Install
openclaw skills install local-community-buying-05-warehousing-logistics05 Warehousing Logistics
社区团购仓储与物流履约全链路技能包。涵盖配送模式选择、仓配体系设计、时效管理、成本控制及配套工具。适用于平台运营负责人、物流管理者。
Audits
Pass模块五：仓储与物流
模块边界说明 本模块聚焦"货怎么到团长"，即仓到团的配送履约时效与成本控制。 选品决策 → 模块一（选品策略） 供应链采购 → 模块四（供应链与采购） 团长运营 → 模块二（团长运营） 获客留存 → 模块三（获客与留存） 营销促销 → 模块六（营销与促销） 各模块边界独立，不重叠。
知识库
5.1 社区团购仓配体系概述
仓配体系是社区团购的"命脉"：
平台下单 → 仓储分拣 → 物流配送 → 团长自提 → 用户提货
时效要求：
次日达：当日 23:00 前下单，次日 16:00 前到团长
当日达：当日 10:00 前下单，当日 20:00 前到团长（部分平台）
仓配成本结构（占 GMV 3-8%）：
仓储成本：约 1-2%（含分拣/打包/存储）
配送成本：约 2-5%（取决于距离和密度）
损耗摊销：约 0.5-1%（已入库损耗）
退货成本：约 0.2-0.5%（退团/拒收处理）
核心矛盾：
覆盖越广 → 配送成本越高
时效越快 → 仓储压力越大
密度越高 → 单均成本越低
5.2 配送模式选择
自建配送 vs 第三方配送
| 维度 | 自建配送 | 第三方配送 |
|---|---|---|
| 适用规模 | 日均 50 万单以上 | 日均 50 万单以下 |
| 初期投入 | 高（车辆/人员/系统） | 低（按单结算） |
| 管控力度 | 强，可精细化考核 | 弱，依赖第三方 |
| 配送质量 | 稳定可控 | 参差不齐 |
| 成本 | 规模大后成本更低 | 单均 0.5-2 元溢价 |
| 弹性 | 差，大促期间运力紧张 | 好，可弹性扩缩 |
各平台配送模式：
美团优选：自建为主（美团配送），部分区域外包
多多买菜：第三方众包（蜂鸟/美团众包），成本优先
兴盛优选：自建 + 区域物流合作，深度管控
淘菜菜：阿里系菜鸟整合，资源整合型
冷链配送要求
| 品类 | 温度要求 | 包装要求 | 最长在途时间 |
|---|---|---|---|
| 冷冻品（冰淇淋/冻肉） | <-18℃ | 泡沫箱+干冰 | < 24h |
| 冷藏品（乳制品/熟食） | 0-4℃ | 冷链箱+冰袋 | < 12h |
| 蔬菜/水果（夏季） | 8-12℃ | 透气包装+冰袋 | < 6h |
| 标品（常温） | 常温 | 纸箱/编织袋 | < 48h |
5.3 仓配体系层级设计
一级仓配（单品均GMV > 500万）：
产地/工厂 → CDC中心仓 → 团长
优点：链路最短，成本最低
缺点：覆盖有限，只适合高密度区域
二级仓配（标准模式）：
产地/工厂 → CDC中心仓 → 网格仓(Grid) → 团长
优点：规模化与覆盖平衡
缺点：多一次装卸，损耗增加 2-3%
三级仓配（早期/低密度区域）：
产地/工厂 → CDC → 城市仓 → 网格仓 → 团长
缺点：链路太长，损耗和时效都差，已逐步淘汰
各平台仓配体系
| 平台 | 仓配层级 | 配送频次 | 覆盖半径 |
|---|---|---|---|
| 美团优选 | CDC + Grid（2级） | 每日一配 | 10-20km/网格仓 |
| 多多买菜 | CDC直发（1级为主） | 每日一配 | 20-30km |
| 兴盛优选 | 区域仓 + 自提点（2级） | 每日两配 | 5-10km |
| 淘菜菜 | CDC + 前置仓（2级） | 每日两配 | 3-5km |
5.4 配送时效管理
时效标准（从出仓到团长）：
次日达标准：
T日 23:00 前下单 → T+1日 16:00 前到团
用户感受：16小时窗口
当日达标准：
T日 10:00 前下单 → T日 20:00 前到团
用户感受：10小时窗口
时效管控三要素：
1. 揽收时效：出仓时间 vs 计划出仓时间（误差 < 30分钟）
2. 运输时效：平均配送时长（按距离分区管控）
3. 到团时效：实际到团 vs 承诺到团（达成率 > 98%）
时效预警机制：
超时率 > 2% → 橙色预警（排查原因）
超时率 > 5% → 红色预警（启动应急配送）
客诉率 > 1% → 启动专项整改
5.5 配送成本控制
配送成本构成（元/单）：
基础配送费：0.8-1.5（含 3 公里内）
超出里程费：0.2-0.5 / 公里
特殊品类费：0.5-1.0（冷链/大件）
上楼/团长处堆放费：0.1-0.3
行业参考成本（2023年数据）：
美团优选：1.2-1.8 元/单（规模效应）
多多买菜：1.0-1.5 元/单（密度高，成本低）
兴盛优选：0.8-1.2 元/单（区域深耕，密度极高）
淘菜菜：1.5-2.0 元/单（当日达要求更高）
成本优化路径：
路径优化：AI路线规划，减少配送里程 10-15%
集单配送：同方向订单合并，减少行驶距离
团长密度提升：网格仓覆盖团长密度 > 30/仓 → 单均降 0.3-0.5 元
合理排线：每车配送团点 15-25 个为最优
方法论
5.6 新仓选址评估 SOP
新仓选址五步法：
Step 1：需求预测
→ 基于历史单量预测未来 3-6 个月日均单量
→ 考虑季节性波动（大促/节假日 + 30-50%）
→ 参考公式：所需面积 = 日均单量 × 0.003 ㎡（含通道）
Step 2：候选区域筛选
┌─────────────────────────────────────────────┐
│ 考量维度 权重 评估要点 │
│ ───────────────────────────────── │
│ 交通便利性 20% 高速/主干道出入口 │
│ 团长密度 25% 半径 15km 内团长数 │
│ 租金成本 20% 元/㎡/月，押一付三 │
│ 电力/消防 15% 380V 电力/丙二消防 │
│ 扩展空间 10% 未来 3 年扩展可能性 │
│ 周边环境 10% 禁止有污染型企业 │
└─────────────────────────────────────────────┘
Step 3：竞品物流调研
→ 调研同类平台仓库位置（避免贴身竞争）
→ 调研第三方云仓资源（弹性扩容选项）
→ 了解当地物流人力市场（司机/分拣工资水平）
Step 4：盈亏测算
→ 单均物流成本 = 月固定成本 / 月均单量
→ 固定成本：租金 + 人工 + 设备摊销 + 水电
→ 临界单量：固定成本 / (配送收入 - 变动成本)
→ 新仓盈亏平衡点：通常需要日均 > 3000 单
案例：某二线城市新仓选址测算
┌─────────────────────────────────────────────────────┐
│ 候选区域：城东工业园（距核心区 12km） │
│ 候选区域：城西社区（距核心区 8km） │
│ │
│ 城东方案： │
│ 租金：15元/㎡/月 × 1000㎡ = 1.5万/月 │
│ 人工：12人 × 5000元 = 6.0万/月 │
│ 设备摊销：2.0万/月 │
│ 水电/其他：0.5万/月 │
│ 月固定成本合计：10.0万 │
│ 月配送单量预测：8万单（月均日2500单，旺季3500） │
│ 单均变动成本：1.2元（第三方配送） │
│ 月变动成本：8万 × 1.2 = 9.6万 │
│ 月总成本：10.0 + 9.6 = 19.6万 │
│ 单均物流成本：19.6万 ÷ 8万 = 2.45元/单 │
│ ⚠️ 高于行业均值（1.2-1.8元），风险较大 │
│ │
│ 城西方案： │
│ 租金：28元/㎡/月 × 800㎡ = 2.24万/月 │
│ 人工：10人 × 5000元 = 5.0万/月 │
│ 设备摊销：1.5万/月 │
│ 水电/其他：0.5万/月 │
│ 月固定成本合计：9.24万 │
│ 月配送单量预测：12万单（社区密度高，预测更乐观） │
│ 单均变动成本：1.0元（密度高，议价能力强） │
│ 月变动成本：12万 × 1.0 = 12.0万 │
│ 月总成本：9.24 + 12.0 = 21.24万 │
│ 单均物流成本：21.24万 ÷ 12万 = 1.77元/单 │
│ ✅ 在行业合理区间（1.5-2.0元），可接受 │
└─────────────────────────────────────────────────────┘
Step 5：试运营验证
→ 先用临时仓/云仓试运营 1 个月
→ 验证时效达成率、损耗率、团长满意度
→ 数据达标后再签正式租赁
5.7 配送效率提升方法
配送效率提升四步法：
第一步：数据底数摸清
→ 记录每条线路的实际配送时长/里程/单量
→ 统计每个配送员日均单量（基准线）
→ 分析超时/投诉的集中时段和区域
第二步：路线优化（减少 10-15% 里程）
→ 使用地图 API（高德/腾讯）做路径规划
→ 按地理位置分单：东西向/南北向分开配送
→ 优先配送时效要求高的团点（当日达优先）
→ 避开早晚高峰：生鲜早班 5:00-9:00 配送
第三步：团点合并（提升团长密度）
→ 统计网格仓下团长分布密度
→ 淘汰低密度区域（半径内 < 15 个活跃团长）
→ 引导低密度区域团长合并提货点
第四步：绩效考核设计
→ 时效达成率（占 40%）：准时到团率 > 98%
→ 单量完成率（占 30%）：无差错完成配送任务
→ 货损率（占 20%）：配送途中损耗 < 0.3%
→ 团长满意度（占 10%）：定期调研评分
行业参考：配送员日均单量
密集区域（>20团/线路）：80-120 单/天
中等密度（10-20团/线路）：50-80 单/天
低密度（<10团/线路）：30-50 单/天
5.8 配送异常处理话术
五种常见配送异常及处理：
异常1：团长联系不上/团长临时不在
处理：联系备用团长（提前报备名单）
话术：
"您好，配送司机到达【团点名称】，团长电话无人接听，
请协助联系或安排人员接货。如10分钟内无法联系，
将货物暂存司机车上，等待后续处理。"
异常2：团长拒收（货损/数量不对）
处理：先核实再处理，不与团长争论
话术：
"您好，请您先帮忙签收并在配送单上注明异常情况
（货损照片已发群），我们将在2小时内补货或退款，
不会影响您的佣金。"
异常3：配送途中交通事故
处理：启动备用车辆/延迟补发
话术：
"【团长群公告】因配送车辆发生交通事故，
团点【XX】预计延迟2小时到达，请各位团长提前通知用户，
延迟到团的订单将额外补偿10元优惠券。"
异常4：用户漏取/未提货
处理：次日优先配送，不计入损耗
话术：
"【团长】未提货用户请在群内@未取用户，
仍未取货的，商品由团长代售（按团购价结算），
不计入平台损耗。"
异常5：冷链断链（温度超标）
处理：整批次召回，不计成本
话术：
"【紧急】团点【XX】冷链异常，批次【XXX】全部下架，
严禁销售。配送员将上门回收，请团长切勿私自处理。
回收完成后将补发新货。"
5.9 特殊品类配送管理
生鲜配送关键控制点：
叶菜类（青菜/菠菜/白菜）：
→ 采摘后 2 小时内预冷至 4℃ 以下
→ 使用透气保鲜袋+冰袋包装
→ 到团后团长需立即放入冷柜
→ 损耗率：配送途中 1-3%
茄果类（番茄/黄瓜/茄子）：
→ 室温配送即可，避免冷藏（会产生冷害）
→ 包装用纸格隔离，减少磕碰
→ 损耗率：配送途中 0.5-2%
水产类（鱼/虾/蟹）：
→ 使用充氧包装+冰袋
→ 活鲜配送：到团存活率目标 > 95%
→ 死亡拒收：需提前与团长确认验收标准
→ 损耗率：配送途中 2-5%（含死亡损耗）
大件/重货（整箱饮料/整袋米）：
→ 单独配送路线，不与生鲜混装
→ 需提前与团长确认存放空间
→ 配送费用单独计费（+ 0.5-1.0 元/单）
工具集
Tool 1: 配送成本计算器
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
配送成本计算器
输入：日均单量 + 配送模式 + 仓储面积 + 人员配置
输出：单均物流成本 + 盈亏平衡分析 + 优化建议
"""
from dataclasses import dataclass
from typing import Dict, List
@dataclass
class LogisticsCostCalculator:
"""物流成本计算"""
daily_orders: float # 日均单量
avg_order_value: float # 客单价（元）
storage_area: float # 仓储面积（㎡）
storage_rent: float # 仓储租金（元/㎡/月）
staff_count: int # 仓储人员数量
staff_salary: float # 人均月工资（元）
vehicle_count: int # 配送车辆数量
vehicle_monthly_cost: float # 车辆月成本（含折旧/油/司机）
third_party_cost_per_order: float = 0.0 # 第三方配送单价（元/单）
use_third_party: bool = False # 是否使用第三方
def calculate(self) -> Dict:
# 固定成本（月）
rent_cost = self.storage_area * self.storage_rent
labor_cost = self.staff_count * self.staff_salary
vehicle_cost = self.vehicle_count * self.vehicle_monthly_cost
fixed_cost = rent_cost + labor_cost + vehicle_cost
# 变动成本（月）
monthly_orders = self.daily_orders * 30
if self.use_third_party:
variable_cost = monthly_orders * self.third_party_cost_per_order
else:
# 自建配送的变动成本（油费/过路费/小件损耗）估 0.3 元/单
variable_cost = monthly_orders * 0.3
# 总成本
total_cost = fixed_cost + variable_cost
# 单均成本
cost_per_order = total_cost / monthly_orders
logistics_cost_ratio = cost_per_order / self.avg_order_value * 100
# 盈亏平衡分析（假设每单收取平台配送费）
platform_delivery_fee = self.avg_order_value * 0.05 # 假设配送费占客单价 5%
break_even_orders = fixed_cost / (platform_delivery_fee - 0.3) if platform_delivery_fee > 0.3 else float('inf')
# 成本占比分析
cost_breakdown = {
"仓储租金": f"{rent_cost/total_cost*100:.1f}%",
"人工成本": f"{labor_cost/total_cost*100:.1f}%",
"车辆成本": f"{vehicle_cost/total_cost*100:.1f}%",
"变动配送": f"{variable_cost/total_cost*100:.1f}%",
}
# 优化建议
suggestions = []
if cost_per_order > 2.0:
suggestions.append("⚠️ 单均成本偏高（>2元），建议提升团长密度或优化路线")
if self.daily_orders < 3000 and not self.use_third_party:
suggestions.append("⚠️ 日均单量低于 3000，建议前期使用第三方弹性配送")
if self.storage_area / self.daily_orders > 0.005:
suggestions.append("⚠️ 仓储面积利用率偏低，考虑缩减面积降固定成本")
if labor_cost / total_cost > 0.4:
suggestions.append("⚠️ 人工成本占比 > 40%，考虑自动化分拣设备")
if cost_per_order <= 1.2:
suggestions.append("✅ 单均成本处于行业优秀水平（<1.2元）")
return {
"日均单量": f"{self.daily_orders:.0f} 单",
"月均单量": f"{monthly_orders:.0f} 单",
"月固定成本": f"¥{fixed_cost:,.0f}",
"月变动成本": f"¥{variable_cost:,.0f}",
"月总成本": f"¥{total_cost:,.0f}",
"单均物流成本": f"¥{cost_per_order:.2f}",
"物流成本占客单价比": f"{logistics_cost_ratio:.1f}%",
"盈亏平衡日均单量": f"{break_even_orders:.0f} 单（当前）" if break_even_orders != float('inf') else "无法计算",
"成本占比": cost_breakdown,
"优化建议": suggestions,
}
def run():
print("=" * 55)
print("配送成本计算器")
print("=" * 55)
try:
daily = float(input("日均单量：").strip() or "5000")
except ValueError:
daily = 5000
try:
aov = float(input("客单价（元）：").strip() or "35")
except ValueError:
aov = 35
try:
area = float(input("仓储面积（㎡）：").strip() or "800")
except ValueError:
area = 800
try:
rent = float(input("仓储租金（元/㎡/月）：").strip() or "25")
except ValueError:
rent = 25
try:
staff = int(input("仓储人员数量：").strip() or "15")
except ValueError:
staff = 15
try:
salary = float(input("人均月工资（元）：").strip() or "5000")
except ValueError:
salary = 5000
try:
vehicles = int(input("配送车辆数量：").strip() or "8")
except ValueError:
vehicles = 8
try:
vcost = float(input("车辆月成本（元/辆）：").strip() or "6000")
except ValueError:
vcost = 6000
use_3rd = input("使用第三方配送？(y/N)：").strip().lower() == 'y'
third_cost = 0.0
if use_3rd:
try:
third_cost = float(input("第三方配送单价（元/单）：").strip() or "1.3")
except ValueError:
third_cost = 1.3
calc = LogisticsCostCalculator(
daily_orders=daily,
avg_order_value=aov,
storage_area=area,
storage_rent=rent,
staff_count=staff,
staff_salary=salary,
vehicle_count=vehicles,
vehicle_monthly_cost=vcost,
third_party_cost_per_order=third_cost,
use_third_party=use_3rd,
)
result = calc.calculate()
print(f"\n{'='*55}")
print("物流成本分析报告")
print(f"{'='*55}")
print(f"\n单量数据：")
print(f" {result['日均单量']} {result['月均单量']}")
print(f"\n成本明细：")
print(f" 月固定成本：{result['月固定成本']}")
print(f" 月变动成本：{result['月变动成本']}")
print(f" 月总成本：{result['月总成本']}")
print(f"\n单均成本：")
print(f" 单均物流成本：{result['单均物流成本']}")
print(f" 物流成本占客单价比：{result['物流成本占客单价比']}")
print(f" 盈亏平衡：{result['盈亏平衡日均单量']}")
print(f"\n成本占比：")
for k, v in result['成本占比'].items():
print(f" {k}：{v}")
print(f"\n优化建议：")
for s in result['优化建议']:
print(f" {s}")
if __name__ == "__main__":
run()
Tool 2: 配送时效监控表
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
配送时效监控表
输入：每日配送数据（出仓时间/到团时间/团点数）
输出：时效达成率/超时原因分析/改进建议
"""
from dataclasses import dataclass
from typing import Dict, List
from datetime import datetime, timedelta
@dataclass
class DeliveryRecord:
"""单条配送记录"""
route_id: str
warehouse_out_time: str # "05:30"
planned_arrival: str # "14:00"
actual_arrival: str # "14:32"
order_count: int
late_reason: str = "" # 超时原因
def parse_time(t_str: str) -> datetime:
today = datetime.today()
parts = t_str.split(":")
return today.replace(hour=int(parts[0]), minute=int(parts[1]), second=0)
def analyze_delivery(record: DeliveryRecord) -> Dict:
"""分析单条配送记录"""
planned = parse_time(record.planned_arrival)
actual = parse_time(record.actual_arrival)
delay_minutes = (actual - planned).total_seconds() / 60
# 状态判断
if delay_minutes <= 0:
status = "✅ 准时"
delay_level = 0
elif delay_minutes <= 30:
status = "🟡 轻微迟到"
delay_level = 1
elif delay_minutes <= 60:
status = "🟠 中度迟到"
delay_level = 2
else:
status = "🔴 严重迟到"
delay_level = 3
# 原因分析（根据常见原因映射）
reason_map = {
"早高峰": "交通拥堵",
"爆单": "单量超负荷",
"团长联系不上": "团长配合差",
"路线绕路": "路线规划差",
"车故障": "车辆问题",
"天气": "不可抗力",
}
auto_reason = reason_map.get(record.late_reason, record.late_reason or "未知")
return {
"路线ID": record.route_id,
"计划到团": record.planned_arrival,
"实际到团": record.actual_arrival,
"延迟": f"+{delay_minutes:.0f}分钟" if delay_minutes > 0 else "准时",
"状态": status,
"单量": f"{record.order_count} 单",
"可能原因": auto_reason,
"delay_level": delay_level,
}
def daily_summary(records: List[DeliveryRecord]) -> Dict:
"""每日配送汇总"""
analyses = [analyze_delivery(r) for r in records]
total = len(analyses)
on_time = sum(1 for a in analyses if a["delay_level"] == 0)
slight = sum(1 for a in analyses if a["delay_level"] == 1)
moderate = sum(1 for a in analyses if a["delay_level"] == 2)
severe = sum(1 for a in analyses if a["delay_level"] == 3)
on_time_rate = on_time / total * 100 if total > 0 else 0
delay_rate = (slight + moderate + severe) / total * 100 if total > 0 else 0
# 原因统计
reason_count = {}
for a in analyses:
if a["delay_level"] > 0:
reason = a["可能原因"]
reason_count[reason] = reason_count.get(reason, 0) + 1
# 改进建议
suggestions = []
if on_time_rate < 95:
suggestions.append(f"⚠️ 时效达成率 {on_time_rate:.1f}% 未达标（目标 > 98%）")
if severe > 0:
suggestions.append(f"🔴 存在 {severe} 条严重迟到，需专项整改")
if reason_count:
top_reason = max(reason_count, key=reason_count.get)
suggestions.append(f"超时主因：{top_reason}（{reason_count[top_reason]}次），需针对性优化")
return {
"总路线数": total,
"准时": f"{on_time} 条（{on_time_rate:.1f}%）",
"轻微迟到": f"{slight} 条",
"中度迟到": f"{moderate} 条",
"严重迟到": f"{severe} 条",
"时效达成率": f"{on_time_rate:.1f}%",
"超时原因分布": reason_count,
"改进建议": suggestions,
"明细": analyses,
}
def run():
print("=" * 55)
print("配送时效监控表")
print("=" * 55)
n = int(input("输入今日配送路线数量：").strip() or "3")
records = []
print(f"\n请依次输入 {n} 条路线数据：")
for i in range(1, n + 1):
print(f"\n--- 路线 {i} ---")
route_id = input(f"路线ID（如R001）：").strip() or f"R{i:03d}"
out_time = input("出仓时间（HH:MM，如05:30）：").strip() or "05:30"
planned = input("计划到团时间（HH:MM，如14:00）：").strip() or "14:00"
actual = input("实际到团时间（HH:MM，如14:30）：").strip() or "14:00"
orders = int(input("配送单量：").strip() or "40")
reason = input("迟到原因（可回车跳过）：").strip()
records.append(DeliveryRecord(route_id, out_time, planned, actual, orders, reason))
result = daily_summary(records)
print(f"\n{'='*55}")
print("配送汇总")
print(f"{'='*55}")
print(f" 总路线数：{result['总路线数']}")
print(f" 准时：{result['准时']}")
print(f" 轻微迟到：{result['轻微迟到']}")
print(f" 中度迟到：{result['中度迟到']}")
print(f" 严重迟到：{result['严重迟到']}")
print(f" 时效达成率：{result['时效达成率']}")
if result['超时原因分布']:
print(f"\n超时原因分布：")
for k, v in result['超时原因分布'].items():
print(f" {k}：{v} 次")
print(f"\n改进建议：")
for s in result['改进建议']:
print(f" {s}")
if __name__ == "__main__":
run()
Tool 3: 团长提货点布局优化器
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
团长提货点布局优化器
输入：团长坐标 + 单量数据 + 仓库位置
输出：网格仓覆盖建议 + 合并方案 + 密度热力图
"""
import math
from dataclasses import dataclass
from typing import List, Dict, Tuple
@dataclass
class TeamLeader:
"""团长数据"""
id: str
name: str
lat: float # 纬度
lon: float # 经度
daily_orders: int # 日均单量
active_days: int # 月活跃天数
distance: float = 0.0 # 与仓库距离（公里），在optimize_coverage中自动计算
def haversine(lat1: float, lon1: float, lat2: float, lon2: float) -> float:
"""计算两点间球面距离（公里）"""
R = 6371 # 地球半径
d_lat = math.radians(lat2 - lat1)
d_lon = math.radians(lon2 - lon1)
a = (math.sin(d_lat/2)**2 +
math.cos(math.radians(lat1)) * math.cos(math.radians(lat2)) *
math.sin(d_lon/2)**2)
c = 2 * math.atan2(math.sqrt(a), math.sqrt(1-a))
return R * c
def optimize_coverage(
leaders: List[TeamLeader],
warehouse_lat: float,
warehouse_lon: float,
max_coverage_km: float = 15.0,
min_leaders_per_grid: int = 10,
) -> Dict:
"""
网格仓覆盖优化
Args:
leaders: 团长列表
warehouse_lat/lon: 仓库位置
max_coverage_km: 最大覆盖半径
min_leaders_per_grid: 每个网格仓最少团长数
"""
# 过滤活跃团长（月活跃 > 15天）
active = [l for l in leaders if l.active_days >= 15]
total_leaders = len(active)
total_orders = sum(l.daily_orders for l in active)
# 按单量排序
active.sort(key=lambda x: x.daily_orders, reverse=True)
# 计算每个团长到仓库的距离
for l in active:
l.distance = haversine(warehouse_lat, warehouse_lon, l.lat, l.lon)
# 分组：按距离分区
zones = {"核心区": [], "扩展区": [], "边缘区": []}
for l in active:
if l.distance <= 5:
zones["核心区"].append(l)
elif l.distance <= 10:
zones["扩展区"].append(l)
elif l.distance <= max_coverage_km:
zones["边缘区"].append(l)
# 合并建议
merge_suggestions = []
if len(active) < min_leaders_per_grid:
merge_suggestions.append(
f"⚠️ 团长总数 {len(active)} 低于最低要求 {min_leaders_per_grid}，"
"建议暂不设网格仓，使用第三方配送直发"
)
# 单量密度分析
density_by_zone = {}
for zone, leaders_list in zones.items():
if leaders_list:
avg_orders = sum(l.daily_orders for l in leaders_list) / len(leaders_list)
density_by_zone[zone] = {
"团长数": len(leaders_list),
"日均单量": sum(l.daily_orders for l in leaders_list),
"平均单量": f"{avg_orders:.1f}",
"单量占比": f"{sum(l.daily_orders for l in leaders_list)/total_orders*100:.1f}%",
}
# 网格仓选址建议（选择核心区中心位置）
grid_suggestions = []
if zones["核心区"]:
center_lat = sum(l.lat for l in zones["核心区"]) / len(zones["核心区"])
center_lon = sum(l.lon for l in zones["核心区"]) / len(zones["核心区"])
grid_suggestions.append({
"位置": "核心区",
"建议坐标": f"({center_lat:.4f}, {center_lon:.4f})",
"覆盖团长": len(zones["核心区"]),
"预计日均单量": sum(l.daily_orders for l in zones["核心区"]),
})
if zones["扩展区"]:
grid_suggestions.append({
"位置": "扩展区",
"建议坐标": f"({sum(l.lat for l in zones['扩展区'])/len(zones['扩展区']):.4f}, "
f"{sum(l.lon for l in zones['扩展区'])/len(zones['扩展区']):.4f})",
"覆盖团长": len(zones["扩展区"]),
"预计日均单量": sum(l.daily_orders for l in zones["扩展区"]),
})
return {
"总活跃团长数": total_leaders,
"日均总单量": total_orders,
"密度分析": density_by_zone,
"网格仓选址建议": grid_suggestions,
"合并建议": merge_suggestions,
}
def run():
print("=" * 55)
print("团长提货点布局优化器")
print("=" * 55)
print("（演示模式：输入 5 个团长模拟数据）\n")
# 模拟团长数据（假设仓库在 [31.2304, 121.4737] 上海人民广场附近）
warehouse = (31.2304, 121.4737)
demo_leaders = [
TeamLeader("TL001", "张团长", 31.2280, 121.4750, 45, 28),
TeamLeader("TL002", "李团长", 31.2350, 121.4800, 38, 25),
TeamLeader("TL003", "王团长", 31.2400, 121.4700, 52, 30),
TeamLeader("TL004", "刘团长", 31.2500, 121.4900, 22, 18),
TeamLeader("TL005", "陈团长", 31.2200, 121.4600, 30, 20),
]
result = optimize_coverage(demo_leaders, warehouse[0], warehouse[1])
print(f"数据概览：")
print(f" 活跃团长总数：{result['总活跃团长数']} 个")
print(f" 日均总单量：{result['日均总单量']} 单")
print(f"\n密度分析（按距离分区）：")
for zone, data in result['密度分析'].items():
print(f" 【{zone}】")
print(f" 团长数：{data['团长数']}")
print(f" 日均单量：{data['日均单量']}")
print(f" 平均单量：{data['平均单量']}/天")
print(f" 单量占比：{data['单量占比']}")
print(f"\n网格仓选址建议：")
for s in result['网格仓选址建议']:
print(f" {s['位置']}：坐标 {s['建议坐标']}")
print(f" 覆盖团长：{s['覆盖团长']} 个")
print(f" 预计日均：{s['预计日均单量']} 单")
print(f"\n合并建议：")
for s in result['合并建议']:
print(f" {s}")
if __name__ == "__main__":
run()
Tool 4: 配送异常预测表
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
配送异常预测表
输入：天气/交通/节日/历史数据
输出：各路线异常风险评分 + 预警级别
"""
def predict_delivery_risk(
route_id: str,
distance_km: float,
is_holiday: bool,
is_weekend: bool,
weather: str, # "晴" / "雨" / "暴雨" / "雪"
historical_delay_rate: float, # 历史延迟率（0-1）
holiday_season: bool, # 春节/国庆等长假期
) -> dict:
"""
预测配送路线异常风险
Args:
route_id: 路线ID
distance_km: 配送距离（公里）
is_holiday: 是否节假日
is_weekend: 是否周末
weather: 天气状况
historical_delay_rate: 该路线历史延迟率
holiday_season: 是否春节/国庆等大假期
"""
# 风险因子评分
risk_factors = {}
# 距离因子：> 20km 高风险
if distance_km > 20:
risk_factors["长距离配送"] = 3 # 高风险
elif distance_km > 10:
risk_factors["中距离配送"] = 2 # 中风险
else:
risk_factors["短距离配送"] = 1 # 低风险
# 天气因子
weather_scores = {
"晴": 0, "多云": 0, "阴": 1,
"雨": 2, "暴雨": 4, "雪": 4, "大雾": 3,
}
weather_risk = weather_scores.get(weather, 1)
risk_factors[f"天气：{weather}"] = weather_risk
# 时间因子
if holiday_season:
risk_factors["节假日长假期"] = 4
elif is_holiday:
risk_factors["普通节假日"] = 2
elif is_weekend:
risk_factors["周末"] = 1
# 历史延迟因子
if historical_delay_rate > 0.15:
risk_factors["历史高延迟"] = 3
elif historical_delay_rate > 0.05:
risk_factors["历史中延迟"] = 2
else:
risk_factors["历史低延迟"] = 0
# 总风险评分（满分10）
total_score = sum(risk_factors.values())
# 风险级别
if total_score >= 8:
level = "[RED] 高风险"
action = "建议更换配送时间或启用备用车辆"
elif total_score >= 5:
level = "[ORANGE] 中风险"
action = "建议提前出发，增加30分钟 buffer"
elif total_score >= 2:
level = "[YELLOW] 低风险"
action = "正常执行，关注天气变化"
else:
level = "[GREEN] 正常"
action = "无特殊风险，正常执行"
return {
"路线ID": route_id,
"配送距离": f"{distance_km}km",
"风险因子": risk_factors,
"风险评分": f"{total_score}/10",
"风险级别": level,
"建议行动": action,
}
def run():
print("=" * 55)
print("配送异常预测表")
print("=" * 55)
n = int(input("输入要预测的路线数量：").strip() or "2")
for i in range(1, n + 1):
print(f"\n--- 路线 {i} ---")
route_id = input("路线ID：").strip() or f"R{i:03d}"
distance = float(input("配送距离（km）：").strip() or "15")
weather = input("天气（晴/雨/暴雨/雪）：").strip() or "晴"
hist_rate = float(input("历史延迟率（0.1 = 10%）：").strip() or "0.05")
is_weekend = input("是否周末（y/N）：").strip().lower() == 'y'
is_holiday = input("是否节假日（y/N）：").strip().lower() == 'y'
holiday_season = input("是否春节/国庆长假（y/N）：").strip().lower() == 'y'
result = predict_delivery_risk(
route_id, distance, is_holiday, is_weekend,
weather, hist_rate, holiday_season
)
print(f"\n 风险级别：{result['风险级别']}")
print(f" 风险评分：{result['风险评分']}")
print(f" 风险因子：{result['风险因子']}")
print(f" 建议：{result['建议行动']}")
if __name__ == "__main__":
run()
5.10 仓配盈亏平衡分析
仓配盈亏平衡核心公式：
固定成本 = 仓租 + 人工 + 设备摊销 + 水电 + 管理费
变动成本 = 单均配送费 + 单均损耗摊销 + 单均退货处理费
月总仓配成本 = 固定成本 + 变动成本 × 月订单量
盈亏平衡点（月订单量）= 固定成本 / (单均配送收入 - 单均变动成本)
---
仓配收入来源（平台视角）：
→ 供应商仓租/仓储服务费（可选）
→ 配送服务费（向供应商收取，约客单价 3-5%）
→ 货值损耗补贴（由供应商承担）
单均边际贡献 = 配送收入 - 变动成本
（必须 > 0 才能覆盖固定成本）
---
仓配运营决策参考表：
月固定成本估算（示例，二线城市网格仓）：
仓租：¥15-25元/㎡/月 × 200㎡ = ¥3,000-5,000/月
人工：3人 × ¥5,000/月 = ¥15,000/月
设备摊销：¥2,000/月（货架/叉车/打包机）
水电管理：¥2,000/月
月固定成本合计：约 ¥22,000-24,000/月
盈亏平衡测算：
假设：单均配送收入 ¥1.5，单均变动成本 ¥0.8
单均边际贡献 = ¥1.5 - ¥0.8 = ¥0.7
月固定成本 ¥23,000
盈亏平衡月订单量 = ¥23,000 / ¥0.7 ≈ 32,857 单/月
日均盈亏平衡 ≈ 1,095 单/天
行业实际参考：
┌─────────────────────────────────────────────────────────────┐
│ 仓型 日均单量 月固定成本 单均配送收入 │
│ ───────────────────────────────────────────────────── │
│ 网格仓 >5000 ¥8-12万 ¥1.2-1.5/单 │
│ 中心仓 >20000 ¥25-40万 ¥1.0-1.3/单 │
│ 前置仓（PC） >3000 ¥12-18万 ¥2.5-4.0/单（赔钱） │
└─────────────────────────────────────────────────────────────┘
决策边界：
日均单量 > 盈亏平衡点 → 仓配体系可持续扩
日均单量 < 盈亏平衡点 × 0.7 → 立即优化（缩仓/降人工/提效率）
日均单量 < 盈亏平衡点 × 0.5 → 战略性撤退或关仓
扩仓决策触发条件（必须同时满足）：
① 当前仓日均单量 > 盈亏平衡点 × 1.5（稳健扩仓）
② 区域内团长密度持续提升（>20个/仓）
③ 竞对未在该区域形成垄断
---
## 案例库
### 案例1：多多买菜"拼多多式"物流降本
问题：农产品单均价值低，物流成本占比高
背景： 拼多多农产品客单价约 25-30 元 物流成本每下降 0.1 元 = 利润率提升 0.4% 规模化后物流成本优化空间巨大
具体措施：
- 路线合并：同一方向订单集中配送，减少行驶里程 15%
- 集单集运：多个团点合并到同一辆车，降低单车单趟成本
- 众包配送：使用蜂鸟/美团众包，弹性扩缩，无需养固定配送员
- 网格仓下沉：在低线城市设网格仓，缩短配送半径
数据效果（2019-2022年）： 物流成本从 2.5 元/单 → 1.3 元/单（下降 48%） 损耗率从 12-15% → 7-9%（冷链标准化） 时效：从 48 小时 → 24 小时达团率提升至 92%
核心逻辑： → 密度效应：团长越多，单均配送成本越低 → 规模效应：单量越大，单均固定成本越低 → 路径优化：算法规划路线，减少空驶率
### 案例2：兴盛优选"当日两配"的高密度打法
问题：如何做到比竞争对手更快的时效体验
策略：每日两配，提高提货密度
上午配送（满足早市需求）： 00:00 供应商送货到仓 01:00-05:00 分拣完成 05:00-10:00 第一批配送 10:00 前到团 → 用户上午可提货
下午配送（满足追加需求）： 10:00-12:00 下午订单分拣 12:00-18:00 第二批配送 18:00-20:00 到团 → 用户晚间可提货
数据效果（2021年数据）： 当日达率：95%（行业最高） 用户复购率：78%（高频次购物习惯养成） 客诉率：< 0.5%（到团及时，用户体验好）
关键成功因素：
- 供应商配合：愿意凌晨送货到仓
- 团长配合：愿意早开门晚关门（6:00-22:00）
- 密度足够：每条线路团点 > 20 个，车辆满载率高
- 流程标准化：两配之间严格隔离，不混装
### 案例3：淘菜菜"即时配送"模式的差异化探索
背景：淘菜菜（阿里）试图以"即时配送"差异化竞争
策略：借鉴盒马/天猫超市，前置仓发货，最快2小时达
仓配体系： 前置仓（PC）：覆盖 3-5 公里，SKU 精选 500-800 个 配送：绑定蜂鸟骑手，实现 2-4 小时达 自提为主，部分支持送货上门（+2元服务费）
时效对比： 淘菜菜：2-4 小时达（最快） 兴盛优选：当日达（早市+午市两配） 美团/多多：次日达（行业主流）
数据表现（2021年）： 用户满意度：92%（时效体验好） 单均配送成本：3.5-4.5 元/单（是美团的2倍） 订单密度：日均 2000-3000 单/前置仓（低于盈亏平衡 5000 单） 亏损率：每单亏损 1.5-2.0 元
失败原因：
- 社区团购用户价格敏感：愿意等次日达，不愿付即时配送溢价
- 单均配送成本过高：2-4 元/单 vs 美团的 1.2-1.8 元/单
- 前置仓 SKU 有限：500-800 SKU 满足不了家庭一站式购物
- 与美团/多多正面竞争：规模不如多多，价格不如美团
教训总结： → 社区团购的核心竞争力是"性价比"，不是"即时性" → 次日达模式在低线城市完全足够 → 即时配送适合高线城市高收入人群，不适合下沉市场
### 案例4：美团优选Grid仓的精细化运营
成功点：网格仓（Grid仓）标准化管理，降低履约成本
Grid仓定位： → 位于社区 10-15 公里范围内 → 覆盖 50-100 个团长自提点 → 日均单量 5000-10000 单/仓 → 人员配置：8-15 人（含分拣/配送管理）
Grid仓标准化 SOP：
- 入库：08:00 前供应商送达，扫码入库
- 分拣：08:00-11:00 完成分拣，按线路码放
- 配送：11:00-16:00 完成所有团点配送
- 结算：当日 20:00 前确认配送完成，系统结算
考核指标（网格仓长）： 时效达成率（占 40%）：16:00 前到团率 > 98% 货损率（占 30%）：< 0.5% 成本控制（占 20%）：单均成本 < 目标值 团长满意度（占 10%）：评分 > 4.5/5
成本参考（2022年华南地区）： 网格仓固定成本：约 ¥8-12 万/月 单均配送成本：¥0.8-1.2 元/单（含仓储） 盈亏平衡：日均 > 5000 单
### 案例5：某平台"低密度区域网格仓关停危机"
背景：某平台在低人口密度区域过早建设网格仓，导致持续亏损被迫关停
事件经过： → 进入新省份时，在某县级市场开设网格仓 → 该区域日均单量仅 800 单（远低于 5000 单盈亏平衡线） → 网格仓固定成本 ¥8万/月，持续亏损 6 个月 → 累计损失：¥8万×6月 = ¥48万（不含机会成本）
问题诊断： ① 选址评估不足：仅看"市场潜力"，未验证"短期单量支撑" ② 乐观预期：认为3个月可达到盈亏平衡，实际远未达标 ③ 缺乏退出机制：发现亏损后未及时关停，持续失血 ④ 政治考量：当地负责人不想承认失败，拖延决策
处置过程： 第1-2月：观察期，发现单量无明显增长 第3-4月：尝试补贴拉单，但成本更高（补贴+运营 > 收益） 第5月：区域负责人终于上报亏损情况 第6月：决定关停，但已损失约¥40万
损失估算： 固定成本：¥8万/月 × 6月 = ¥48万 补贴拉单额外成本：约¥8万 关停后重新进入成本：重新建设约¥15万（场地/设备/人员） 总损失：约¥71万 + 延误当地市场3-6个月
核心教训： → 网格仓开设前必须做"试运营验证"：日均单量≥3000才可建仓 → 设定明确止损线：连续3个月低于盈亏平衡50%则启动关停评估 → 选负责人时，"不承认失败"的倾向是危险信号 → 新市场开拓应"小步快跑"，先验证再放大
### 案例6：某平台"冷链断链导致整批酸奶报废"
失败背景：2023年夏季，平台销售低温酸奶，因冷链车故障导致500箱酸奶报废
事故经过： ① 事件发生： → 夏季高温天，冷藏车运输途中故障（冷机损坏） → 司机未及时发现，车内温度升至30℃（标准≤8℃） → 到仓后验收：500箱酸奶温度超标，全部拒收
② 损失估算： → 商品成本：500箱 × ¥80/箱 = ¥4万 → 报废成本：全额损失 → 额外成本：紧急调货 + 延期配送 + 用户补偿 ≈ ¥1.5万 → 总计直接损失：约¥5.5万
③ 根因分析： → 冷链车老旧：车队平均车龄5年，冷机故障率偏高 → 监控缺失：车辆无实时温度监控，到仓才发现问题 → 应急缺失：司机无备用方案（可联系备用车辆或及时转运）
④ 处理过程： → 仓管拒收后，联系供应商协调退货 → 用户补偿：已下单用户全额退款 + ¥5无门槛券 → 承运商追责：按合同条款，承运商承担商品损失
整改措施： ① 冷链车加装实时温度监控设备（GPS+温度传感器，数据同步到后台） ② 设定温度告警阈值：车内温度>12℃自动告警，>15℃触发应急程序 ③ 司机应急培训：温度异常时立即停车+联系调度+启动备用方案 ④ 建立承运商考核机制：冷链断链超2次，终止合作
核心教训： → 冷链是生鲜品类的生命线，实时监控比事后补救重要100倍 → 报废成本由承运商承担，但商誉损失和用户流失是平台承担 → 夏季是冷链事故高发期，必须提前做车辆检修和应急演练
---
## 附录：配送履约检查清单
月度配送履约健康检查：
□ 1. 时效达成率：16:00 前到团率是否 > 98%？ □ 2. 配送破损率：是否 < 0.5%？（含团长拒收） □ 3. 单均配送成本：是否在目标范围内（< ¥1.5 元/单）？ □ 4. 车辆满载率：是否 > 75%？（未满载需优化线路） □ 5. 团长投诉率：是否 < 1%？ □ 6. 异常件处理：超时/破损/错发是否 24 小时内处理？ □ 7. 冷链合规：冷藏/冷冻品是否全程温控合规？ □ 8. 配送员管理：是否每日进行安全培训？ □ 9. 新团长布点：新开团长是否完成配送测试？ □ 10. 大促预案：大促期间（双11/过年）是否有专项履约方案？
红线预警： → 时效达成率连续 3 天 < 95% = 红色预警，立即排查 → 单均配送成本突然上涨 > 20% = 需查原因（油价/线路/密度） → 团长集中投诉（> 5 例/天）= 客服专项跟进 → 冷链断链（温度超标）= 该批次商品全部召回，不计成本