揭秘滴滴模式的WMS产品设计

jarvis

2018-10-30 09:56:07

浏览量:71 次

揭秘滴滴模式的WMS产品设计

2018年企业在仓储市场会继续进行大规模投入,无论是硬件(仓储规模及自动化仓储)还是软件(信息系统)都会进行增量扩充与升级;尤其在WMS软件方面,也在推进2017年规划的数字仓储项目,雏形已经逐渐形成并于今年全面推广,今天的主题主要是向大家介绍一下数字仓储项目的全貌。

 

一开始的想法挺简单,就是将WMS系统的移动终端进行全面升级,更换成安卓版本的终端,在安卓的基础上去做更多的升级;但随着项目逐渐深入和探讨,后来我们自己对数字仓储目标逐渐形成:全面去线下化,通过数字化的服务,最终达到极致体验、基于数据分析的决策支持,提高作业效率、降低劳动成本。

 

作为第三方仓储,其实要100%做到去线下还是有些难度的,尤其是由于渠道、结算差异较大,不像京东有平台优势,有足够的话语权。所以我们必须从渠道、运营、结算、成本整体上拉通

 

这里核心部分一定是运营管理,必然涉及到仓储管理软件,当然离不开讨论WMS,我们对WMS的全面升级,其实是以滴滴模式产品思路进行设计的;我们知道滴滴打车核心技术,主要用在以下几个部分:供需预测、运力调度、ETA(达到时间预估)、智能派单、拼车模式、服务评价。

 

一、人车匹配 VS 任务与资源

 

滴滴打车最终实现的目标,是通过线上平台完成需求端(人)与供给端(车)匹配,将最合适的车派给最合适的人;对应WMS系统管理,其实也一样,就是任务与资源的匹配关系,任务就是我们常说的上架任务、拣货任务、补货任务、盘点任务等,资源可以是具体的作业员工也可以是具体的作业设备(AGV),最终也是将合适的任务匹配给合适的资源(人或者设备),这就是我们升级移动终端的原因所在。

 

以人工作业为例,仓储作业人员只要手持移动终端,一旦有拣货任务产生,后端系统会将拣货任务派发给移动终端,指引员工完成拣货作业。

 

 

二、智能派单 VS 任务指派

 

滴滴的派单服务其实有不少AI技术部分,这个派单服务的模型至少会考虑距离、需求优先级、司机服务评价、路况、人数,通过这些维度的组合最终匹配到最合适的车;对应的WMS系统管理,后端系统生成任务后,也会根据作业人员的技能训练模型:性别、身高、擅长作业区域、擅长作业品类、叉车技能等,通过这些维度的组合最终匹配到最合适的作业人员。

 

比如,我们在对仓储现场拣货人员调研时,有个女孩子就反馈,以前传统的拣货方式,是自己随机获取任务,有时候获取到类似冰箱这些大件的任务时,自己没有能力完成拣货作业,需要别人辅助才能完成任务。而通过任务智能调度策略自然会考虑这些因素,避免任务与资源的不匹配问题,另外通过任务主动推送的方式,系统还会根据任务的属性,自动推荐使用什么类型的拣货车以及是否需要使用叉车等辅助工具,根据任务的优先级智能派发及预警,保障任务的高效作业。

 

三、地图服务 VS 仓储地图

 

正是因为地图导航的出现,才可以让滴滴打车能够在很短时间内吸引如此多的司机加入,以深圳这样的城市为例,要在短时间内熟悉每个大街小巷,对每一个传统出租车司机来说没有起码半年到一年的时间认路是很难的。

 

WMS

 

我们针对仓储作业也同样采用这样的方案:一个3万平的平面仓,几千个货架的布局摆放,对一个新入职的员工来说,需要短时间熟悉路径也是个困难的事情,所以我们在设计时,将仓储布局图(货架布局)导入到WMS系统,并与室内定位技术相结合(安装物联网设备)

 

以拣货为例,当拣货任务推送到移动终端执行拣货作业时,系统会根据货位的拣货顺序,规划出最佳的拣货路径,并以导航的形式展示在移动终端APP上,同时APP上也会有智能语音播报服务(可以结合蓝牙耳机),以极佳的视觉+听觉方式,提升体验,提高效率。

 

四、按单计价 VS 计件模式

 

滴滴通过按单计价结算,现在的仓储作业基本上也是采用类似的计件模式,多劳多得。不过滴滴的计价比较简单,以里程+时间计算。而仓储的计件会稍微复杂点,我们需要考虑任务的作业难度系统,在设计计费模型时,需要考虑单品波次与多品波次,任务的品类、任务的件型、任务的行走距离,任务的SKU数及件数。

 

五、抢单与任务市场

 

滴滴除了派单以外,针对出租车还有抢单模式。我们在仓储的异常作业环节,也采用的抢单模式,比如包装复核台发现作业异常(订单缺货或取消),复核人员只要拍下异常按钮,后端系统就会将异常任务发布到APP端,作业人员根据自身的作业情况进行抢单服务。当然如果超过设定时间未完成抢单任务,也会有兜底措施,系统会强行指派给一名员工。

 

六、拼车服务 VS 动态拣货

 

滴滴最大的赚钱模式,其实是拼车服务,因为对司机来说,计价是按照总里程计算,但滴滴是按拼车的人数叠加收费的。相信大家在早高峰期都会遇到这样的情况,快车的叫车率很低,但拼车率却很高。

 

我们设计的动态拣货,也在利用这个模式。当然,这个模式在仓库现场是有特定的场景的。以单品混合波次为例,假定这批任务P01需要去ABCDE五个货位拣货,该员工正在C这个货位位置,此时后端系统有一个紧急订单需要处理,恰好订单货品对应的货位刚好在D货位,此时后端系统会将该订单的强行叠加到P01这条任务上(需要考虑拣货容器的容量)。这样就避免了独立生成拣货任务拣货,额外增加了作业成本

 

七、评价体系 VS 评价模型

 

滴滴的服务评价采用的双向模式,乘客可以对司机打分,同样司机也会给乘客打分。正是这样的相互制约,才最大限度的避免了纠纷,也很大程度上保证了服务质量和安全系数。司机的服务评价低,派车率就低,乘客的评价低,叫车成功率就低。

 

我们在设计技能评价时,其规则会稍有不同。首先也会有双向打分,首先系统会根据员工在作业情况累计积分,根据该员工的历史任务件数、任务技能类型、任务执行的正确率、任务的难度系统、拣货的效率(时长),给出合理化的建议,其技能评价达到一定的程度,即可晋升为仓储主管。这些数据是系统化的,因此具备一定的说服力。其次,员工也会对系统每一次的更新升级进行整体评价打分(基本每周一个版本发布),而这个打分的高低会直接影响产品和研发人员的年底奖金。只有相互制约才会有更好的服务质量体现

 

八、结束语

 

其实WMS系统这里还有个重要的模块:波次优化/策略配置,并没有讨论,后续会有相关的专题展开,这里先抛砖引玉。关于波次优化其实最终的目的就是订单聚合度,但也并不能仅仅一味的考虑订单聚合度。我一直觉得也需要考虑人员效能及吞吐量

 

传统的方式是先有波次计划再去匹配作业人员。比如一个波次计划出来后需要10个人员,但现场只有8个人,就必须有2个资源空缺,但任务已经生成,聚合度就差了;我觉得可能是要反过来,是根据作业人员来匹配波次任务,这样会更可续更高效。关于策略配置,基本上国内外WMS标版的自己的系统灵活性非常强大,客户根据不同的业务场景进行灵活配置,也把这个作为自己的核心竞争力。其实现代WMS,我个人感觉需要做另外一个升级,需要将传统的静态配置功能升级到能依据数据分析变成动态配置

 

举个例子,比如盘点,仓储每日都会做动碰盘点,这个是通过系统静态配置出来的,但是会比较机械。如果我们通过数据分析,计算在一个周期内,仓储的库存准确率,自动下调动碰盘点的比例,比如如果准确率达到4个9(99.99%),必须全盘,达到6个9,盘点90%,达到100%盘点50%,这样在保证质量的同时也最大限度的提高的效率。

 

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: