基于ABC分類與關聯規則的倉儲貨位優化設計及R語言實現

（南京林業大學 汽車與交通工程學院，江蘇 南京 210037）

1 引言

倉儲是物流中至關重要的環節，貨位規劃是倉儲管理建立良好保管秩序的核心內容。貨位規劃主要包括貨位儲存方式與貨位分配原則的確定、貨位指派方式的確定，其基礎工作包括貨位編碼和貨位編號，并需要經常進行貨位優化。貨位優化是指基于SKU（存儲單位）和計劃為因素在貨物當前位置的基礎上，為了確保貨位分布常常處在比較合理的狀況，對貨位進行重新分配，使得揀貨效率提高和倉庫運營成本降低。

國內外學者在物流倉儲管理和貨位優化方面進行了大量研究。2011年，陜西科技大學欒飛使用匈牙利算法對建立的優化模型進行求解，并利用Petri網進行了實例仿真[1]。2013年，華東政法大學黃丹華等基于COI分類存放原則，提出了一種混合粒子群算法來解決倉庫貨位優化分配問題，將粒子群算法同蜂群算法混合，優化COI值來達到優化貨位的效果[2]。2014年，Yi-Fei Chuang采用了網站統計和關聯規則挖掘的Apriori算法制定一個分區的臨界和存儲分配策略[3-4]。2015年沈陽工業大學張義華以基于Fishbone布局的某立體倉庫為研究對象，利用大數據挖掘技術對貨物入庫作業的貨位分配優化問題進行了研究，主要的目的是提高倉庫的工作效率[5]。2016年遼寧科技大學宋菊平提出了基于關聯規則的貨位分配概念模型，采用MATLAB軟件對數學模型進行分析和驗證，仿真模擬10個貨品25個貨位的分配方案,得到現實正確的方案[6]。2016年，東南大學趙士博采用了關聯規則挖掘的方法，對歷史訂單進行大數據挖掘分析。針對不一樣的情景設計出不一樣的分配方法，提出了貨位分配的整體優化方法[7-8]。

據了解目前并沒有研究將關聯分析與貨位分配具象化，即基于關聯規則的貨位優化如何實現。同時在以往的研究中，關聯分析后，關聯規則只存在于兩個貨品之間，而關聯通常存在于多個貨品之間，即一個貨品可能與幾個其他貨品關聯緊密，這種存儲的方式則不能實現對關聯規則的深入實現。ABC分類是將繁多的商品品類進行分類，不同的品類對資金占用和庫存周轉的影響存在較大差異，倉儲管理最常見的方法就是ABC分類法。關聯規則是揭示數據內在結構特征的重要手段，目的就是基于已有數據，找到事物間的關聯關系，為優化倉儲貨位提供依據。本文將首先對數據進行ABC分類，然后對ABC分類的結果進行關聯規則分析，得出優化結果。

2 基于ABC分類與關聯規則的倉儲貨位方法

2.1 ABC分類法的基本原則

ABC分類法又稱為重點管理法、20-80分析法則。該方法是根據巴雷特法或曲線所揭示的“關鍵的少數和次要的多數”的規律應用于管理中[9]。對A類商品進行重點管理，對B類商品進行次重點管理，對C類商品進行一般管理。上述三類物料在庫存控制和管理中有不同的重要程度[10]。ABC三類商品的特征見表1。

表1 ABC分類特征

2.2 關聯規則

關聯規則（Association Rule）是在數據庫和數據挖掘領域中廣泛研究的一種重要模型，目的是找出數據集中的頻繁模式，即多次重復出現的模式和并發關系[13]。在眾多的關聯規則數據挖掘算法中，最著名的就是Apriori算法，是反映關聯規則潛在效用的選擇標準來應對大數量規則的問題[14]。關聯規則發現的主要任務在于挖掘出滿足閥值條件的強關聯規則。Apriori算法建立關聯規則主要可分為五個步驟，如圖1所示。

圖1 關聯規則步驟

3 基于ABC分類與Apriori算法實證與R語言算法實現

3.1 倉庫實例

某物流公司成立于2001年，是較有規模的第三方物流企業，自動化立體倉庫的產品在入庫時，庫位的選擇仍是固定貨位，缺乏靈活性，貨位的利用率較低。出庫揀貨期間，難以準確定位貨物存放儲位。出貨效率低，頻繁往返貨位與出貨區。某物流公司的貨位設置方法按品牌的不一隨機儲存，如圖2所示。

圖2 貨位分布圖

3.2 以ABC規則進行分類

以倉儲作業出庫數據集（2017年1月份）為例,表中貨物類目數量有204個，而發貨行為共有53 281次。每一個發貨單對應一個或者多個貨物類目。首先對已有的數據進行ABC管理，需經過下列步驟：

Step1:統計每種商品的金額和數量；

Step2:按照庫存金額由大到小排列；

Step3:計算每種商品的庫存累計金額和累計金額的占比；

Step4:進行分類。

最終分類結果A類共有12件，占總數量的5.88%；B類共有38件，占總數量的18.63%；C類共有154件，占中數量的75.49%。

3.3 關聯規則分析

選擇使用關聯規則算法中的Aoriori算法進行關聯規則分析，為了方便計算，首先將數據進行編號。事實表中，一行是一個事務的完整描述；一列為一個具體項目，取1代表該出貨單有此商品，0代表沒有此商品。id代表出貨單號。

首先對A類商品進行關聯規則，B,C類商品采用相同的方法進行分析。

Step1:數據讀取。

Step2:建立事物數據集對象

總共有33 212條交易記錄transaction，12個商品item。density=0.111表示在稀疏矩陣中1的百分比。最頻繁出現的商品item，以及其出現的次數。可以計算出最大支持度。basketSize表示每個transaction包含item的數目，是row level。而ItemFrequency是item的支持度，是column level。a2玉蘭油多效修護霜出現的次數最多，a1吉列鋒隱致護刀架(1刀頭)刀片(2刀頭)星戰版出現的次數最少。

R語言源文件如下：

Step3:可視化商品的支持度。

將各商品的支持度按從小到大排序如圖3所示，詳細代碼如下：

圖3 A類支持度排序

Step4:搜索頻繁項集，生成有效的簡單關聯規則

指定最小支持度和最小置信度閾值分別為0.05和0.8，此時模型生成了22條規則。具體代碼如下：

Step5:篩選關聯規則

除去22條規則中的一項集保留其他項集，具體代碼見如下：

篩選結果如下：

3.4 數據可視化

對篩選出的2項集以上結果進行可視化，具體代碼如下：

結果如圖4所示。

圖4 A類商品可視化結果

圖4中A類商品可視化結果中小圈表示支持度為0.05，大圈表示支持度為0.081，可見，購買a7（玉蘭油新生塑顏金純面霜50g）同時購買a5(玉蘭油新生塑顏金純活能水150ml)的支持度最大，其次是a2(玉蘭油多效修護霜)和a3(玉蘭油多效修護醒膚水150ml爽膚化妝水)。

4 優化對策

4.1 A類儲存方案

根據ABC分類結果，將結果分為A、B、C三類，分開存放。然后將貨物進行關聯規則，根據關聯規則的結果，商品a2(玉蘭油多效修護霜)和a3(玉蘭油多效修護醒膚水150ml爽膚化妝水)、a6(玉蘭油新生塑顏金純彈力眼霜15ml)和a8(玉蘭油新生塑顏金純修護精華乳50ml)、a5(玉蘭油新生塑顏金純活能水150ml)和a8(玉蘭油新生塑顏金純修護精華乳50ml)、a7(玉蘭油新生塑顏金純面霜50g)和a8(玉蘭油新生塑顏金純修護精華乳50ml)、a5(玉蘭油新生塑顏金純活能水150ml)和a6(玉蘭油新生塑顏金純彈力眼霜15ml)、a6(玉蘭油新生塑顏金純彈力眼霜15ml)和a7(玉蘭油新生塑顏金純面霜50g)、a5(玉蘭油新生塑顏金純活能水150ml)和a7(玉蘭油新生塑顏金純面霜50g)相鄰儲存。

4.2 B類儲存方案

b1(歐樂-B EB50-3多角度清潔型刷頭三支裝)和b35(歐樂B牙齦專護牙膏(對抗紅腫出血)40g7支)、b21(玉蘭油多效修護潔面乳100g)和b34(玉蘭油多效修護精粹乳清爽型50ml)、b27(玉蘭油輕透倍護隔離防曬液40ml)和b28(玉蘭油水感透皙光塑水凝乳75ml）、b29(玉蘭油水感透皙瑩肌亮膚液150ml)和b31(玉蘭油水感透白亮膚凝乳75ml)、b5(歐樂B EB10-4K兒童電動牙刷替換刷頭四支裝(冰雪奇緣))和b35(歐樂B牙齦專護牙膏(對抗紅腫出血)40g7支)、b15(玉蘭油正品乳液嫩白透亮潔面乳100g)和b20(玉蘭油滋潤霜50g)、b15(玉蘭油正品乳液嫩白透亮潔面乳100g)和b21(玉蘭油多效修護潔面乳100g)相鄰儲存。

4.3 C類儲存方案

c39(吉列鋒隱致順5層刀片動力剃須刀片男士刮胡刀片4刀頭)和c144(103吉列鋒隱致順動力刀架含1刀架1刀頭)、c132(歐樂B牙齦專護牙膏夜間密集護理40g5支)和c133(90g佳潔士兒童牙膏水果味)、c132(歐樂B牙齦專護牙膏夜間密集護理40g5支)和c140(歐樂-B D12013清亮型電動牙刷)、c37(吉列致順剃須啫喱195g)和c54(吉列鋒隱致護男士剃須刀刀架手動刮胡刀含1刀架1刀頭)、c97(玉蘭油水漾動力盈潤保濕露150ml)和c98(正品玉蘭油水漾動力保濕潔面乳125g)、c96(玉蘭油水漾動力深潤保濕乳霜50g)和c97(玉蘭油水漾動力盈潤保濕露150ml)、c96(玉蘭油水漾動力深潤保濕乳霜50g)和c98(正品玉蘭油水漾動力保濕潔面乳125g)、c64(玉蘭油爽膚水深層保濕美白營養水150ml)和c68(玉蘭油保濕乳液水潤滋養滋潤露75ml)、c22(玉蘭油水養防曬美白霜50g)和c154(歐樂B50m微蠟牙線)、c132(歐樂B牙齦專護牙膏夜間密集護理40g5支)和c154(歐樂B50m微蠟牙線)、c22(玉蘭油水養防曬美白霜50g)和c132(歐樂B牙齦專護牙膏夜間密集護理40g5支)、c28(吉列剃須泡清新檸檬型男士剃須膏刮胡泡沫50g)和c151(吉列剃須啫喱溫和型迷你裝)、c68(玉蘭油保濕乳液水潤滋養滋潤露75ml)和c77(玉蘭油清新凈透爽膚水150ml)相鄰存儲，最后得出布局圖如圖5所示。

5 結論

本文是在對某第三方物流企業實際數據的基礎上，針對該倉庫貨位優化方面現存的產品入庫時，缺乏靈活性，貨位的利用率較低等問題，提出的一種基于ABC分類的關聯規則算法。在將產品ABC分類后進行關聯規則，挖掘出產品間的關聯性，從而提高整體倉庫的作業效率和倉位的利用率。

圖5 儲位布置圖

使用ABC分類法投入少，見效快，效率改善程度高，便于管理，提高貨位利用率，而通過關聯分析分析出貨物間的規律，發現連帶貨物，為制定合理的方便選取的貨位優化方案提供了依據。兩者結合，在保證了成本的情況下為貨位優化提供了方案。