目前B2C电商物流仓库经营主要有两种方式:自主经营(如京东自营物流)和外包第三方物流(如天猫仓)。除少数仓库,如天猫广州仓、京东总部仓,已启用自动化、机械化作业,运作全程几乎无人作业外,国内B2C电商物流仓库主要是人工作业,即主要依靠人力加电动叉车、地牛、拣选枪和传送带等简单物流设备辅助。

本文研究的重点为人工作业加简单物流设备辅助的仓库分拣车间问题,以阿里巴巴集团下天猫超市平台外包的第三方物流A天猫仓库(以下简称A天猫仓)为例。

B2C电商仓库的货物从入到出,需要经历入库、储存、分拣、包装和出库五个流程。仓库补货组负责人依据库存消耗情况、预计需求量提前下单备货;货物送达入库,暂存于储存货位;分拣组依据网上订单实时从仓库货架上找到货、拣出货;上架组依据拣货组分拣出货情况,实时监控,补货上架到相应分拣货位;包装组负责将分拣组分拣出来的货打包,最终货物出库。如下图一:

图1 电商仓库运作流程图  

A天猫仓分拣车间的运作为典型的“人到货”模式,即货物的存储位置固定,人步行、或乘拣货用车、或乘载人巷道堆操机、或用AGV等其他设施将人载到货物前,进行人工拣配订单。该仓分拣实际具体运作如下:

数据文员依据网上分散化、碎片化订单数据,把18位客户的订单分为一组,形成拣货单派发给各分拣员,分拣员依据拣货单步行在整个库区内找到货物存放位置,拿到货物用拣选枪扫货物条码,一方面确保货物品类、数量拣选正确,另一方面扫描数据自动上传信息系统,之后将货物放入拣选车内,当拣选车满将车推出分拣车间,包装组开始包装。

A天猫仓分拣车间长期拣货人员总体≈100人,人员波动性大,每月均有员工离职、入职,依据不同促销时节(如619、11.11等)和日订单量,灵活增加临时拣货人员(外聘或仓库内其他组成员支援);拣货人员每天平均工作12小时,一月工作26天,月总工时312小时/人。

以参数估计法,调查分析样本12月拣货量和拣货异常情况,用区间估计来估测总体参数。在这长期拣货人员中,刨除中途离职、长时间请假等情况,随机选取到19个有效样本。调查结果如下表一,其中1单包裹内有N(N=1,2,3......)件货,即1单=N(N=1,2,3......)件。

表1 样本12月拣货量统计表(2018年)     下载原表

从表一数据计算可得，样本每人月均拣货量50984.58件，8930.21单。由于总体标准差未知，取样本标准差S，取均值95%的置信区间，代入公式估计总体参数：

:样本均值;

S:样本标准差;

n:样本数;

t∂/2(n-1)是自由度为(n-1)的t分布的∂/2分位点,t∂/2=1.96;

求解得总体每人月拣货(件)均值上限为62130.31件,下限为39838.84件;总体每人月拣货(单)均值上限为10962.87单,下限为6897.55单。

以月总工时312小时/人计,总体作业效率均值为[127.89,199.12]件/人-小时,[22.11,35.14]单/人-小时。该总体作业效率均值上、下限区间大,差异分别为71.23件/人-小时,13.03单/人-小时,说明分拣车间个体作业效率差异性大。此外,以分拣车间拣货人员总体100人计,10000万个订单,需2.85-4.5小时才能完成,总体作业效率很低。

异形件即单个人在核算时间内出现多拣、少拣、信息系统显示已拣实际未拣和其他异常情况的件数。用SPSS软件对样本B2C拣货(件)和异形件两变量进行散点图和相关性分析,从图一散点图和趋向线可知两者是相关的且为正相关,从表二可知两者相关系数为0.430,偏中度相关。

表2 B2C拣货(件)和异形件两变量相关性     下载原表

图2 B2C拣货(件)和异形件两变量散点图   下载原图

原则上,为了利润最大化和客户满意,仓库希望拣货组单位时间内拣货量越多越好,同时异形件少甚至为零。实际上,A天猫仓分拣车间单个员工单位拣货量增多时,出现异形件的情况也变大,产生二律背反现象。

分拣员劳动强度大表现在:1.工作时间长。每天平均工作12小时,一月工作26天,月总工时312小时/人;2.单日行走路径长。分拣员拿到数据员分好的随机18位客户的订单组拣货单,于整个库区找货、拣货,行走路径涉及库区的各个角落,日步行量15-30公里。再此强度下,分拣员流失率很高,每月均有员工离职、入职。

综上所述,本文从B2C电商仓库分拣车间员工工作量的角度,通过参数估计法,分析出现象背后存在的本质问题:(1)个体作业效率差异性大且总体效率低;(2)拣货量和异形件呈二律背反;(3)分拣员劳动强度大,流失率高。