Склады сегодня ежедневно обрабатывают огромное количество заказов. Комплектация заказов часто составляет 60% стоимости склада, и она легко может стать более крупным компонентом, если выполняется неэффективно. И наоборот, если это делается эффективно, это может сократить время комплектования, а учитывая, насколько велика составляющая затрат на комплектование, это может привести к значительному повышению эффективности склада.
Здесь на помощь приходит пакетирование заказов. Основная идея заключается в том, что если входящие заказы группируются (разделяются) таким образом, чтобы общее время комплектования всех заказов было как можно меньше, мы можем увидеть, как это может привести к повышению эффективности склада. Эту проблему можно легко рассматривать как задачу минимизации расстояния поездки. Более формально это вариант задачи TSP, детали которого выходят за рамки статьи. Обычно для этого существует оптимальное решение, но это NP-сложная задача, поэтому аналитические подходы не обсуждаются.
К счастью, существует множество эвристических решений, которые хорошо себя зарекомендовали. Несмотря на относительную простоту построения решения, многие компании уклоняются от него и полагаются на неформальные знания. Частично это проблема построения надлежащего конвейера вокруг решения, а другая, более насущная проблема часто заключается в том, что не все пакеты можно обрабатывать одинаково. В масштабах крупных компаний электронной коммерции, ориентированных на клиентов, существует ощущение относительной однородности заказов. Однако для компаний, ориентированных на B2B, обработка заказа часто зависит от клиента. Это затрудняет однородную пакетную обработку без добавления большого количества ограничений, которые сделали бы модель хрупкой.
Метод Hopstack инвертирует проблему, используя прошлые данные. Вместо того, чтобы добавлять в модель ограничения, основанные на требованиях клиентов, мы используем данные о прошлых продажах для разработки механизма правил, который может предварительно группировать заказы, требующие аналогичной обработки. Эти протопартии затем передаются в нашу модель для предоставления оптимальных партий сборщику. Это имеет очевидное преимущество, поскольку позволяет избежать ограничений, вызывающих хрупкость, и, помимо этого, значительно повышает производительность. Механизм правил намного эффективнее разбивает большие списки заказов по сравнению с моделью. Относительно небольшие прототипы партий легче обрабатываются моделью.
Никакая вычислительная эффективность не имеет значения, если она не переводится в операционную эффективность. Мы протестировали наш подход с одним из наших клиентов и обнаружили, что он сокращает расстояние прохождения почти вдвое в нескольких тестах. Это было рассчитано путем подсчета количества бункеров, которые сборщик должен был пройти для данного списка комплектования (с использованием модели и без нее). Помимо этого, подобная система снижает сложность, с которой приходится иметь дело сборщику, по сравнению с тем, что им пришлось бы проводить в первые дни, изучая маршруты сбора у своих более опытных коллег.
