基于数据分析及算法模型优化仓储作业

随着电商的发展，仓储的管理也越来越复杂，涉及的系统有WMS、WCS、QMS、TMS等，很多仓储服务商推出的“仓配一体化、仓储智能化、智慧管理、云仓管理”等具有特色的服务都是基于大数据和云计算所做出的改变。

所有的这些都需要基于仓储实际作业流程及生产数据不断地优化并改进，这里收集了关于路径、库区、单量、补货和波次的算与优化模型，可以作以了解。

路径优化

拣货路径优化可以将各拣货库位间的最短行走距离看成一个旅行商问题，可以基于TSP等方法进行建模实现各拣货库位间的拣货距离最短。通常采用遗传算法，蚁群算法、模拟退火算法和禁忌搜索等对该类问题进行求解。

SKU与货位为1对1：拣货路径主要是基于已生成集合单信息进行最短距离优化，主要是基于一个sku对应一个库位的前提下，事实上此种拣货路径距离的优化效率有限。

SKU与货位为1对多: 拣货路径可以基于实时库存信息进行操作，解决难适应单个sku多库位摆放的情况，综合利用仓库中货位摆放及随机补货结果等信息，如此可以有机整体的对仓库总体效率进行提升，突破当前拣货路径优化效率的上线。

库区优化

目前大部分仓库划分了拣货区(forward area OR fast pick area)和存储区(reserve area)，在仓库实际存储过程中，通常是仓库工作人员根据已有经验随意摆放，且每个SKU是集中在一个库位(或者数个相邻库位)。

对于一些高销量、强关联性的SKU，仓库工作人员进行拣货时拣货距离过长，导致拣货任务耗时的增加。

库位优化的意义主要在于，根据货主的历史销量数据，动态地调整 SKU在仓库中的存储库位，将高销量、高热度的 SKU摆放在距离拣货任务起终点更近的库位，将关联性高的 SKU的存储库位尽量靠近，另外可以根据仓库和货主的实际要求，对 SKU采用分散化存储的策略；

通过库位优化模块计算后的 SKU存储库位， 达到提高仓库存储库位合理性、提升拣货效率、降低拣货耗时的效果。

单量预测

物流行业的件量预测主要是根据历史件量，利用时间序列模型或者机器学习算法通过仓库维度和时间维度学习单量的增长趋势和周期趋势进行预测，较为常见的方法有传统的时序模型，广义可加模型，回归模型等。

由于仓库商品具有季节性或促销信息对其较为明显的影响，容易出现单量突增或者突减的突变点，因此需要集合多种模型的优缺点，针对仓库货主的销量特性提供一套预测模型，为仓库管理人员提供较为准确的单量预测，为人员排班提供合理建议。

补货策略

常见的仓库订货策略通常采用（S，s）策略（永续盘存制）、（s,S,R）策略（定期盘点制）、（R,S）策略（定期库存盘点制）等，每种模型均有其特点和缺点。

通常利用所采集的 SKU 出库数据计算货品受欢迎度，预测单位出库周期内的 SKU 出库量，根据 SKU 的受欢迎程度设置 SKU 的安全库存天数和最大库存天数，通过安全库存天数和最大库存天数计算 SKU 的安全库存量和最大库存量。

补货策略可以提供系统化、定量化的补货管理，为解决仓库补货过于依赖人员经验、紧急补货次数过多、时效水平较差等补货行为提供了有效的解决方案。

波次优化

现有的集合单生成技术包括邻域搜索，节省模型，种子单模型等。

邻域搜索通过搜索可行解的邻域寻找更优解；

节省模型计算每对订单一起拣能节省的距离，并尽量将节省距离大的订单组合成集合单；种子单模型选择一个或多个订单作为种子单，再不断选择相似度最大的订单组合成集合单；

种子单也可与节省模型组合，选择节省最大的一对订单作为种子单，并不断加入节省距离最大的订单组合成集合单；

其中种子模型中的相似度和节省模型可以依据不同仓库的实际业务场景进行选择。当前在XX的XX仓库中，仿真了种子单算法 +相似度的集合单模型效果。

写在最后

关于仓储作业流程的优化离不开数据和模型算法，这些需要专业的能力和对实际工作场景的理解与实践。我曾服务的一家公司便设有专门的软件研究院进行图像搜索、大数据等模型研究与实践，当时的拣货路径优化便是由他们帮助仓储研发组协作完成的。