仓库现场的数据类别（峰值、中间值、离散程度）

对于仓库现场，数据分析只能使用一些基本的数学概念。

一方面，仓库现场的整体流程模式比较简单，仓库工作人员对现场的具体情况有实际的了解，不必用复杂的方式表达。

另一方面，太深的数据抽象，结合现场情况也不一定容易理解。

因此，常见的仓库字段数据描述主要分为三类:

描述数据的峰值，即最大值和最小值；

描述数据的中间值，包括平均值、加权平均值、众数、中位数和分位数的概念；

为了描述数据的离散程度，通常有极差、平均差、标准差等。

峰值数据

对于现场操作，有些数据需要参考峰值。

比如一些季节性商品仓库，一年之内库存波动很大，真正有库存压力的时候，就大规模囤货。

按照平均指数或者特定时间的指数来分析这类仓是没有意义的。按照平均库存来准备库存空间的结果就是库存在接近最大值的过程中逐渐崩塌。

对于非季节性仓库，库存压力也应参考最大库存。当然，在实际操作中，如果大规模的库存只是短时间存放，比如只需要存放一天甚至一个晚上，一般不会对库存空间造成很大的压力，因为可以临时占用场地上的临时存储或者过道空间。如果临时存储时间超过某个临界点，可能会给现场操作带来很大的麻烦。

所以一个很实用的指标就是连续三天的平均库存。比如一个月的平均库存并不高，但是某个连续三天的平均库存却很高，说明这三天的库存空间可能压力很大，值得我们关注。

类似的例子还有运营数据，单看平均数据不一定意义大。需要识别和关注操作急剧增加或减少的一些情况。

运营数据和库存数据的区别在于它没有临界点的概念，短时间内大量运营的集中一般会对站点造成比较大的影响，这也是我们尽量避免的。但是，操作量的集中也可以用一种灵活的方式来解决，比如预操作，即提前做好操作准备或提前完成一些操作动作。

在实际分析中，我们关注的峰值都是一段时间内的峰值，不一定是整体的最大值和最小值。比如一个月可能有一个最大的操作量，但是一周一天也有峰值。很多时候，峰值一般意味着一些不稳定因素的存在，意味着未来可能成为瓶颈。所以需要重点关注，甚至在必要的时候提出一些调整措施或者备份方案。

最小值的应用比较少见，一般应用于资源的临时调整。

例如，如果操作量在连续的时间段内低于某个阈值，则可能会释放一些操作资源来做一些其他工作。

二进制中位数数据

平均值被广泛使用。一方面，有些数据差异是没有意义的。可以通过平均值直接得到一个基本的代表数，再也不用关注个体数据的差异了。我们在提供平均值的同时，也可以让别人快速获得对某个事物的整体印象。

无论是库存还是运营，当我们觉得没有必要做更细致的分析时，可能会直接用一个平均值作为代表。虽然这种想法有时很危险，但大多数时候可以省事。

另一方面，平均值也是个体数据在整体中位置的有效参考。一个人一天操作10单，并不代表他操作的快慢。如果知道团队的平均操作量是5单，可能就有一个基本的判断了。

加权平均值和平均值是一样的，只是在具体操作上有一些区别。比如绩效考核法，一般对一个人在不同方面的表现赋予不同的权重，最后得出一个加权平均值。在库区评估中也可以采用加权平均法，从而将不同方面的结果转化为一个综合的代表性数据。

众数是指在一组数据中出现频率最高的值，实际中用的不多，但众数的思想无处不在。

mode的方便之处在于容易获得，一般不受特殊情况的影响，可用于非数值型数据。

比如我们统计仓库的损坏情况，可能会涉及到多个SKU的对比，但只集中在其中的一两个。常见的表述是，仓库现场80%的损坏发生在特定的SKU，这是被损坏的SKU的大多数，值得我们特别关注。

我们在对事物进行分类，判断需要重点关注的类别时，也是运用了mode的基本思想。比如我们判断库存中哪种商品最容易出现数量差异。这一类最容易产生差异的商品，本质上就是mode的意思。

中位数和分位数其实是一个概念，中位数就是两位数。

分位数的意思是这个数据的位置正好可以把这组数据分成不同的比例。比如一共10个数字按顺序排列，第五个和第六个数字的平均值就是一个两位数(中位数)。从这个数据的上下两面看，上有一半，下有一半，真实比例大于亏空。

我们在比较田间作业量时，经常用到分位数的概念。

分位数的使用一般会给我们一个事物结构相对具体的整体印象，比只使用平均数更清晰。分位数的使用在很多情况下也可以描述数据的集中程度。

三数据离散度

数据分散的程度有时很重要。比如同样是拣货操作。一个人平均每天操作20单，另一个人平均每天操作10单。排除订单本身的不一致，这个差别有点大。需要现场跟踪这两个人的具体操作，看看是什么原因造成了这种差异。

一组数据，最大值减去最小值，就是极值差。一般来说，极值差越大，数据的离散度越大，意味着差异越大。

极端差异反映的是数据中最大的差异，有时可能不适用。或许本质是因为个人天赋。

平均值是指计算一组数据的平均值，将每个数据与平均值进行比较，然后得到一个平均差。平均差异反映了一组数据的总体差异程度。就拣货操作的例子来说，可以部分排除个别人才的影响，得到一个基本结论。

标准差和平均差的意思是一样的，只是为了计算方便，处理了一些计算过程。对于现场一些简单的数据，平均差可能用起来更直观。