基于ABC分類法和FP-Tree算法的倉儲優化設計

□ 梁 玥,楊 黍

(西南科技大學 經濟管理學院，四川 綿陽 621010)

1 引言

自2015年起，我國鋼鐵消費與產量雙雙進入峰值弧頂區并呈下降態勢，鋼鐵主業從微利經營進入整體虧損，行業發展進入“嚴冬”期[1]。鋼鐵企業為降低生產成本、制定精準化戰略、擴大市場份額，紛紛對鋼鐵行業內的傳統物流模式進行改革，挖掘物流領域的利潤空間，倉儲作為物流領域的重要組成部分，是影響物流企業作業效率的一個重要因素，適當的倉儲和合理的倉儲布局能夠保證倉儲工作的順利進行，提高物流企業的經濟效益。

2 使用的方法簡介

2.1 ABC分類法

ABC分類法是為了使有限的時間、資金、人力和物力等資源得到更加有效的利用，依據庫存物資的重要程度不同以及事物在技術、經濟方面的主要特征[2]，以某類庫存貨物品種數占物資品種數的百分比和該類物資金額占庫存物資總金額的百分數大小為標準，將庫存物資分為A、B、C三類進行分級管理，從而實現區別對待區別管理的一種方法。

2.2 FP-Tree算法

FP-Tree算法是一種挖掘關聯規則的頻繁項集的算法。[3]在Apriori算法基礎之上進行改良，該算法使計算物品關聯性的效率更高。只需掃描原始數據兩遍，通過不斷地迭代FP-tree的構造和投影，即可得出物品之間的關聯程度。

3 H鋼鐵物流園案例

3.1 H鋼鐵物流園的現有布局

圖1 H鋼鐵物流園的現有布局

H鋼鐵物流園位于華東地區，是當地的核心鋼鐵物流園區，主要負責鋼材倉儲、運輸、裝卸搬運、流通加工等業務。占地面積約8000002，共有六個鋼材堆場，螺紋鋼全部位于1-5號堆場，如圖1所示。

3.2 物流園倉儲存在的問題及分析

H鋼鐵物流園的倉儲環節信息化投入較低、對鋼材的管理方法較為落后。本文以螺紋鋼為例，螺紋鋼在堆場的擺放基本采用“見縫插針”的存儲方式，隨意性較強，缺乏恰當的管理，現有的物流園存儲能力分布不均勻。這使得車輛在H鋼鐵物流園的各貨場的流轉次數增加，甚至存在迂回運輸、二次倒運、與其他作業相沖突的情況，導致整體裝卸效率低，也嚴重影響了企業的經濟效益。因此，對螺紋鋼的擺放進行優化、使得裝卸搬運更加高效，對H鋼鐵物流園而言是非常必要的。

4 H鋼鐵物流園的倉儲管理優化方案

4.1 基于ABC分類法對產品進行分類

4.1.1 ABC分類應用的原始數據

根據H鋼鐵物流園的出庫訂單制訂有針對性的ABC分類標準。H鋼鐵物流園近一年(2017.10.1-2018.8.11)有效歷史螺紋鋼出庫數據共計77017條，如表1所示。

表1 螺紋鋼出庫數據

緊接著，對原始數據進行整理、分析得出，H鋼鐵物流園近一年的有效出庫訂單數35235個，如表2所示。

表2 螺紋鋼出庫訂單數

4.1.2 對螺紋鋼產品進行ABC分類

基于以上兩步，以15%、35%、50%的原則進行A、B、C分類。將出庫頻率前10種歸為A類,緊接著的24種歸3為B類，剩下的34種歸為C類。

表3 螺紋鋼ABC分類表

4.2 基于FP-Tree算法的產品相關性分析

對于鋼鐵物流企業來說，不同品類之間的需求相關性反映在訂單中，因此H鋼鐵物流園關聯規則挖掘的對象是客戶的訂單。通過關聯規則求解過程可以看出，用關聯規則挖掘出訂單商品品類之間的關聯規則是可行的。根據計算結果將需求相關性高的品類聚集在一起，存放在臨近庫區。因需要求出關聯規則反映品類之間的需求相關性大小的具體數值，并根據它來聚類，以此來指導貨位分配。

H鋼鐵物流園的螺紋鋼鋼種及規格共有68種，將這68個鋼種及規格按1-68編號，順序如表5所示。統計出在2017年10月至2018年8月的訂單共有35236條。

在此設置兩次不同的最小支持度和最小置信度，并將兩次的結果結合使用，保證結果的精準度。首先設置最小置信度為0.4，最小支持度為4，利用FP-Tree算法，通過計算支持度找出所有訂單中的頻繁項集，最后生成關聯規則并計算出相應的置信度，得出初步的不同鋼種及規格之間的關聯度。接著設置更大的支持度50和更高的置信度0.65，得出更強的鋼種及規格之間的相關性，符合的關聯規則如表6所示。

表6 FP-Tree算法結果

由表6可知：

①顧客購買“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 22*9”之后有66%的概率會買“HRB400E抗震 16*9”；

②顧客購買“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 25*9,HRB400E抗震 20*9”之后有74%的概率會購買“HRB400E抗震 16*9”；

③顧客購買“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后會有74%的概率購買“HRB400E抗震 16*9”；

④顧客購買“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后有70%的概率購買“HRB400E抗震 16*9”；

⑤顧客在購買“HRB400E抗震 12*9,HRB400E抗震 25*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后會有68%的概率購買“HRB400E抗震 16*9”；

⑥顧客在購買“HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后會有66%的概率購買“HRB400E抗震 16*9”；

⑦顧客在購買“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后有65%的概率購買“HRB400E抗震 16*9”；

⑧顧客在購買“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后有67%的概率購買“HRB400E抗震 16*9”；

⑨顧客在購買“HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9,HRB400E抗震 22*9”會有69%的概率購買“HRB400E抗震 16*9”。

經過關聯性分析之后可以粗略的確定螺紋鋼的大致存放位置，接下來將討論結合關聯規則分析和商品實際出庫量來綜合討論螺紋鋼的具體儲位。

4.3 基于出庫量與產品相關性的云倉優化設計策略

根據出庫量和相關性確定產品之間的關聯性，并按照關聯度從大到小排列，關聯度越大，產品倉儲越近。由于采用數據分析等技術，對傳統的堆場進行優化升級，因此將重新規劃后的堆場定義為“云倉”。

云倉分配主要步驟：

①將整個云倉分為高頻區、中頻區、低頻區；

圖2 云倉分配示意圖

②根據ABC分類法對產品的價值進行綜合排序，將價值大的產品放置于靠近出口的位置；

③根據FP-Tree算法計算各相關產品的位置系數，按照位置系數大小確定相關產品的堆放位置。

4.4 螺紋鋼在云倉中擺放設計

將“H鋼鐵物流園2017年10月—2018年8月出庫數據”經過匯總整理得出各個鋼種及規格的出庫頻次表，頻次表如表7所示。

表7 出庫頻次表

由表7可知，“HRB400 12*9、HRB400 16*9、HRB400 14*9、HRB400 20*9、HRB400 18*9、HRB400 25*9、HRB400E抗震12*9、HRB400E抗震16*9、HRB400E抗震14*9、HRB400 22*9、HRB400E抗震18*9、HRB400E抗震25*9、HRB400E抗震20*9、HRB400E抗震22*9”這14種的出庫量非常大，應根據之前的“ABC”分類依據，將不同的螺紋鋼放在中高頻區且靠近云倉的兩側的地方，便于貨物的裝卸搬運，節約運輸時間；C類不同規格鋼種按出庫頻次的高低放在低頻區的合適位置；根據不同規格鋼種的出庫量大小對不同規格的鋼種安排合適比例的倉位。

接著，根據得出的不同規格的鋼種之間的關聯度及出庫頻次表分析得出不同規格的鋼種的具體擺放位置和倉位分配比例，例如：

HRB400E抗震12*9、HRB400E抗震18*9、HRB400E抗震20*9、HRB400E抗震16*9、HRB400E抗震22*9、HRB400E抗震14*9、HRB400E抗震25*9這幾種規格的鋼種不同的組合之間的關聯性很大，大多數位于A類高頻區，少部分位于B類中頻區，應將它們在“ABC”分類的基礎上，劃分在臨近的倉位，倉位比例按出庫數量來劃分。

圖3 優化后的部分螺紋鋼倉位安排

HTRB600E抗震20*12、HTRB600E抗震25*12、HTRB600E抗震14*12、HTRB600E抗震22*12這幾類位于低頻區，關聯度非常高，應放在低頻區臨近的位置。

HRB400E抗震28*9、HRB400E抗震20*12、HRB400E抗震22*12、HRB400E抗震20*12都是B類，它們之間的關聯度很高，放置時應該放在臨近的倉位。

綜上，通過分析H鋼鐵物流園區螺紋鋼產品的關聯性，計算出具有強關聯度的產品類別，為產品云倉規劃奠定了基礎。通過分析產品的出庫頻次來確定產品與出入口之間的距離。最后結合關聯分析和產品出庫頻次等相關數據制定產品的堆位安排策略。部分螺紋鋼倉位安排如圖2所示。其中零表示過道，其他數字表示螺紋鋼有效擺放區。

5 結語

本文從H鋼鐵物流園區螺紋鋼倉儲管理問題切入，利用FP-Tree算法計算各鋼材之間的關聯性，并將其整理排序，按照ABC分類法對不同的鋼材進行各有側重的管理，有效減少了螺紋鋼的場內運輸的轉場次數、提高了其裝卸搬運效率。