去年，我帮一个年销售额 3 亿的服装电商做仓库诊断。他们刚换了 WMS 系统，拣货效率却只提升了 8%，远远低于预期。老板很困惑：系统上了，货位也分了，为什么还是乱？
我走进仓库，发现一个现象：一个爆款卫衣，上架两周，出库量排名第一，却被放在离打包台最远、需要爬四层货架的最高层。而另一款只卖了 3 件的长袖 T 恤，却霸占着最靠近主通道的“黄金货位”。
这不是个例。这是绝大多数电商仓库“静态思维”的真实写照。
货位优化，听起来是仓储管理的 ABC 级问题，但 80% 的人做错了。他们以为货位优化就是“按品类分区”或者“按大小码放”。实际上，真正驱动拣货效率的，不是静态的物理属性，而是动态的出库频次。本文要讲的，就是如何用“出库频次”作为第一性原理，通过“热度聚类”的方法，动态重构你的仓库货位，让拣货效率实现质的飞跃。
很多人把货位优化等同于“ABC 分类法”。但 ABC 分类法有一个致命的滞后性：它通常基于过去 3-6 个月的销售总额或库存金额来分类。在电商这种需求波动剧烈的场景下，结果往往是滞后的。
我的核心结论是：货位优化的核心不是“静态分类”，而是“动态聚焦”。 这个聚焦的准星，就是“出库频次”。
出库频次，直接告诉你：哪个 SKU 最频繁地被工人拿取。工人拿取一个商品，90% 的时间都花在“走路上”。因此，货位优化的本质，就是将“高频率出库”的 SKU，以最小的物理距离，放置在离拣货入口、主通道、打包台最近的位置。
“热度聚类”就是将这个逻辑量化的方法。它不是简单的“热卖品放前面”，而是一套基于数据驱动的动态分区策略。它把仓库平面划分成“金、银、铜”三个区域，基于出库频次的热力指数，将 SKU 动态分配到对应的区域。
这套方法的核心价值在于：在不增加任何硬件投入（如自动化设备）的情况下，仅通过改变数据的摆放逻辑，就能让拣货效率提升 30% 到 50%。
2023 年，我服务过一个 3C 数码配件客户。他们的 SKU 超过 3000 个，仓库面积 800 平米。痛点非常典型：大促期间，爆款的数据线总是缺货，而平常卖不动的手机壳却堆满了过道。
我第一次去现场，发现他们的货位布局是：按品牌分区。华为一个区，小米一个区，苹果一个区。每个品牌下，再按品类（充电器、数据线、耳机）分。这种布局，对采购和盘点很友好，但对拣货效率是灾难。因为，用户在电商平台下单，是“跨品类”的。一个订单，可能同时包含华为的数据线、小米的充电器、苹果的耳机。拣货员需要穿越整个仓库，走遍三个区，才能拣完一个订单。
这就是典型的“数据思维”与“业务流思维”的冲突。
1. 数据思维下，货位 = 存储属性。 仓库是“存储”的，所以要按品名、品牌、规格码放整齐。这是最朴素、最直观的思维。
2. 业务流思维下，货位 = 效率属性。 仓库是“出库”的，那么最频繁被拿取的 SKU，就应该放在最容易拿到的地方。而出库频次，就是衡量“易拿取”的核心指标。
我后来问他们，你们知道 Top 100 的 SKU 是哪几个吗？他们能说出大概，但说不出具体的出库频次排名。更关键的是，他们不知道，这 Top 100 的 SKU，贡献了全仓库 70% 的出库单量。而这 100 个 SKU，分散在仓库的各个角落。
这就是问题的根源。我们不是不知道“热卖品”，而是没有用“出库频次”这把尺子，去衡量仓库的物理布局。
在接触了几十个电商仓库后，我总结了关于货位优化的四个典型误区：
误区一：按品类分区就是最优解。 这是最普遍的错误。如前所述，它方便了“入库”，但为难了“出库”。在电商场景下，订单的“破坏性”极强，它们不会按品类排列。强制按品类分区，会让拣货员每天都在“跨区大迁徙”。
误区二：把所有热卖品都堆在门口。 这是另一个极端。有些老板认为，既然热卖品效率高，那就把所有热卖品都塞到门口。结果导致门口区域爆仓，货架挤得水泄不通，拣货员反而更难找到货。而且，这会导致“冷门区”完全闲置，不仅浪费空间，还增加了调拨和补货的难度。
误区三：货位优化是一次性工程。 很多公司花了一个周末，重新排了货位，然后就“一劳永逸”了。三个月后，爆款变了，仓库布局却还是老样子。货位优化必须是一个动态的、持续的过程。我的建议是，至少每两周跑一次出库频次数据，每季度进行一次大调整。
误区四：只看库存金额，不看出库频次。 这是 ABC 分类法的硬伤。一个高价值、低周转的 SKU（比如一台进口高端咖啡机），在 ABC 分类里可能是 A 类，占用大量资金，但出库频次极低，一年卖不了几台。如果把它放在黄金货位，就是对黄金货位的巨大浪费。而一个低价值、高周转的 SKU（比如一个发圈），虽然单价低，但每天出库几百个，它才是仓库真正的效率核心。
绕开上面这些坑，我们来看具体怎么做。核心逻辑可以拆解为三个步骤：
1. 数据清洗与计算（用 Excel 就行）
不要被“模型”两个字吓到，其实用 Excel 或任何一个 BI 工具都能实现。你需要的数据很简单：近 30 天或 60 天，每个 SKU 的“出库次数”和“出库数量”。
这里有一个关键点：用“出库次数”而不是“出库数量”作为核心指标。 为什么？因为拣货员走一次，是为了拿一个 SKU 的货。如果这个 SKU 一次出库数量是 1000 件，另一个 SKU 出库次数是 100 次，但每次只出 1 件。那么，对拣货员来说，后者对他的“走位”影响更大，因为他在 100 个不同的订单里，都要去找这个 SKU。所以，出库次数 = 拣货员寻找该 SKU 的频次，这是决定“走路距离”的关键变量。
然后，计算一个综合的“热度指数”。我的公式是：
热度指数 = 出库次数 × 0.7 + 出库数量 × 0.3
这个权重可以根据你的业务特性调整。如果你们是大单量、少批次，可以把“出库数量”权重调高；如果你们是碎片化订单、多批次，就把“出库次数”权重调高。
2. 仓库分区与“热度”映射
拿到热度指数后，把 SKU 从高到低排序，然后分成三档：
3. 黄金层位的动态分配
除了分区，货架的高度也至关重要。我做过一个测试：在同一排货架，最底层（需要弯腰或蹲下）和最顶层（需要爬梯子或垫脚）的拣货效率，比中层（平视）低了 40%。
因此，黄金货位（货架中层）必须优先分配给热度指数最高的 SKU。 这是一种“双重优化”：在空间上（离入口近）和高度上（中层）都达到最优。
回到开头那个 3 亿的服装电商。我们和他的团队，用了一个周末，做了如下改造：
第一步：数据清洗。 导出过去 60 天所有 SKU 的出库数据。剔除已经下架或断货的 SKU，最终得到 1500 个活跃 SKU。
第二步：计算热度指数。 按照“出库次数 × 0.8 + 出库数量 × 0.2”的权重（因为服装电商订单碎片化严重，单件出库比例高），计算出每个 SKU 的热度指数。排名前 5% 的 SKU，热度指数惊人地高，都是爆款卫衣、T 恤和裤子。
第三步：重构仓库地图。 我们把仓库平面图上的 12 个货架区，重新标注为“黄金区（2 个区）”、“白银区（4 个区）”和“青铜区（6 个区）”。
第四步：黄金区规则。 我们规定，黄金区只放热度指数排名前 5% 的 SKU，且必须放在货架第二层和第三层（黄金层）。
第五步：调拨与执行。 周末两天，我们和仓库团队一起，根据新的货位图，对所有 SKU 进行了一次大调拨。调拨期间，仓库暂停发货，但投入了 10 个人，两天内完成了 90% 的调拨任务。
结果怎么样？
这个案例不是偶然。后来我又把同样的方法，复制到了另一个零食电商和一个日化电商，都取得了类似的效果。核心原因只有一个：我们尊重了“出库频次”这个第一性原理。
不是所有仓库都适合一步到位。根据你的业务规模、系统能力和团队执行力，我建议分三种情况来实施：
情况一：小型仓库（< 500 平米，SKU < 500 个）
推荐做法：手动优化 + 每日复盘。 不需要复杂的系统。周末花 1 小时，用 Excel 算出热度指数，然后打印出来，贴在货架上。让拣货员根据“热度”自行调整货位。关键是养成“高频次靠近入口”的直觉。每天结束前，花 10 分钟复盘：今天哪个 SKU 走得最多？它现在在哪个位置？明天能不能挪到黄金位置？
情况二：中型仓库（500-2000 平米，SKU 500-3000 个）
推荐做法：半自动化 + 每周调拨。 使用 Excel 或轻量级 BI 工具（如九数云），自动生成每周的“热度指数排名”。设定一个规则：每周五下午，根据新排名，进行一次“黄金区”的微调。只调整热度指数波动最大的前 10% 的 SKU。不要大规模调拨，以免打乱仓库节奏。
情况三：大型仓库（> 2000 平米，SKU > 3000 个）
推荐做法：系统集成 + 动态路径推荐。 将“热度指数”模型接入你的 WMS 系统。让系统在生成拣货任务时，自动根据“出库频次”和“订单组合”计算出最优拣货路径，并动态调整货位。这套方法需要投入，但效率提升是几何级的。同时，需要建立一套“货位定期审计机制”，每季度进行一次全量货位复盘。
任何优化都有代价。热度聚类法也需要权衡几个关键点：
1. 调拨成本 vs. 拣货效率的提升。 这是最核心的取舍。每次调拨，都会消耗人力、时间，甚至可能影响当天的发货。我建议，不要为了追求完美而频繁调拨。 设定一个“调拨阈值”。比如，只有当某个 SKU 的热度指数跌出前 20% 之后，且已经在黄金区停留超过 2 周，我们才考虑将其调拨出去。这个策略能有效降低调拨成本。
2. 入库效率 vs. 出库效率。 按热度聚类，可能会让入库效率下降。因为，为了让一个高频 SKU 进入黄金区，你可能需要先把一个低频 SKU 从黄金区搬走。这会增加入库上架的时间。我的建议是：以出库效率为核心，牺牲部分入库效率是值得的。 因为，在电商场景下，出库是直接面对客户、产生营收的环节，而入库是内部流程。把资源倾斜给客户永远是对的。
3. 库存准确性 vs. 货位灵活性。 动态调拨会增加库存变动的频次，如果系统记录不及时，容易导致“有货无位”或“有位移货”的情况，进而影响库存准确性。解决方案是：引入“移库单”机制。 每一次物理调拨，都必须同步在系统中生成移库单，更新货位信息。这要求仓库团队有严谨的执行力。如果做不到，宁可不调拨，也不要制造混乱。
回到开头那个服装电商。我们后来帮他们建立了一个“每周热度播报”看板。每周一早上，仓库主管打开看板，就能看到过去一周 Top 50 的 SKU 变化，以及哪些 SKU 需要被调出黄金区。这个看板，就是用九数云搭的，零代码，数据直接对接 WMS 系统，自动刷新。
这个看板，彻底改变了仓库的决策方式。从“凭感觉”变成了“看数据”。从“我猜这个爆款能卖”变成了“数据告诉我这个爆款在卖”。
这就是热度聚类法的最终价值：它不只是优化了货位，更是优化了团队的决策模型，让仓库从“成本中心”变成了“效率中心”。
你的下一步，很简单：打开你的 WMS 系统，导出最近 30 天的出库数据，找出那个出库次数最多的 SKU。 然后，亲自走到仓库，看看它现在在哪个位置。如果它不在黄金区，那么，这就是你优化的起点。
我做电商仓库三年了，一直听人说货位要按热度聚类，但到底什么叫热度？为什么大家都盯着出库频次而不是库存金额？我试过按ABC分类调货位，效果不明显，想搞清楚热度聚类的底层逻辑到底是什么。
热度聚类本质上是一种基于行为数据的空间优化策略，核心假设是：出库频次高的SKU应该放在离拣货起点最近的位置。出库频次之所以是核心指标，是因为它直接决定了拣货员每天的行走距离，一个SKU一天被拣20次和2次，放在同一位置，对拣货效率的影响是10倍的差距。
我2019年接手一个日均3000单的服装仓库，最初按品类摆放（T恤区、裤子区），结果发现拣货员每天走2.5万步，效率极低。后来我导出了过去3个月的出库记录，按SKU统计出库频次，发现前20%的SKU贡献了78%的出库次数。
按频次将TOP20%的SKU搬到离打包台最近的黄金货架，拣货员步数骤降到1.2万步，人效翻倍。出库频次比ABC分类更优的原因：ABC分类通常按库存金额分，但高金额的SKU可能出库极慢（比如高价奢侈品），而低金额的爆款（如9.9元袜子）出库频次极高。
如果按ABC，A类（高金额）占黄金货位，但实际拣货员每天跑得最多的却是C类爆款，这完全反了。热度聚类直接用“动作次数”驱动，避免了这个陷阱。
我懂热度聚类很重要，但我是运营出身，不会写代码，只有Excel，能告诉我具体怎么操作吗？需要哪些数据？怎么算热度？有没有现成的模板？
完全可以，我当年就是用Excel做的，没有WMS系统也能跑。步骤如下： 第一步：准备数据 从ERP或后台导出至少3个月的出库明细，字段包括：SKU、出库日期、出库数量。不需要金额。如果有多种仓库（如电商仓、线下仓），区分开。
第二步：计算出库频次 用数据透视表，统计每个SKU在3个月内的出库总次数（注意是次数，不是数量。一个订单包含多个SKU，每个SKU计一次）。
例如：
| SKU | 出库频次 | 排名 |
|---|---|---|
| A001 | 450 | 1 |
| A002 | 320 | 2 |
| … | … | … |
| Z999 | 2 | 2000 |
第三步：划分热度等级 按累计频次占比划： – 高频（Hot）：TOP 20%的SKU，覆盖约80%出库次数 – 中频（Warm）：中间30%的SKU – 低频（Cold）：底部50%的SKU 第四步：匹配货位 仓库货位按距离打包台远近分为A（最近）、B（中间）、C（最远）三个区域。
将高频SKU放入A区，中频放B区，低频放C区。注意：同热度等级的SKU尽量放在同一巷道，减少行走路径。我测试过：一个5000SKU的化妆品仓，按此方法调整后，拣货效率提升了35%，且员工反馈“找货轻松多了”。
小技巧：如果SKU数量多，可以先只对销量TOP100的SKU做聚类，因为80%的拣货工作集中在这100个上面，其他SKU可以按品类松散存放。
我按热度算出了热销SKU，但真要动手搬货时，库房主管说这样会打乱原有盘点体系，仓库员工也抵触。我想知道有没有人成功落地过？具体怎么调整的？调整前后效率对比数据是怎样的？
2021年我帮一家母婴电商仓库做过货位调整，他们原有7500个SKU，按产品线分（奶粉区、纸尿裤区、童装区）。拣货员平均每天走2.1万步，大促期间甚至3万步。
落地过程： 1. 先说服管理层：用2周时间导出数据，计算出TOP10%的SKU贡献了82%的出库频次，给出预期效益（拣货效率提升30%），老板同意试点。2. 试点区域：选择纸尿裤区（SKU少，只有300个，但出库频次最高）。
重新规划：将纸尿裤区原来的6个货架按热度重新分配，A区（最近2个货架）放出库频次前40的SKU，B区（中间2个）放频次41-100的，C区（最远2个）放低频SKU。4. 调整工作量：2个人3天完成，期间用临时标签，不影响正常发货。
结果数据： – 试点前：纸尿裤区平均拣货时间45秒/单 – 试点后：平均拣货时间28秒/单，下降38% – 全仓推广后：拣货员日均步数从2.1万降至1.3万，日均出单量从1800单提升到2500单 关键细节： – 调整时同步更新WMS系统货位编码，确保扫码枪不报错 – 对于高频SKU，每个货位不建议放超过2个SKU，避免拣货时混淆 – 低频SKU允许合并存放（如6个SKU放一个货位），节省空间
我试过热度聚类，但效果只维持了2个月，后面又乱了。而且我发现有些SKU出库频次很高但每次拣货量很大，搬一次就够用很久，反而应该放远一点。还有员工说新货位不好找，效率反而下降了。这些坑该怎么破？
你遇到的坑我全踩过，分享四个最致命的以及解法： 坑1：静态聚类，不及时更新 大多数团队只做一次热度聚类，然后就固定了。但电商销售的波动性极大，一个爆款可能火3周就凉了，一个新品可能突然爆发。解法： 建立动态刷新机制。
我建议： – 每月1号跑一次出库频次数据，重新计算热度排名 – 对于TOP10%的爆款SKU，每周检查一次，如果排名掉出前15%，立即调仓 – 用预警规则：当某个SKU的出库频次连续2周下降超过30%，自动标记为“待观察”，下月评估 坑2：只看频次，忽略单次出库量 你提到的“频次高但量极大”的情况确实存在，比如大宗批发订单。
一个SKU可能一个月只出库3次，但每次出库500件，拣货员一次拉走，根本不需要频繁走动。解法： 引入“拣货动线权重” = 出库频次 × 单次平均拣货数量。如果单次出库数量超过50件，建议降低其热度权重，或者直接放在靠近补货区的位置，而非靠近打包区。
坑3：员工不习惯新货位，效率不升反降 热销SKU频繁换位置，老员工会抱怨“找不到”。我踩过这个坑，第一次调整后，老员工拣货速度反而慢了20%，因为他们肌肉记忆失效。
解法： – 调整前先培训，给每个员工发一张“热度地图”（打印的货位分布图） – 用颜色标签区分热度：红色=高频，黄色=中频，绿色=低频，让员工一眼识别 – 过渡期（1周内）允许老员工用PDA搜索旧货位，但只显示“已迁移至新货位”的提示 坑4：只调货位，不调补货策略 热度聚类后，高频区经常缺货，因为补货员习惯按旧路线跑。
解法： 将高频区列为“优先补货区”，设定补货预警阈值（库存低于安全库存时，系统自动触发补货任务，且补货员优先处理）。同时，高频区货架高度建议不超过1.5米，方便补货员快速上架。
读者评论
作为仓库主管，以前一直按品类分区，文章点出了关键：出库频次才是核心。我们试了热度聚类，拣货路径缩短了三分之一，人员抱怨也少了。但调拨工作量确实增加，需要系统支持动态调整。
文章说的误区一针见血，我们之前就是把所有热卖品堆门口，结果堵得不行。现在按热度指数分层分配，黄金层放高频品，效率提升明显。不过数据清洗和权重设定还是需要经验。
技术层面讲得很清楚，用出库次数而非数量作为主要指标确实更贴合拣货实际。我们电商订单碎片化严重，这个公式很有参考价值。但两周一次的数据更新频率对中小卖家可能有点高。
对比ABC分类法，热度聚类更动态，但执行成本也高。我们试过手工调拨，发现如果系统不配合，频繁调整反而容易出错。文章建议每季度大调整比较合理，日常靠系统提示微调即可。