CN110298613B - 一种仓储领域中提高商品拣选效率的处理方法及系统 - Google Patents

Abstract

本发明公开了一种仓储领域中提高商品拣选效率的处理方法及系统，可缩短拣选动线，提高拣选效率。所述方法包括：采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；根据所述商品数据信息，预测未来n天每种商品的发货量；根据所述未来n天每种商品的发货量，对商品分类；根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息。

Description

一种仓储领域中提高商品拣选效率的处理方法及系统

技术领域

本发明属于物流仓库管理领域，具体来说，涉及一种仓储领域中提高商品拣选效率的处理方法及系统。

背景技术

随着电商的不断发展，承担商品存储和发货作业的仓库面积越来越大。在仓库作业中，商品的拣选是库内作业的第一步。这个过程也是耗费人力最多，用时最久的环节。在传统的商品拣选过程中，拣选作业人员需要经过领取拣选单、行走至目标商品、拣选、返回包装区四个步骤。在上述过程中，行走至目标商品大约占整个拣选时长的50％。造成这种现象的主要原因是一次拣选需要行走的动线长。这种现象也造成了拣选作业人员每天的行走步数普遍在20KM以上，工作强度大。因此，缩短拣选动线，降低拣选人员的行走距离是提高仓库拣选效率的重要手段。同时，仓库的发货作业中，占总商品种类10％左右的商品的发货量约占仓库总发货量的70％以上。

发明内容

本发明所要解决的技术问题是：提供一种仓储领域中提高商品拣选效率的处理方法及系统，以缩短拣选动线，提高拣选效率。

为解决上述技术问题，本发明实施例采用以下技术方案：

第一方面，本发明实施例提供一种仓储领域中提高商品拣选效率的处理方法，所述方法包括：

采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

根据所述商品数据信息，预测未来n天每种商品的发货量；

根据所述未来n天每种商品的发货量，对商品分类；

根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息。

结合第一方面，作为第一种可实施的技术方案，所述的方法还包括：

根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，并在商品数据信息中，标记畅销品区仓位。

结合第一方面，作为第二种可实施的技术方案，所述预测未来n天每种商品的发货量，对商品分类，包括：

调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

对所述每种商品的业务数据进行数据清洗，获得清洗后数据；

通过特征工程对所述清洗后数据转化为销量预测模型的特征数据；

利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。

结合第一方面，作为第三种可实施的技术方案，所述根据所述商品分类结果和商品当前存储区域，生成作业指令，包括：

比较商品分类结果和商品当前存储区域是否一致，如一致，则不进行作业；如不一致，则根据调仓成本，生成作业指令。

结合第一方面的第三种可实施的技术方案，作为第四种可实施的技术方案，所述根据调仓成本，生成作业指令，包括：

根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量；t为调仓用时；

若X＞0,则进行调仓；X≤0，则不进行调仓。

第二方面，本发明实施例提供一种仓储领域中提高商品拣选效率的处理系统，所述系统包括：

采集模块：用于采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

预测模块：用于根据所述商品数据信息，预测未来n天每种商品的发货量；

商品分类模块：用于根据所述未来n天每种商品的发货量，对商品分类；

生成模块：用于根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息。

结合第二方面，作为第一种可实施的技术方案，所述的系统还包括：

仓位分类模块：用于根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，并在商品数据信息中，标记畅销品区仓位。

结合第二方面，作为第二种可实施的技术方案，所述预测模块，包括：

调取单元：用于调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

清洗单元：用于对所述每种商品的业务数据进行数据清洗，获得清洗后数据；

转化单元：用于通过特征工程对所述清洗后数据转化为销量预测模型的特征数据；

划分单元：用于利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。

结合第二方面，作为第三种可实施的技术方案，所述生成模块，包括：

比较单元：用于比较商品分类结果和商品当前存储区域是否一致，

计算单元：用于计算调仓成本；

生成单元：用于生成作业指令。

结合第二方面第三种可实施的技术方案，作为第四种可实施的技术方案，所述计算单元，用于根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量；t为调仓用时；

生成单元：用于若计算单元计算的X＞0,则生成调仓指令；若计算单元计算的X≤0，则不生成调仓指令。

与现有技术相比，本申请的处理方法及系统，可以缩短拣选动线，提高拣选效率。本发明实施例的处理方法，包括：采集商品数据信息；根据所述商品数据信息，预测未来n天每种商品的发货量；根据所述未来n天每种商品的发货量，对商品分类；根据所述商品分类结果和商品当前存储区域，生成作业指令。在仓库中，根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，其余仓位作为非畅销品区仓位。和非畅销品相比，畅销品的出货量更大。本实施例通过预测未来n天每种商品的发货量，对商品进行非畅销品和畅销品的分类。位于畅销品区仓位的商品，距离包装工位的距离较近。位于非畅销品区仓位的商品，距离包装工位的距离较远。这能够缩短拣选动线，提高拣选效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例的方法可应用的系统架构图；

图2是本发明实施例的方法的流程图；

图3是本发明实施例的方法中步骤S20的的流程图；

图4是本发明实施例的方法中的信息交互流图；

图5是本发明实施例的系统的结构框图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

下面根据附图，对本发明的技术方案进行详细的说明。

本发明实施例的处理方法可以适用在如图1所示的架构中。该架构包括仓库服务器、Hive服务器和算法引擎服务器。仓库服务器用于采集商品数据和下发作业指令，并向Hive服务器发送采集的商品数据。Hive服务器用于从仓库服务器采集的商品数据中提取影响商品销售预测的数据。算法引擎服务器根据Hive服务器提取的数据，预测未来n天每种商品的发货量，并对商品分类，生成作业指令。Hive服务器可以采用服务器集群形式。

如图2所示，本发明实施例的一种仓储领域中提高商品拣选效率的处理方法，包括：

S10采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

S20根据所述商品数据信息，预测未来n天每种商品的发货量；

S30根据所述未来n天每种商品的发货量，对商品分类；

S40根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息。

在仓库中，根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，其余仓位作为非畅销品区仓位。例如，距离包装工位最近的前10％的仓位作为畅销品区仓位，其余仓位作为非畅销品区仓位。当然，还可以选择其他比例的仓位作为畅销品区仓位。在步骤S30中，对商品分类，是指将商品分为畅销品和非畅销品。和非畅销品相比，畅销品的出货量更大。本实施例通过预测未来n天每种商品的发货量，对商品进行非畅销品和畅销品的分类。将畅销品置于畅销品区仓位，将非畅销品置于非畅销品区仓位。位于畅销品区仓位的商品，距离包装工位的距离较近。位于非畅销品区仓位的商品，距离包装工位的距离较远。这能够缩短拣选动线，提高拣选效率。

在上述步骤S10中，采集商品数据信息，包括：对库内的仓位进行编码，并按照仓位距离包装工位的距离对仓位进行标记。仓位包括两类，分别是畅销品区仓位和非畅销品区仓位。记录每个仓位上存储的商品编码。作为示例，畅销品区仓位数量占库区总仓位数量的10％。

作为优选例，如图3所示，所述预测未来n天每种商品的发货量，对商品分类，包括：

S201调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

S202对所述每种商品的业务数据进行数据清洗，获得清洗后数据。对所述每种商品的业务数据进行数据清洗，去除缺失值、重复值和脏数据，获得清洗后数据。

S203通过特征工程对所述清洗后数据转化为销量预测模型的特征数据。该步骤包括：

首先，删除数据中的重复数据。

其次，处理价格特征和发货特征中的异常数据。异常数据主要包括商品售价低于或者高于七日平均售价设定比例(例如50％)的订单数据。单个订单中商品数量超过设定数量(例如99)件的订单数据。

接着，处理缺失数据，具体的处理方法如下：对商品描述数据取昨日的历史数据，用拉格朗日插值法对用户行为数据、价格数据、促销数据和历史销售数据的缺失数据进行插补。对天气数据取固定值。

最后，扩充特征。根据模型调试阶段制定的特征对原始特征进行扩充。扩充的方法包括但不限于按照时间(3日、7日、30日)求均值、趋势等，根据业务特点对特征进行聚合。

S204利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。优选的，销量预测模型采用机器学习模型RF模型。利用机器学习模型RF模型按照仓库维度对每种商品未来n天(例如7天)的发货量进行预测，即相同商品在不同仓库的预测量。根据预测结果，按照未来发货量的大小对商品进行分类。例如，发货量占仓库发货总量前70％的商品定义为畅销品，发货量占仓库发货总量后30％的商品定义为非畅销品。同时，对训练数据进行滑窗滚动方式的切分和重组，以此来构造出众多的历史数据，解决了模型训练不足的问题。

上述优选例中，S201中，调取每种商品的业务数据。所述业务数据为影响货量预测的数据，包括商品历史销售数据。例如，影响货量预测的数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据。商品描述数据包括：商品的一级分类、二级分类、三级分类。用户行为数据包括：某一商品每天的浏览量、浏览人数、购买人数。促销数据包括：参与促销活动的数量、已发券量、已用券量。时间数据包括：是否休息日、是否节假日、是否大促日、大促级别。历史销售数据包括：昨日销量、前天销量、大前天销量、近一周销量、近两周销量、近一个月销量。天气数据包括：温度、天气类别。价格数据包括：昨日价格、本周均价。该优选例中，根据仓库作业的特点，引入物流领域特有的特征数据，包括商品的昨日发货量、前日发货量、近一周发货量、近两周发货量、近一个月发货量、当前库存量、三十日日均库存。

作为优选例，所述根据所述商品分类结果和商品当前存储区域，生成作业指令，包括：

比较商品分类结果和商品当前存储区域是否一致，如一致，则不进行作业；如不一致，则根据调仓成本，生成作业指令。所述根据调仓成本，生成作业指令，包括：

根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率，例如，y等于0.8；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量，例如，m＝5次/天；t为调仓用时。

若X＞0,则进行调仓作业,可以节约作业成本。若X≤0，执行调仓不能节约作业成本，则不进行调仓。

下面例举一实施例，如下表所示：

对于位于畅销品区的畅销品，位置保持不变。对于位于畅销品区的非畅销品，计算是否可以降低作业成本，如是，则调至非非畅销区；如否，则保持位置不变。对于位于非畅销品区的畅销品，计算是否可以降低作业成本，如是，则调至畅销区；如否，则保持位置不变。对于位于非畅销品区的非畅销品，计保持位置不变。

本实施例利用机器学习算法，运筹学算法实现库内商品的科学分布，最大限度的缩短拣选动线，从根本上提升拣选效率。例如，在畅销品区面积占总拣选面积的10％左右的情况下，畅销品区的发货占比由原来的10％提升至60％，综合动线长度缩短50％以上，拣选效率提升25％以上。

本实施例的方法，通过划分畅销品区和非畅销品区的方式，能够实现畅销品区的拣选动线长度为原动线长度的20％，非畅销品区的动线长度仅为原有动线长度的70％。

本实施例的方法，改变以往仓库作业中按月或按季度进行商品调整的作业模式。作业人员每天根据最新的作业指令执行作业，及时进行商品调整。以北京仓为例，系统根据空气质量等特征预测未来一周口罩发货量将会激增。作业人员得到指令后及时将库内口罩有非畅销品区调整至畅销品区，从而保证了在雾霾天气口罩的及时出库。

本实施例的方法，通过机器学习算法预测未来发货量，并根据未来发货量对商品进行分类的方式，实现了调仓决策自动化。仓储方式由传统的以人为中心，使用历史数据分类进行商品分类，转变为以数据为中心，数据驱动的数字化运营，最大限度的降低拣选动线长度，从而减少拣选行走时间和行走距离，提升仓库的拣选效率，降低拣选作业人员的工作强度。

图4为本发明实施例的方法中信息交互流图。仓库服务器记录库区内所有仓位的编码信息，仓库作业人员通过手持设备扫描仓位上的二维码和商品二维码，从而绑定仓位及商品。仓位服务器根据接收到的数据(仓库的商品库存信息)实时更新商品信息，并将数据实时传送到hive服务器集群中。hive服务器集群中，按照逻辑从各个业务系统的数据库中抽取每种商品的业务数据，包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据，并将数据存储在hive数据库集群中的数据库中。

算法引擎服务器中的预测模块抽取Hive数据库中的数据，通过数据清洗清除数据中的异常值、缺失值、重复值。通过特征工程将原始数据转化为预测模型能够使用的特征数据。预测模型利用处理好的数据，使用RF模型预测各种商品未来一周的发货量，并根据未来发货量占总发货量的比值将商品划分为畅销品和非畅销品。

算法引擎服务器中的生成模块获取销量预测模型的预测结果和商品当前的存储区域，按照成本最低原则确定每个商品需要进行动作，生成作业指令。算法引擎服务器通过hive数据库集群下发作业指令，hive数据库集群将接收的作业指令发送至仓库服务器中，由作业人员根据指令执行调仓作业。

如图5所示，本发明实施例的一种仓储领域中提高商品拣选效率的处理系统，包括：

采集模块：用于采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

预测模块：用于根据所述商品数据信息，预测未来n天每种商品的发货量；

商品分类模块：用于根据所述未来n天每种商品的发货量，对商品分类；

生成模块：用于根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息。

上述实施例中，商品分类模块对商品分类，将商品分为畅销品和非畅销品。和非畅销品相比，畅销品的出货量更大。本实施例预测模块预测未来n天每种商品的发货量，对商品进行非畅销品和畅销品的分类。将畅销品置于畅销品区仓位，将非畅销品置于非畅销品区仓位。位于畅销品区仓位的商品，距离包装工位的距离较近。位于非畅销品区仓位的商品，距离包装工位的距离较远。这能够缩短拣选动线，提高拣选效率。

作为优选例，所述的系统，还包括：

仓位分类模块：用于根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，并在商品数据信息中，标记畅销品区仓位。

作为优选例，所述预测模块包括：

调取单元：用于调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

清洗单元：用于对所述每种商品的业务数据进行数据清洗，获得清洗后数据；

转化单元：用于通过特征工程对所述清洗后数据转化为销量预测模型的特征数据；

划分单元：用于利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。

作为优选例，所述生成模块，包括：

比较单元：用于比较商品分类结果和商品当前存储区域是否一致，

计算单元：用于计算调仓成本；

生成单元：用于生成作业指令。

作为优选例，所述计算单元，用于根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量；t为调仓用时；

生成单元：用于若计算单元计算的X＞0,则生成调仓指令；若计算单元计算的X≤0，则不生成调仓指令。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员应该知晓，实现上述实施例的方法或者系统，可以通过计算机程序指令来实现。该计算机程序指令装载到可编程数据处理设备上，例如计算机，从而在可编程数据处理设备上执行相应的指令，用于实现上述实施例的方法或者系统实现的功能。

本领域技术人员依据上述实施例，可以对本申请进行非创造性的技术改进，而不脱离本发明的精神实质。这些改进仍应视为在本申请权利要求的保护范围之内。

Claims (6)

1.一种仓储领域中提高商品拣选效率的处理方法，其特征在于，所述方法包括：

采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

根据所述商品数据信息，预测未来n天每种商品的发货量；

根据所述未来n天每种商品的发货量，对商品分类；

根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息；

所述根据所述商品分类结果和商品当前存储区域，生成作业指令，包括：

比较商品分类结果和商品当前存储区域是否一致，如一致，则不进行作业；如不一致，则根据调仓成本，生成作业指令；

所述根据调仓成本，生成作业指令，包括：

根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量；t为调仓用时；

若X＞0,则进行调仓作业；X≤0，则不进行调仓作业。

2.按照权利要求1所述的方法，其特征在于，还包括：

根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，并在商品数据信息中，标记畅销品区仓位。

3.按照权利要求1所述的方法，其特征在于，所述预测未来n天每种商品的发货量，对商品分类，包括：

调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

对所述每种商品的业务数据进行数据清洗，获得清洗后数据；

通过特征工程对所述清洗后数据转化为销量预测模型的特征数据；

利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。

4.一种仓储领域中提高商品拣选效率的处理系统，其特征在于，所述系统包括：

采集模块：用于采集商品数据信息，所述商品数据信息包括商品编码、所述商品所处的仓位编码、商品历史销售数据；

预测模块：用于根据所述商品数据信息，预测未来n天每种商品的发货量；

商品分类模块：用于根据所述未来n天每种商品的发货量，对商品分类；

生成模块：用于根据所述商品分类结果和商品当前存储区域，生成作业指令；所述作业指令包括商品调整后的仓位信息；

所述生成模块，包括：

比较单元：用于比较商品分类结果和商品当前存储区域是否一致，

计算单元：用于计算调仓成本；

生成单元：用于生成作业指令；

所述计算单元，用于根据式(1)计算调仓节省成本X，

其中，a为畅销区仓位与总仓位数量的比值；b为商品集中度，y为预测准确率；v为拣选行走速度；n为平均每个批次的商品数量；L为原动线总长；N为发货总量；m为调仓数量；t为调仓用时；

生成单元：用于若计算单元计算的X＞0,则生成调仓指令；若计算单元计算的X≤0，则不生成调仓指令。

5.按照权利要求4所述的系统，其特征在于，还包括：

仓位分类模块：用于根据仓位距离包装工位的距离，选择距离最近的前n％的仓位作为畅销品区仓位，并在商品数据信息中，标记畅销品区仓位。

6.按照权利要求4所述的系统，其特征在于，所述预测模块，包括：

调取单元：用于调取每种商品的业务数据，所述业务数据包括商品描述数据、用户行为数据、促销数据、时间数据、历史销售数据、天气数据、价格数据；

清洗单元：用于对所述每种商品的业务数据进行数据清洗，获得清洗后数据；

转化单元：用于通过特征工程对所述清洗后数据转化为销量预测模型的特征数据；

划分单元：用于利用销量预测模型预测各种商品未来n天的发货量，并根据未来n天的发货量占总发货量的比值a，将商品划分为畅销商品或者非畅销商品。

Images