我的朋友老楊向我咨詢一個問題。由于2021年國際海運的運輸時間很不穩定，他想要做一下分析，提供給總部作為參考，但不知該如何入手，所以想找我幫忙。

老楊所在的A公司有幾家工廠分布在包郵區，通過上海港出口到美國印第安納州的客戶B工廠，主要的運輸模式是海運加美國內陸多式聯運。貨柜抵達美國西海岸的洛杉磯或長灘港后，通過鐵路運輸至芝加哥，用卡車完成最后的派送。

考慮到啟運港都是上海港，老楊統計了從啟運港開船到貨物送達客戶倉庫的全部日期，用這個數據來分析運輸時間的情況。

A公司的幾家工廠出貨量并不均衡，有整柜，也有拼柜。有時出貨量介于兩者之間，老楊也想知道整柜和拼柜的時效性有多少差別。

老楊把2020年11月至2021年10月的實際運輸時間提供給我，在經過初步整理后，得出了有效數據共有127條，具體情況如下表。

一、數據分析

首先使用散點圖來看一下，X軸是每票貨物實際開船的日期，Y軸是從開船到B公司倉庫的總天數，包括了海上運輸、進口清關和內陸多式聯運的時間。下面的分析都是依照這個統計方式。

初看之下，整體的運輸天數在20至105天左右，主要集中在40-60天的區間段。當然目視化的方法只能用于快速判斷，我們還要進行下一步的統計分析。

我把數據排序了一下，發現最小值是21天，也就是從上海港至客戶倉庫最快的時間，這相當厲害了。

但是最大值竟然也有106天，相當于是3. 5個月。最大值和最小值的差距有85天。其中出現次數最多的天數有兩個值，也就是眾數，分別是47天和67天，各有7次。

想要計算眾數，可以使用Excel中的公式MODE.MULT（數值范圍），它會返回眾數的所有值，我們就不用一個個去數了。

想要知道運輸大概率會需要多少天，用平均數是最簡單的方法，127條記錄的平均數是51天，此處已經四舍五入，下同。

平均數用起來簡便，但我們也知道它有缺點，比如上海市平均工資公布后，我總感覺是拖了后腿。因此我們要使用百分位數來分析，當然平均數還是有用的，留在后面再講。

百分位是指把所有數據從小到大排序，并計算相應的累計百分位。第25百分位數又稱第一個四分位數，在我們的統計中有127個記錄，25百分位對應的是第31.75，從最小值開始數下來，在第31和第32之間的那個數，也就是39天。

第50百分位數也叫中位數，這個值比平均值更有意義。用75百分位數減去25百分位數的值叫做四分位距，它反映出的是數值之間的間距，體現出一種離散情況。

在這組數據中的四分位距是60-39=21天，意思是從小到大排序數據的第75百分位和第25百分位的差是21天。計算百分位的Excel公式是PERCENTILE.INC(數值范圍，百分比) ，比如要計算中位數，就輸入0.5。

至此，我們感覺是掌握了一些信息，但還不太夠。想要知道這組數據整體偏離平均值的程度，我們要計算一下方差，也就是Variance。

來一波回憶殺，回想當年學過的高中數學吧，方差是各個數據與平均數之差的平方的和的平均數。在這組數據里有127個值，方差的計算公式就是把每個數減去平均數51天后求一個二次方，把所有的平方加起來，再除以127。

在Excel里的計算公式是VAR. S(全部數值)，很快就能算出結果是225.31。把方差開個二次根，可以得出標準差是15.01，Excel公式是SQRT（數值）。

看到了這里是不是有點上頭了？別著急還有最后一步，我們要算一下變異系數Coefficientof Variation，簡稱CV。它是用標準差除以平均值，在這里就是15.01/51，等于0.3，這個數字反映了樣本數據的離散程度。

一般來說，CV小于0.75說明變化性比較低。我們可以這樣理解，雖然運輸時間比以前長了，但總體的離散程度很低，說明延長的時間是同比放大了。

只要我們調整在途運輸天數的參數，重新計算物料需求計劃，由于運輸延誤造成的缺貨風險是總體可控的。這是第一個重要的洞察。

如果我們統計所有發生的運輸天數的概率，就可以得到這樣一個結果。

這一步可以在Excel里使用數據透視表完成。選中所有“從啟運港開船日到抵達倉庫天數”數據。

然后在Values里選擇Count，在show values as中選擇“% of Grand Total”

就可以計算出概率。接下來，使用柱狀圖把概率展示出來。

我們之前得出的兩個眾數，47和67就是Y軸概率最大的兩個數，各出現了7次，除以總樣本數127，概率就是5.51%。這個分布有點像是正態分布，也有點像是三角形分布，關于這點先放一放，待會兒再來看。

二、整柜 or 拼柜？

老楊的工廠有時用整柜出貨，有時用拼柜。當貨物正好裝滿一個20尺或40尺集裝箱的時候，毫不疑問我們應該選擇整柜。

但在整柜很難訂的時候，我們是否可以化整為零？畢竟市場上的拼柜訂艙更加容易一些。在不考慮成本因素的前提下，我們可以先對兩種模式的時效性做下分析。

這組數據中有55票整柜，包括20尺和40尺柜，另有72票拼柜，加起來正好是127。我們用之前使用的計算方式，求得了一系列的結果，計算過程不再贅述。

通過比較這兩種模式，我們可以得出幾個結論。

首先，拼柜的運輸時間更長，這是因為貨柜在目的地港口需要掏箱，然后再安排零擔運輸，這會增加運輸的總時間，因此這個結果是合理的。

其次，我們發現拼柜的變異系數小于整柜，這說明拼柜雖然慢一些，但時效性比整柜還要穩定，這是另一個重要洞察。

如果我們把整柜和拼柜的概率分布拿出來看一下，它們展示出來的情況如下：

1.整柜的分布

這個分布呈現出了三角形分布的特征，眾數39是整組數據的概率最大值，其他概率在“39”的左右不均衡地分布著，中位數45和平均值47都在它右側。

2.拼柜的分布

拼柜同樣地出現了三角形分布，眾數67是該組數據的概率最大值，其他概率在它的左右不均衡地分布著。這次中位數53和平均值54都在67的左側，這與整柜的情況是相反的。

我們不去深究為什么會造成這兩種情況，只需要知道三角形分布很適用于運輸時間概率分析就好了。

在這樣的場景中，正態分布未必是最合適的，因為運輸時間的最小值是有極限的，比如21天，但是最大值可能會超乎預期，只要在整個運輸環節中的任意一點脫節，就會造成難以預料的延誤，最大值106天就是一個例證。

如果不幸遇到了蘇伊士運河堵塞的情況，那么最大值就又要無限期地增加了，概率分布應該不是正態分布，而是三角形分布了。

三、數據提供的洞察

通過對這些數據的分析，我們至少可以得出以下的幾個結論。

1．運輸時間

新冠疫情引發的一系列問題，屬實增加了海運的運輸時間。同時我們也發現變異系數還是較低的，不管是整柜還是拼柜。定期回顧實際運輸時間，然后在系統里調整前置時間參數，就可以避免因運輸延誤造成的逾期訂單或缺貨。

2．整柜和拼柜的時效性

綜合來看，整柜雖然比拼柜更快一些，但是沒有拼柜時效性穩定，前者的變異系數甚至更多了6%。整柜雖然沒有在堆場拆箱，二次運輸的過程，但依然卡在了其他多式聯運的環節上，并沒有體現出優勢。

拼柜是一個很好的備選方案，優勢是不用等柜子，因為是和其他出貨人共享集裝箱，更容易獲得艙位和可能更早的船期。

3．前提假設

以上結論僅是基于A公司和它所選擇的貨代，運輸至美國B公司的場景下得出的結論，并不一定適用于其他場景，但這套方法論是可以供借鑒的。

供應鏈的本質就是數學，用數據說話，拒絕無意義的空談。使用數據分析，可以幫助我們穿越迷霧，洞察供應鏈的真相。