• 人员利用率

人员利用率向下可以分为进货人员利用率、出货人员利用率以及每人每天处理订单数量等方向。实际上仅按照进货人员利用率、出货人员利用率、每人每天处理订单数量进行指标设计和数据统计相对来说比较粗糙，可以继续往下细分到各个流程上人员利用率的情况。我们所运用的一种方法是首先统计出所有作业人员每天总的作业工时，其次统计卸货、分拣、上架等不同流程所占用的作业工时在总的作业工时中所占的比例，最后依据作业环节、不同作业流程中作业人员的数量等实际需求继续进行细分和切割，由此来得出相应的人员利用率指标，让仓储诊断指标的设计具备更细的颗粒度。

• 设备利用率

设备利用率向下可以分为存储设备利用率、搬运设备利用率、分拣设备利用率、每天分拣单位物流量次数、每天搬运物流量数量等方向，我们在进行指标的设计时可以对不同设备类型的进行利用率的分析。仓储规划中涉及到的主要设备类型可以分为存储设备、搬运设备和分拣设备，不同类型设备的利用率可以与不同的作业流程结合起来进行指标的设计。

存储设备利用率强调对于存储设备空间的利用情况，存储设备利用率的指标可以通过物料所占用每一个货位的空间的比例来进行设计。搬运设备利用率的指标则可以依据分摊到不同的搬运环节里面所占用的设备时间或设备数量等进行设计，由此来更精确地对每一个搬运设备的利用率进行诊断。分拣设备利用率指标的设计与搬运设备利用率指标的设计类似，也可以将输送线、拣货车或者AGV等分拣设备在整个分拣作业环节或者流程中所占用的设备数量和设备时间的情况进行设计。

• 设施利用率

设施利用率向下可以分为月台利用率、存储区面积利用率、缓存区面积利用率、仓库空间利用率、通道占用面积率等方向，与设备利用率指标设计相似，我们在进行设施利用率指标的设计时可以依据核心设施类型来进行利用率的分析。仓储规划中核心的设施可以分为月台、存储区，缓存区、分拣区以及通道，我们可以结合不同时间段在不同设施面积或空间下流通的物流量来对设施利用率指标进行设计。

3、投入产出

• 财务投入

财务投入向下可以分为人员成本占比、设备成本占比、设施成本占比、其他运营成本占比、单位仓储成本库存金额等方向。从财务的角度来看，设施、设备和人员等可以反映到相对固定的投入成本的指标上，还有一些水电、能源消耗等可以反映到运营成本的指标上。从仓储活动的角度来看，仓储作业中的投入的成本可以分摊到每一笔订单所需要承担的单位成本，由此更加清楚地进行每一个单位的产出所占用的成本。

• 资源产出能力

资源产出能力向下可以分为人均产值、人均物流量、人均订单量、人均投入产出比等方向，我们在进行相应的指标设计时是把所有的产出量化到人均的产值，人均作业的物流量，人均作业的订单量等等。实际上我们在进行产出指标的设计时把设备的产出也计算至人均产出的作业量上，因为很多设备需要人员进行操作，因此设备的单位产出与人均的单位产出是相关联的，当然也有一些设备的产出需要单独进行产出量的统计，将设备的产出整合到人均产出来进行指标的设计有利于诊断指标能够有效地形成一个整体。除此之外，我们主要是通过设施的单位面积所流通或者存储的物流量等来对设施产出指标进行设计。

小结

系统性、结构化的仓储诊断指标的设计，不仅使得我们在进行仓储规划时能够对仓储运营的现状进行全方位的评估，更重要的是系列诊断指标所得出的数值结果能够为后续的数据模拟或者仿真分析提供参数或量化数据，有的指标能够作为决策变量，有的指标能够作为系数，还有的一些指标能够作为模型输入或者中间逻辑的运算，让整体的仓储规划形成一个完整的体系。后续我们在分析分享关于模拟仿真的相关内容，也可以把仓储诊断指标的内容进行糅合，具体分析每一个指标的用途。

总体来看，由于仓储类型、作业方式以及企业运营模式的不同，我们在进行指标设计时可以根据仓储的具体环境来进行更加灵活和具有针对性的设计。在本文所展示的诊断模型向下实际有着非常多的细分指标。