#专题#面向供应链挖掘 “商品关系链”价值

jarvis

2018-10-12 09:07:03

浏览量:66 次

#专题#面向供应链挖掘 “商品关系链”价值

中国有句俗语:人以群分,物以类聚。这句话蕴含朴素的大数据思维。本文以笔者亲自主导的一个仓储商品布局优化案例为切入点,深入探讨这种思想在电商供应链领域的价值。

 

物以“类”聚

 

评价电商仓储能力的核心KPI之一是在售SKU(Stock Keeping Unit)总量。不同种类的SKU,在码放标准、安保要求、生产流程、打包方式、温度控制等方方面面存在巨大差异。简单来说,在售SKU总量越多,电商的供应链能力越强。

 

 

现行模式下一个SKU对应一个销售种类(例如32G Iphone7 金色手机,即为一个标准SKU);相应地,一个SKU默认为仓配体系中的一个最小作业单元(比如最小上架单位、最少补货单位、最少拣货单位等)。

 

然而细思起来,这种模式存在一个巨大的“意识断层”,即:引入一个SKU的动作在采购端完成,其核心动机是根据市场需求拓展供给商品,根本目在于提升GMV;而仓配体系遵循的铁律是用最低的成本把商品送达用户,根本目标在于降低成本。两者分处销售与运营两端,目标不同,本质上没有任何理由支持“每一个销售基本单元必须 = 每一个运营最小作业单元” 这个等式的成立。

 

在跨越 “意识断层”方面,JD运营已经开始了探索。以2016年7月在华南某10万平方米仓储中心进行的科学仓储布局项目为例,见图1。布局前后效果见图2。

 

 

青岛嘉盛泰科技服务有限公司从图1看出,项目引入SKU簇作为库内的最小作业单元,同簇SKU在整个库房生命周期内,会被同时执行上架、补货、移库等操作,不可拆分。经实地测算,重布局后,减少拣货时无效移动59%。无效移动案例如下:

 

Case平库:拣货员穿越了一个巷道,但未拣选任何商品,记录为一次无效移动。

 

Case“货到人”库:一个移动货架有100件商品,类kiva机器人搬运一次后,拣货员拣选了其中1件。此情况中,其余99件商品分别记录一次无效移动。

 

具体实施步骤如下:

 

利用大数据预测工具计算每2个SKU被同单购买的概率;将此概率作为个体距离,应用聚类算法,在SKU总量基础上生成若干SKU初始簇;

 

青岛嘉盛泰科技服务有限公司根据簇内每一SKU的支持度,计算其在簇内的件数配比;

 

青岛嘉盛泰科技服务有限公司根据待布局储区容积,寻找全局最优的簇实例组合。最优目标为:拣货时无效移动次数最少;

 

根据待上架目标介质的实际容量,以及簇内配比,对初始簇进行裁剪(目标介质指以下中的一种:可移动货架、平库巷道、shuttle货格等)。一个初始簇会被切分为若干个簇实例。一个簇实例是一个具体到件数的存储/作业单元;

 

按切分好的簇实例及其分布完成上架。簇实例示意图见图3。

 

 

该项目在算法实现层面存在以下难点,供读者应用时参考:

 

预测SKU合买概率难度较大,历史订单数据受季节因素、赠品绑定、促销等因素影响明显;

 

不同类型储区对簇实例裁剪要求各异,需兼顾以下维度思考

 

(1)簇实例之间应保有关联度

 

(2)避免热销簇过度集中,导致局部拥堵

 

(3)避免簇实例的商品量过大,导致占用目标介质过多

 

(4)避免簇实例的商品量过小,导致拣货时SKU易被击穿

 

3. 如欲兼容热销品近产线模型,会引发计算复杂度指数级攀升,见图4。热销品近产线效果的计算方法见图5。

 

 

(1)按商品合买概率划分SKU簇

 

(2)以巷道为目标介质,生成簇实例,上架商品

 

(3)将销量最高的巷道移到黄金位置

 

(4)围绕01巷道,按簇间合买概率布局02、03巷道

 

(5)按销量排序后,03巷道中商品销量更高,交换02、03巷道中簇实例

 

(6)以02巷道为中心,迭代4-5步骤,直至整个储区规划完毕

 

JD运营从表象上看打破了按SKU管理库房的传统,实际上是还原了Stock Keeping Unit的本来含义。本文所述SKU簇,提供了定义仓配体系更高效的最小作业单元的新思路,其广泛应用将大幅削减管理复杂性,更贴近运营目标。运营中的最小作业单元不应仅是基本销售单元的影子。

 

人以“群”分

 

每一件售出商品背后至少有三个人:生产商、销售商、用户。前文就类聚后的商品,在电商运营端的价值进行初步讨论,并未展开对商品背后人群的精准分析。未尽之言以一张思维导图作为概述,以求启迪读者更多思考。见图6。

 

 

青岛嘉盛泰科技服务有限公司嘉盛泰仓储物流管理系统-智能仓储线上线下一体化解决方案的专业提供商

 

**本文内容来源网络,经AI自动调整,信息仅供参考**
上一篇:
下一篇: