Aviro360把堆场管理收进一个登录端：闸口15秒放行、库存准确率超98%

详细拆解

堆场就是一支排着队的车队，外面围了一圈铁丝网。车来，闸口放行。真正决定快慢的不是那根栏杆，是栏杆背后那笔业务：系统认不认这个箱、读不读得出这块牌、预约对不对得上、车架在不在池子里、舱单在系统里有没有。认，栏杆抬；不认，就得有人去找。这个人找箱子的工夫，后面所有车一起等。箱位图、摄像头、异常看板，全是挂在这一条队列上的仪表。

10月20日，从北美堆场运营商 ConGlobal 孵化出来的 Aviro360 发布了升级版堆场可视化系统。卖点是收拢：一个登录端，看闸口动态、看箱位、看安全事件、看作业异常，一个场站能看，上百个场站也能看。跟着出来四个数——闸口处理15秒；95%以上的合格闸口作业自动生成；库存准确率98%以上；日均处理25万条作业事件。还有一条看着不像数、其实也是数的说法：它叠加在既有的堆场管理系统、运输管理系统、仓储系统、ERP 和码头操作系统之上，不替换。

这四个数都不错，问题是四个全是平均值。平均值堆场感受不到，堆场感受到的是波动和长尾。下面要做的，是把这四个数换算成堆场真正跑得动的单位：等多少分钟、翻箱烧掉多少机小时、车流到哪个数曲线就竖起来了。

先把话说清楚，因为四个数一起放出来，人容易当成一个数读。15秒是一笔闸口作业的服务时间，而且是一笔干净作业的：箱在系统里、车牌读得出、预约对得上、车架在池子里。按15秒算，一条闸口车道理论上一小时能过 3600÷15，也就是240辆车。没人能把一条车道跑到一小时240辆，而这个理论值和真实值之间的距离，就是这篇要讲的全部。

95%以上的合格闸口作业自动生成。这句话要读两遍，承重的是"合格"两个字。分母不是全部作业，是合格的那些。有用的读法是反过来看：还有5%要人上手。这5%还不是均匀撒在一天里的，它专挑你最扛不住的时段抱团——交接班、船期截关、铁路发车前最后一小时、客户下午临时改了送货窗口。

98%的库存准确率说的是箱，不是说动作。它说的是场上每一百个箱子里，有九十八个在系统认为的位置上。它没说剩下那两个怎么样，而真正产生作业的恰恰就是那两个。

日均25万条作业事件是个网络级数字：摊到24小时，一小时约10400条。摊到100个场站，一个场站一天2500条，是忙，不算离谱；摊到10个场站，一个场站一天25000条，那就是另一回事了。稿子没说是哪一种，而这两种是完全不同的规模和完全不同的账。用这个数之前，先问它背后多少个场站。

架构那条是第五个数，没人把它当数算。叠加在既有系统之上而不替换，好处是明摆着的：不动存量，不做一次性切换。代价藏得深一点——五套系统各有一套"箱在哪儿"的版本，一旦打架得有东西拍板。一个登录端不解决冲突，它只是把冲突从五个地方挪到一个地方显示。这算优点还是算坑，全看上线前有没有把对账规则写下来，这类项目栽在这条规则上的比栽在软件上的多。叠加还有个前提：底下那套系统得有东西可叠。还在用纸的场，或者没有对接接口的堆场系统，是叠不上去的，"不替换"就会悄悄变成一场迁移。

为什么是现在？因为堆场是集装箱这条链上二十年里最没被仪表化的一环。运输系统知道订单，仓储系统知道托盘，码头系统知道船和配载。中间夹着一块围起来的沥青地，一个箱子在那儿待六小时到六周不等，这期间没有哪个系统知道它的事。堆场还只是便宜的溢出停车场时，这个口子能忍；等车架池收紧、预约窗口开始真执行、滞箱费和滞港费开始按事件时间戳算，就忍不了了。

另一股上游推力来自异常：堆场是异常扎堆的地方。船晚是计划事件；箱子在场上但不在系统说的位置，那叫找箱；铅封断了是索赔。这些既不是计划问题也不是货量问题。孵化背景是个线索——在堆场运营商内部长出来的系统跟被买来的不一样，前者会把异常路径先建模，因为运营的人活在异常里。这也是为什么闸口和库存会跟安全事件、作业异常一起发布，而这恰恰是买方最该追问的部分，演示里看不到。

谁吃到什么，各吃多少。收拢这件事——一个登录端管一到上百个场站——是复利发生的地方。多场站网络里，同一个箱子这辈子要进好几个堆场，过去每一次转场都是打电话安排的。一个登录端把每次转场从一通电话变成一次查询，省下的不在查询本身，而在于这个查询可以由一个没站在箱子旁边的人发出去。

单场站的账要小得多。两条车道、4000个箱位的场，不需要网络视野，需要的是自己的队列别出事。对它来说唯一的问题是这四个数能不能撬动那两个真正花钱的指标：司机周转时间和翻箱。

也有一批人，这些统统不值。利用率是本文所有论证的闸门。利用率在0.5以下——两条车道、有效服务时间约32秒、每条车道一小时不到56辆车——队列短、等待短，你对服务端做什么都改变不了多少。你要买的是一块看板，看的是一条从来不是你问题的队列。这笔钱该花在削峰预约和车架供给上。

传导有固定顺序，知道顺序就不会在第一周宣布胜利。单笔服务时间当天能看出来，因为每笔都在量。库存准确率要一到两周，因为没有实物盘点、没有定下真正的分母，它没法被测量。翻箱下降要四到八周：一天600次出场、2%的位置错误，一天大约12次翻箱，一周约60次，够看出20%的变化，不够看出5%。砍异常长尾是按季度算的活。滞箱费、滞港费、周转时间的扯皮跟着合同周期走，一到两个季度。压在最底下的是跟那五套系统的对接排期，而这个排期才真正决定你哪天上线。

那就摆一个具体的场出来，假设全部写清楚：两条闸口车道、4000个箱位；一天出场600次，一年250个工作日；干净作业15秒，发布口径；需要人上手的作业6分钟即360秒，这是假设不是发布数字，也是你最该先换成自己闸口日志的第一个数；自动生成率95%，发布口径；找一次错位的箱花8分钟机时，够到它平均要先挪两箱半、每次4分钟。下面每个数都从这几条假设加发布数字推出来，改一条账就跟着动。

下面是稿子没讲的那一段，也是这篇存在的理由。四个数全是单笔统计，没有一个是队列统计，而队列不按平均值跑。把15秒和95%放在一起算有效平均服务时间：0.95×15 加上 0.05×360，等于14.25加18，是32.25秒。宣传出来的服务时间翻了一倍多，而宣传口径一个字没变。5%的作业每次6分钟，对平均值的贡献比95%的作业每次15秒还大。

再算方差，因为平均值只是一半。二阶矩 0.95×15² 加 0.05×360² 是6693.75，减去均值的平方1040.06，方差5653.69，除以均值的平方得5.44。完全确定的服务端这个数是0，这个服务端是5.5，用排队论的话说是个吵得很响的服务端：大部分车十五秒就走，少数车要六分钟，这种混合是毒药。

代进通用队列的等待时间近似式：等待约等于到达变异系数与服务变异系数之和的一半，乘以利用率除以一减利用率，再乘以有效服务时间。假设到达是泊松的，到达变异系数为1。每条车道一小时60辆车时，车道能力 3600÷32.25 即111.6，利用率0.54，比值1.17，1加5.44的一半是3.22。乘出来：3.22×1.17×32.25，约121秒。一个15秒的闸口，等两分钟。

同一条车道，如果每笔都是干净作业，是另一个世界。服务时间15秒，服务变异近似为0，利用率 60÷240 即0.25，比值0.33，1加0的一半是0.5，等待是 0.5×0.33×15，约2.5秒。同样的车、同样的车道、同样宣传出来的服务时间，2.5秒和2分钟之间的差距就是那5%。

然后曲线就竖起来了。一小时90辆，利用率0.81，等待约432秒，七分钟。一小时100辆，利用率0.90，等待约892秒，快到十五分钟。一小时110辆，利用率0.99，模型给的等待按小时算，现实里就是这条队列干脆不排空了。阈值在利用率0.85，按这个服务时间约等于每条车道一小时95辆车。过了这条线，干净作业再快也救不了你。

同样的错价也出现在准确率上。98%听着像个四舍五入的零头，按箱算是，按动作算不是。4000个箱位，2%是80个箱位置记错了；一天600次出场、2%的命中率，就是一天有12个箱要人去找。12次找箱每次8分钟，96分钟；12次翻箱每次多挪两箱半，30次额外动作、每次4分钟，120分钟。加一起一天216分钟，为这2%烧掉约3.6个机小时，250个工作日就是一年约900个机小时。乘上你自己的小时成本，这个数我不替你编。

准确率动一个点，到99%：80个错位箱变40个，12次翻箱变6次，3.6个机小时变1.8个，一年900小时变450小时。在这个场里，一个百分点值大约450个机小时一年。拿它跟人人都在谈的那个杠杆比一比——闸口那一秒。长尾按住6分钟，干净作业从15秒压到12秒，有效均值从32.25降到29.4秒，不到9%。边际的那个百分点和边际的那一秒不是一个量级，稿子给价的是那一秒。

换成采购语言，你要的东西就变了。自动生成率从95%提到97%，干净作业还是15秒，有效平均服务时间就从32.25秒降到 0.97×15 加 0.03×360，等于25.35秒。改善21%，头条那个数一个字没动。自动生成率是整个发布里杠杆最高的数，却被印在最不起眼的位置，成一个没人想到要谈的百分比。测出来的和真正起作用的之间这道缝，是开完会唯一该带走的东西，至今没有任何报道提到过。

这不是劝你买。这是劝你，如果真要买，先搞清楚该谈哪个数；也是提醒你，稿子里那四个数不是同一件事的四个度量：两个量的是均值，一个量的是长尾，还有一个量的是个分母从未公布的汇总数。

下面是这些可能全错的地方。最直接的反对意见是队列根本不是瓶颈。如果真约束是卸货口、是车架供给、或者是当班几台正面吊，那闸口再快也只是把队列挪到下一站，你花钱买的是一条从来不是约束的队列的可视化。这件事得先查：在场上站一天，看车到底堆在哪儿。堆在闸口，服务端是问题；堆在场里，上面这套账跟你没关系。

另一条反事实针对的不是服务，是到达。削峰预约是治闸口拥堵的标准答案，也确实管用，但按这套账管用的程度比你指望的低，因为主导项在服务变异。同一条车道一小时90辆，把预约窗口卡死、到达变异系数从1降到0.3，等待只降约11%。有用，不决定。该做的是砍长尾。把6分钟的异常压到3分钟，服务变异从5.44降到约2.39，有效服务时间降到23.25秒，同样90辆的等待从432秒降到约55秒。接近七倍的改善，杠杆只花一本异常目录的功夫。

柯默会从节点下手，不从服务端下手，他也没错：他要问的是队列一排空，闸口外面那条马路会怎么样，因为车流到某个数，这条队列就不再是堆场的问题，成了市政的问题，下游两个节点的短驳预约开始连锁违约。两种看法最后落在同一个数上——队列长度超过围栏内可停面积的那个到达率，就是上面算的那道阈值。这是一道量的题，然后才是一道技术的题。

还有一条更硬的反对意见，是我自己会提的：98%是拿什么对的？拿系统自己"上次在哪儿看到这个箱"的记录对，那是自证，基本等于没说。准确率只有对着实物盘点才有意义，分母必须写清楚：4000个箱位里98%，多久盘一次、谁盘、差一个贝位算不算错。没有这些，这个数没法审计，而一个不能审计的数不能进合同条款。

那么运营方到底该干什么？先量化，再谈别的。调八周闸口作业日志，算两个数：按小时的车道利用率，还有95分位服务时间对中位数。95分位超过中位数的四倍，你的问题在长尾，样本册上每一个平均值都瞄错了靶子。对接之前先定死箱位的数据源，因为五套系统都会说自己知道箱子在哪儿，只能允许一个赢。阈值定下来就接上动作：一条车道连续三天印在一小时95辆车以上，就开第三条车道或者把预约往外推，别等队列排到马路上才发现。翻箱次数按出场次数记成常设指标，压在每百次出场1.5次以下——4000个箱位、98%准确率，起点大约是每天12次翻箱，这笔账在你花钱之前就告诉了你一个点值多少。

这条稿子值得一读的理由跟那四个数无关：它是个信号，堆场可视化正在往跨网络的单一面板收拢，不再是一个场站一套工具，这会改变买方比什么、能要什么。它没告诉你、也没有任何报道告诉你的，是一个带5%异常长尾的15秒闸口其实是32秒的闸口，一个32秒的闸口在一小时95辆车时是15分钟的等待，系统找不到那2%的箱子烧掉的机时比闸口省下的3秒更值钱。这笔账你这一周用自己的日志就能算完，什么都不用买。

↑ 返回核心要点

— 作者 拉维