上个月帮一个做母婴用品的客户做数据诊断，发现他们仓库里婴儿湿巾、纸尿裤这类周出货 200 次以上的 SKU，竟然全部堆在三楼货架最深处，而一楼下单不到 30 次的节日促销礼盒却霸占着打包台旁边最好的位置。仓库主管跟我说他们“严格按照 ABC 分类摆了”，问题是他用的是出库件数分类，不是出库频次。就是这个看似不起眼的指标错位，让他的拣货员每天平均多走将近 4 公里，折算成年本将近 15 万。
很多企业在选库存管理系统时，一上来就问能不能自动推荐货位，但很少有人真正理解系统做推荐背后的底层逻辑到底是什么。这篇文章我想把最近几年在数十个项目里反复验证过的一套判断方法写清楚，库存管理系统到底怎样通过出库频次来优化货位摆放策略，包括容易踩的坑、不同体量仓库的落地路径，以及什么时候你不应该盲目追求“最优摆放”。
大多数人对这件事的理解停留在“把畅销品往前放、滞销品往后放”，这个方向本身没错，但过于粗糙。在我参与过的几个日发货万单以上的仓库项目里，真正有效的货位优化其实在同时回答三个问题：哪批货应该靠近打包台、哪些货可以在同一个拣货路径上、哪些“高频品的特殊属性”反而决定了它不适合黄金位置。
出库频次，指单位时间内某个 SKU 被拣货任务触发的次数，而不是合计出库件数，这才是货位优化的第一指标。
选这个指标的理由很简单：仓库里拣货员的行走时间，本质上是由他去某个货位“往返次数”决定的，而不是由他一次性从货位上拿多少件决定的。一个一次性拣 50 件但一个月只出一次单的 SKU，放在打包台旁边就是巨大的空间浪费。而一个每周被 150 个订单分别触发、但每次只拿 1-2 件的 SKU，哪怕总件数没排进前 50，也应该放到最近的位置。
这个错误我至少见过二十次以上。大多数仓库的初始货位规划，都是业务团队从 ERP 里导一份“近 30 天出库数量 TOP 200”给到仓库，然后把这 200 个 SKU 往离打包台最近的货架上一塞。问题出在哪呢？这个名单里经常包含一些 B2B 渠道的大宗出货品，可能一个订单 300 件一次性走掉，这个品在这个月里总件数确实排前 30，但它的拣货触发次数只有 2-3 次。而真正每天都在被各种散单高频触发的品，件数没进前 100，却被丢到了远端的拣货区。
出库频次的计算口径是从“订单行”维度去看的，不是从“出库单”维度。每个订单明细行对应一个 SKU 的一次拣货触发，这才是频次的基础单位。
很多团队习惯每个季度或者大促前搞一次“货位大挪移”，把整个仓的货架全部按最新数据和 ABC 分类重新排一遍。这种做法的最大问题不是劳动量大，而是在调整期间仓库几乎处于半瘫痪状态，更重要的是，一次性大调整后，往往不出三周，因为新品入库、老品退仓、季节切换，新布局就又偏离实际了。
我们总结下来，比较安全的方案是“增量调整 + 小步快跑”。每天只动 5-10 个货位，根据近一两周的出库频次变动数据，把变动最大的那几个 SKU 做微调。这样仓库正常发货不中断，而且调整成本可以被日常作业消化掉。
黄金货位不是一个固定坐标，它是相对变量。一个仓库的黄金区域，取决于该仓库的打包台位置、主要动线走向、拣货员的实际行走路径。我们做过一个有意思的观察：同一个仓里，日班和夜班因为打包区开灯范围不同，实际上高频品的最佳存放区都有细微差异。这当然不是说需要为不同班次设置不同货位，但至少说明“黄金区”不是刻在墙上的。
这一步最关键的前提是数据准确性。不是打开 ERP 或者 WMS 看一个“出库次数”字段就完事了，经常有系统里的“出库次数”统计口径是出库单数而不是订单行数，这会导致大宗品被高估。正确做法是从订单池里抽取近 30-60 天的订单明细，按 SKU 聚合，计算每个 SKU 出现在订单明细行的次数。
如果仓库规模不大，还没有上 WMS，可以用 Excel 的 COUNTIFS 函数直接跑一份。我通常建议把这个计算周期拉到 60 天，因为 30 天的数据对于有促销波动的品类来说太短，容易把活动期爆款误判为常青高频品。
这是近几年我们在项目里演进出来的一个概念。有些 SKU 虽然订单行触发频次很高，但每次拣货都是整箱出或整托出，拣货员根本不需要走到散件拣货区，这类 SKU 就不应该占用散件区的黄金货架。应该在统计出库频次时把一个 SKU 的拣货方式拆开：散件拣货的订单行单独统计，整箱/整托的订单行另计。只有散件拣货的频次，才是决定散件区货位优化的真实指标。
光看频次不够。一个高频但体积巨大、单次拣货需要叉车的品，放在离打包台最近的散件货架上是灾难。我一般会把所有 SKU 放进一个二维矩阵里：纵轴是净堆拣选频次，横轴是单件体积或拣货难度系数。这样会得到四个象限：
这个矩阵的关键是把那些“高频但不该放黄金位”的 SKU 识别出来。我见过最夸张的案例是一个卖宠物用品的仓，把 10kg 装猫砂当成高频品塞在打包台旁边，结果打包员的转身空间被挤占，反而降低了整个打包台的吞吐效率。
出库频次告诉我们单个 SKU 该放在哪，但拣货是批量进行的。一个订单往往包含多个 SKU，如果这些高频品彼此之间高度关联，比如奶粉和奶瓶经常在同一张订单里出现，那么它们不仅各自是高频品，还应该被放在相邻货位甚至相邻货架上，这样可以大幅减少拣货员在一个订单里的往返。
实际操作中，我会在拿到频次数据之后，再跑一张关联矩阵表：统计任意两个 SKU 出现在同一订单行的共现次数，从中筛选出共现频率最高的那些组合。优化的优先级是这样：先把高频且强关联的 SKU 聚在一起放在最好的区域，再把高频弱关联的按频次依次向外排布，最后处理低频品。
这个仓的问题是 SKU 很多，近 2000 个，但体量都不大。初始布局是各大类按品牌分区，结果拣货员每天在一个品牌区里反复折返。我们把近 60 天的订单明细拉出来一算，发现 40% 的订单行集中在 120 个 SKU 上，而这 120 个 SKU 分布在仓库七个不同区域，拣货动线几乎覆盖全仓。
调整方案是：在打包台旁边建立一个“高频快速拣货区”，专注放这 120 个 SKU，每个品类只放 2-3 天的安全库存，主库存仍留在原货架。高频区每天补货一次。调整完成后的第一周，日均拣货行走总距离下降了大约 28%，单个订单的平均拣货时长从 4.2 分钟降到 3 分钟左右。
这个案例给我最大的启发是：你不必动整个仓库的布局，只要把最高频的那一小批 SKU 从原位置抽出来集中前置，就能拿到大部分效率提升。
另一个案例是一家做家居杂货的企业，仓库里同时有餐具、收纳盒、小型家具。有一款折叠收纳箱，频次排进前二十，但单个体积接近 0.05 立方米，一托盘只能放十几个。如果我们单纯按频次把它放在离打包台最近的地方，它会在一天之内就把周边货架通道堵死。
最终方案是把打包区旁边划出一个“高频大件地面暂存区”，地上画线分区，不做货架，直接码托盘。拣货员走到这里取货，不需要弯腰、不需要钻货架，整个操作时间反而比散件拣货区更快。这个调整后面成了他们仓库的固定配置。
这个案例验证了我之前说的：最优策略往往不是在一个维度上做到极致，而是在多个约束条件里找到可接受的妥协方案。
这个阶段不需要上复杂的 WMS 系统来做货位优化，但完全可以用一张 Excel 把核心逻辑跑起来。最实用的做法是：
工作量大概每月一两个小时，但拣货效率通常能提升 15%-20%，投产比非常高。这个阶段的核心原则是“够用就行”，不需要去追求货位编号、动态分配等复杂方案。
到这个阶段，Excel 已经开始吃力了，因为 SKU 数量多、库存变动频繁，手动维护频次数据几乎不可能跟上实际节奏。这时候应该考虑上 WMS 或轻量级 BI 工具（比如我们团队比较常用的九数云，直接对接 ERP 和电商平台，近实时拉取订单数据并按 SKU 计算净堆拣选频次，自动输出频次-体积矩阵）。
中频调整是这个阶段的关键节奏。建议的周期是：每天自动更新频次数据，每周做一次小范围货位微调，每月做一次中等范围的重新排布。不要等到季度末再大动。
体量到这个级别，货位优化已经不是一个人能手动跟踪的事了。需要系统级支持：动态货位分配算法、关联购买建模、自动补货触发，以及跨仓的库存分布优化。这类企业面临的核心问题往往已经不是单个仓内的货位怎么摆，而是哪些 SKU 该放在哪个仓的哪个位置，以减少整体履约成本。
我们服务过的一家跨区域经营的食品企业，在华东、华南各有一个主仓，之前两个仓都按自己的销售数据各自做货位优化，但两边的热销品有 60% 是重叠的，华南仓替华东覆盖了大量华中订单，导致跨区发货成本高居不下。后来我们帮他们用全国订单数据进行统一分析，按收货地址和 SKU 频次做仓网分配调整，把跨区履约比例从原来的 23% 压到了 11%，节省的物流费远远超过了仓内货位优化的收益。
如果仓库的绝大部份出库作业都是整托出货或整箱出货，散件拣选在整体工时里占比不到 15%，那么按频次优化货位带来的整体收益其实非常有限。这时候更应该关注的不是拣货路径，而是月台调度、叉车路径和整托存储区的货位利用率。
快时尚、季节性很强的品类，有些 SKU 上架到下架一共就两三周。如果按照 60 天窗口去算频次，等数据跑出来，这个品可能已经退市了。这种情况下更需要依赖品类经验做初始货位预估，而不是僵化地等数据积累。
如果仓库所在地区的人力成本非常低，或者可用仓储面积极大、货位完全不用精打细算，那么货位优化的紧迫性就排在后面。但我需要提醒的是，这类情况在当前中国的电商和零售环境下已经越来越少见。过去五年里我看到的情况是，无论是中西部还是沿海，仓储用工成本都在持续上升，空间成本也在走高，货位优化的投资回报周期一直在缩短。
做了这么多仓储数据项目后，我最深的感受是：货位优化这件事能不能持续产生价值，关键不在于初始那一次大调整是否完美，而在于有没有把它变成日常流程的一部分。
我建议的节奏是这样的：
如果你现在正准备开始做这件事，我的建议是先别想着一步到位上系统做全自动优化。从最基础的数据做起：把近 60 天的订单明细导出来，算出每个 SKU 的净堆拣选频次，跑一个频次-体积矩阵，找出那几十个明显错配的品，手动调整一下。这一步走完之后，你对数据质量、系统现状和团队的落地能力会有非常真实的感知，再决定要不要投入更多资源去做自动化。
货位优化永远没有“调完了”的那一天。仓库是活的，订单结构在变，SKU 在变，打包台位置都可能因为旺季临时加开而改变。真正有价值的不是一次完美的排布，而是一个能让仓库持续适应变化的机制。
我按照出库频次把热销品都移到了黄金货位，但发现拣货员还是抱怨，甚至订单处理更慢了，难道频次不是第一指标吗？
不要只看频次，还得看体积和关联性。我踩过这个坑：某次促销后把整箱矿泉水（高频）移到离打包台最近的货架，结果叉车频繁进出，通道堵塞，反而让旁边小件高频品的拣货员多走30%的冤枉路。后来我用了一个修正模型：计算每个SKU的频次×体积系数（体积越大系数越低），再按修正值排序。
同时把关联品（比如啤酒和花生米）捆绑调整到相邻货位。调整后拣货路径缩短了15%，拥堵投诉降为零。建议你用Excel拉一张表，先按频次降序，再加一列体积等级（1-5），乘以权重后重新排序，效果立竿见影。
我每周统计出库频次然后调整货位，但发现频繁变动导致拣货员记不住位置，反而出错，到底该用多长时间的数据才能稳定？
别用周数据，那会过度响应噪音。我的经验：对于快消品，至少取90天数据，因为涵盖一个完整促销周期。我曾经帮一家零食电商做优化，他们日频次波动很大（比如周末爆单），但季度趋势非常稳定。我设计了一个加权移动平均模型：近30天权重50%，前30-60天30%，前60-90天20%。
这样既保留敏感度又平滑异常。实施后货位调整频率从每周变成每季度，拣货员培训成本下降60%，拣货错误率降低8%。建议你按这个公式直接套用Excel，三个月后再微调，别被短期波动带偏。
我的仓库里堆了很多卖不动的货，而且还在黄金位置，每次拣货都要绕过它们，但又不敢随意挪动，有什么好办法？
这叫隐形浪费，必须用反向优化清理。我设计了一个三步策略：第一，定义出库频次低于每月1次的为低频品，强制移到最后三排货架；第二，给低频品加一个30天观察期，若仍无出库则触发清仓提醒（比如打折或退货）；第三，对释放出的黄金区域重新按高频品填充。
实际案例：某服装仓库清理后，黄金区域释放出30%空间，拣货员每天少走2公里，月均减少无效搬运2000次。核心逻辑是给每个货位定价：离打包台每近1米，年度租金多付1000元。低频品占用高租金就是亏钱，用财务数据说服管理层砍掉滞销品。
我们公司打算上WMS系统的自动货位推荐功能，但我听同行说自动优化经常出错，导致仓库大乱，到底该不该信系统？
我测试过三款WMS的自动优化功能，踩过两个大坑：第一，系统只认频次，忽略商品属性（比如易碎品必须放低层、冷藏品必须专区）；第二，系统把同款不同色SKU分散到不同货架，因为它们频次相同但没有考虑关联性。我后来采用混合模式：先让WMS跑出初版方案，然后人工复核前20%的高频/大件/特殊品，手动修正。
在一个3万SKU的仓库里，初版方案有40%需要调整，但调整后拣货效率提升25%。建议你不要全盘信任系统，而是用系统的算力排初稿，再用你老员工的直觉兜底。选型时一定要问厂商是否支持自定义权重（体积、关联度、保质期），否则自动推荐就是半成品。
读者评论
做母婴仓三年了，一直用出库件数排ABC，看了这篇文章才意识到为什么拣货员天天抱怨累。特意去拉了下订单明细，果然有十几个SKU被高估，实际出库频次很低却占了黄金位。准备按60天窗口重算频次，先调十个高频小件试试。月均多走4公里太真实了，之前一直以为是场地动线设计问题。
高频大件放黄金位确实是个大坑。我这边仓库的洗衣液一直在离打包台最近的三层货架上，结果每次拣货员要费力搬下来，还挡路。后来学聪明了，在地面划了个大件暂存区，不搞货架直接码托盘。效率没降反升，这篇文章把那个频次-体积矩阵讲透了，建议做快消品仓的都看看。
觉得增量调整那部分最有实操价值。之前学别人搞季度大挪移，结果整了两天仓库停摆，补货全乱套，被老板骂惨。现在改成每天调几个高频SKU的位置，用Excel里的条件格式就能标出来变动最大的，花不了十分钟。效率提升虽然没有翻倍那么夸张，但确实少走了很多冤枉路。
关联购买那一块算我的新认知。以前只管各SKU单独的出库频次，没想过把经常一起出的品凑一凑。用文章里说的矩阵跑了下数据，发现奶粉和纸尿裤竟然有80%的共现率，挪到一起之后单个订单拣货时间肉眼可见地缩短。建议补一张动线热力图对比会更有说服力。"想要更多角度的评论，比如对“净堆拣选频次”的质疑或实施难度，我也可以补充。