面向供應鏈挖掘“商品關系鏈”價值
——“大數據與智慧物流”連載之二

2017-03-14 02:34:02李嘉/文

物流技術與應用 2017年2期

李嘉/文

李嘉/文

中國有句俗語：人以群分，物以類聚。這句話蘊含樸素的大數據思維。本文以筆者親自主導的一個倉儲商品布局優化案例為切入點，深入探討這種思想在電商供應鏈領域的價值。

一、物以“類”聚

評價電商倉儲能力的核心KPI之一是在售SKU（Stock Keeping Unit）總量。不同種類的SKU，在碼放標準、安保要求、生產流程、打包方式、溫度控制等方方面面存在巨大差異。簡單來說，在售SKU總量越多，電商的供應鏈能力越強。現行模式下一個SKU對應一個銷售種類（例如32G Iphone7 金色手機，即為一個標準SKU）；相應地，一個SKU默認為倉配體系中的一個最小作業單元（比如最小上架單位、最少補貨單位、最少揀貨單位等）。然而細思起來，這種模式存在一個巨大的“意識斷層”，即：引入一個SKU的動作在采購端完成，其核心動機是根據市場需求拓展供給商品，根本目在于提升GMV；而倉配體系遵循的鐵律是用最低的成本把商品送達用戶，根本目標在于降低成本。兩者分處銷售與運營兩端，目標不同，本質上沒有任何理由支持“每一個銷售基本單元必須＝每一個運營最小作業單元” 這個等式的成立。

在跨越 “意識斷層”方面，JD運營已經開始了探索。以2016年7月在華南某10萬平方米倉儲中心進行的科學倉儲布局項目為例，見圖1。布局前后效果見圖2。

從圖1看出，項目引入SKU簇作為庫內的最小作業單元，同簇SKU在整個庫房生命周期內，會被同時執行上架、補貨、移庫等操作，不可拆分。經實地測算，重布局后，減少揀貨時無效移動59%。無效移動案例如下：

a.Case平庫：揀貨員穿越了一個巷道，但未揀選任何商品，記錄為一次無效移動。

b.Case“貨到人”庫：一個移動貨架有100件商品，類kiva機器人搬運一次后，揀貨員揀選了其中1件。此情況中，其余99件商品分別記錄一次無效移動。

具體實施步驟如下：

1. 利用大數據預測工具計算每2個SKU被同單購買的概率；將此概率作為個體距離，應用聚類算法，在SKU總量基礎上生成若干SKU初始簇；

2. 根據簇內每一SKU的支持度，計算其在簇內的件數配比；

3. 根據待布局儲區容積，尋找全局最優的簇實例組合。最優目標為：揀貨時無效移動次數最少;

4. 根據待上架目標介質的實際容量，以及簇內配比，對初始簇進行裁剪（目標介質指以下中的一種：可移動貨架、平庫巷道、shuttle貨格等）。一個初始簇會被切分為若干個簇實例。一個簇實例是一個具體到件數的存儲/作業單元;

5. 按切分好的簇實例及其分布完成上架。簇實例示意圖見圖3。

該項目在算法實現層面存在以下難點，供讀者應用時參考：