4-3. 數據分析及系統建置說明 - Tera計算相關知識

1. 物流系統特性與數據分析基礎

🔍 【圖解說明】生產物流與銷售物流特性之差異

上圖展示了整體供應鏈中「採購・生產（生產物流）」與「銷售（銷售物流）」邊界的基本構圖。

生產物流（Material Flow）： 以工廠與原料倉庫為中心的物流。由於係基於生產計劃有條不紊地移動貨物，因此易於控制，需求波動相對平穩。
Physical Distribution（銷售物流）： 由配送中心發往批發、零售及最終用戶的物流。由於直接受實際「訂單資訊」左右，具有極易產生多品種小口化及突發性出貨波動的特性。

在配送中心的系統建置中，為了因應這種「銷售物流特有的不定量、不定時需求」，事先進行高度數據分析實屬不可或缺。

生產物流與銷售物流的特性差異極大。

何謂物流系統：

① 複雜・簡單系統（Complicated Low Technology）
單純排列高端高科技設備並非唯一正解，而是需要對現場作業與IT緊密交織的低科技要素進行最佳化。

② 多數約束條件下的系統
物流最佳化存在著多個正解。此外，隨著出貨物量與包裝型態條件的變化，某一情境下的「正解」在另一情境下可能會反轉為「不正解」，反之亦然。

配送中心・物流系統是存在眾多約束條件的系統，且擁有眾多正解。
然而，所有的設計都必須建立在「基本系統」之上。
此處所謂的基本系統，係指基於EIQ數據與PCB分析的系統。因為是基於客觀數據，無論由誰進行邏輯規劃，都能達到無偏差的最佳系統。不基於數據憑空想像的系統建置，是導致失敗的主因。

2. 系統方法（思考理念）

Systems Thinking（系統思考）
最為重要的並非僅是引進最新設備，而是如何思考並進行系統建置的「理念與思考方式」。面對急劇變化的經濟動向與社會環境，如何解讀所收集的數據並加以應對，考驗著戰略性思維。

💡 配送中心真實使命：
配送中心的最大使命歸根結底在於「將接獲訂單的商品，在指定日期內，準確無誤地送達顧客手中」。過度的自動化、機械化或降低成本本身僅為手段，並非目的或使命本身。

從進貨至出貨的模式與「PCB分析」的重要性

🔍 【圖解說明】PCB分析（P＝棧板、C＝外箱、B＝散裝單件）之演變模式

上圖展示了貨物由倉庫進貨至出貨過程中的包裝型態變化（Transformation）。

P（Pallet）： 以棧板為單位的大口包裝型態。
C（Case）： 以紙箱為單位的中口包裝型態。
B（Bara/Piece）： 以散裝或單件為單位的細口包裝型態。

定量掌握進貨時形態（P/C/B）與出貨時形態（P/C/B）組合模式的手法稱為PCB分析。例如，在「P進B出（P➔B）」比例高的現場，需要廣大的拆箱與單件揀貨區以及高功能的WMS；而在「C進C出（C➔C）」較多的現場，則以越庫（Cross-docking）及分揀機為主的物流系統更為有效。

揀貨方式之選定：
・Single Picking（摘取方式）：由一名作業員按各訂單收集所需商品的模式。
・Batch Picking（播種方式）：將多筆訂單份額一次性揀出後，再按出貨目的地進行分揀的模式。
※ 若採用 Batch Picking，必須設計揀貨後的二次分揀（分揀機或分揀架）。

3. 物量與適用物流設備（適合物料搬運設備之選定）

(鈴木震先生原創構圖)

🔍 【圖解詳細說明】依據 IQ 曲線與 PCB（包裝型態）之適用物流設備選定地圖

本圖係由數據分析（IQ分析及PCB分析）所得之「出貨數量（Q）」、「種類數（I）」與「包裝型態（P/C/B）」數據，用以導出應引進之最佳物流系統與保管物料搬運設備的體系圖。

A級（高流動・大量出貨區）：
出貨集中的區域。集中配置棧板自動倉庫、箱型微負載自動倉庫、A型自動揀貨機、高速分揀機等自動化與機械化設備，以實現高吞吐量處理。
B級（中流動區）：
選定兼顧保管效率與揀貨作業性的設備，如前移式堆高機＋棧板貨架、料盒架、旋轉架等。
C級（低流動・多品種小口區）：
SKU數量龐大但單品出貨量極少。不引進高昂的自動化設備，而是採用固定式中量型貨架與手推車進行低科技運作，避免過度投資並最佳化整體 ROI。

4. 數據解讀法與數據定位手法

進行數據分析時，最易陷入的陷阱是「將取得的單日數據直接視為全公司的標準值」。

🔍 【圖解說明】數據分析成功的4個心法

數據非僅觀看，更要「審視」： 非僅看數字，更要觀察並解讀背後的現場作業動態。透過累積其他公司的案例研究，能夠深刻洞察數值的意義。
切勿抱有先入為主的觀念： 排除「想使用某設備」或「與他社保持一致」等以設備為前提的思想。物流系統應基於 EIQ 數據進行獨特建置。
切勿收集過多數據・10%的誤差視為容許範圍： 切勿過度拘泥於極度精準，僅縮減必要數據並迅速進入研討。物流數據10%左右的波動視為誤差範圍，優先抓取整體趨勢才是關鍵。
以包裝型態（PCB）解讀數據： 「100箱」之數字，若以 1 棧板＝ 24 箱之條件解讀，即變為「4 棧板＋ 4 箱」。擁有PCB分析視角，方能看清實際棧板裝卸與外箱揀貨的具體作業負荷。

調查對象日之相對定位（掌握最大值與平均值）

若不掌握「作為分析對象之特定1日物量，在年間最大值與平均值中處於何種位置？」，即無法進行精準的系統建置。

🔍 【圖解說明】分析日（2/23）與最大日（5/9）之波動比較分析

上圖展示了特定分析日（2月23日）之物量，與其後實動期間（4月25日〜5月9日）之每日物量波動圖表。

分析日（2/23）數據： 出貨量 36,402 包（其中冷凍食品 24,466 包），作業時間 7.7 小時。圖表中以紅色基準線（24,466 包）表示。
最大日（5/9）數據： 冷凍食品出貨量達 27,238 包，預計作業時間飆升至 8.2 小時。

實務洞察： 若僅配合分析日（2/23）之基準物量（24,466包）設計系統能力或定時人員，在如 5月9日之高峰日（27,238包）時，物流系統將會癱瘓。評估分析數據時，必須掌握基準日在年間高峰中的位置，預先納入可涵蓋最大日（8.2小時運作）的設備緩衝與人員排班（加班・派遣支援）。

數據檔案欄位定義與運作規則解析

🔍 【圖解說明】數據欄位定義與揀貨・打包邏輯

上圖為由 WMS（倉庫管理系統）萃取之出貨交易數據結構範例，以及其運作規則之定義。

主要欄位： 出貨日、貨主管理部門、代理店（訂購者）、發送地址（End Customer）、訂購單號、出貨單號、商品編號・名稱（Inventory Item Code）、批號、序號、出貨數量等均有定義。
揀貨・打包規則：
①「以 End Customer Number 為單位揀取 Inventory Item Code，讀取揀取商品之 Lot Number 及 Serial Number 並附加至出貨資訊。」
②「以 End Customer Number 為單位揀取之商品，按發送地址單位合箱打包後出貨。」

實務洞察： 在系統建置中，不僅要解讀「發送何物多少個」之數值數據，更需從數據結構中解讀「以何單位（End Customer）揀貨，並於何階段進行合併・打包」之邏輯。明確 SKU 與打包單位後，方能精準設計所需之打包台數量與條碼掃描器之運作流程。

5. ＥＩＱ分析之概要與目的

🔍 【圖解說明】EIQ研究之7大途徑與實務者・研究者之角色

上圖展示了關於 EIQ 手法之 7 大研究主題，並定義了各主題應由「實務者」或「研究者」主導之整體架構。

實務者主導之主題（現場運作・系統建置）：
1. 採用 EIQ 手法之簡略現狀分析研究
2. 適合 EIQ 特性之運作・情報・設備選擇方法研究
6. 依 EIQ 分析與功能要求進行物流系統設計之研究
7. 提高出庫效率之 DATA 加工方法研究
研究者主導之主題（理論模型・數據轉換）：
3. 由 DATA 來源導出 EIQ 特性之手法與表現方法研究
4. 由 EIQ 特性模式建立 DATA 來源之研究
5. 經由 DATA 來源解析推算設定出庫方法負荷之研究

實務洞察： 負責現場系統建置之實務者，不應單純追逐集計邏輯（研究者領域），而應著重於「如何由 EIQ 數據所得出貨特性中，選擇與設計合適之物料搬運設備與作業」。

ＥＩＱ分析程式與基本步驟

🔍 【圖解詳細說明】由數據分析至系統設計・物流成本計算之連動流程

上圖展示了以 EIQ 分析數據為起點，貫穿配送中心空間・裝卸設計至最終投資成本計算之模擬機制。

EIQ分析篇・EIQ應用： 由 EIQ 數據預測理論庫存、再訂購點、進貨量，並自動輸出缺失數據補全與 EIQ 矩陣・曲線。
系統設計資料篇（出貨分析・裝卸設計）： 每小時出貨量平準化、外箱・散裝單件・棧板單位之分離（PCB分析）、進貨・出庫・補充・散裝揀貨之裝卸負荷計算、檢品・打包數及碼頭數設定。
物理區域設計（進貨・保管・出貨區域）： 由所需棧板數計算進貨・保管・出貨區域之所需面積、計算作業人員並自動繪製設備配置圖。
物流成本計算篇（營業工具）： 彙整建築・設備・資材・人員・配送成本，模擬投資報酬率（ROI）、租賃費及折舊費。

實務洞察： 優異之數據分析絕非滿足於製作報告，而是如圖所示，作為自動連動「物理所需面積（保管・出貨）」、「所需人員」、「物料搬運設備」及「ROI・物流成本」試算之系統建置基礎，方能發揮真實價值。