基于订单数据的电商物流中心拣货模型构建研究*

■ 李艳（重庆师范大学涉外商贸学院）

重庆师范大学涉外商贸学院校级科研项目：大数据背景下电商配送中心智能拣货策略优化模型研究（项目编号：KY2018002）

重庆市高等教育教学改革研究项目：分类发展下基于产教融合的独立学院跨境物流人才培养模式研究（项目编号：183037）

各大电商网站数据信息的井喷式增长，客户通过浏览、网购、资料查询等能够产生大量的包含客户信息、商品信息、销量信息、资金信息等订单数据。那么，如何从众多的数据里面去分析客户的喜好、产品需求预测，从而为电商企业营销策划提供依据，就必须依赖大数据。在整个环节中，配送中心拣货作业的优化情况将影响配送中心的成本和效率，从而影响时效。所以，有必要对电商配送中心拣货作业进行优化设计。*

为了提高配送中心拣货效率，可以引进自动化技术，但这通常需要投入大量的资金。为了解决这个问题，就有必要借助AI技术对拣货作业进行优化，设计科学合理的拣选作业决策模型，运用计算机超强的运算能力和数据分析能力，寻找一种效用最优的拣货策略，得到效率最优的拣选作业运作流程与决策，提升配送中心物流运作效率。

一、文献研究综述

拣选作业作为整个配送中心最重要的作业环节。提高拣选作业效率途径主要有两种：一种为采用先进的拣选设备提高了配送中心的作业效率，但会增加拣选的作业成本；另一种为优化拣选作业，从拣选订单处理、拣选路径优化、拣选方法决策等方面降低成本，提高作业效率。

通过对国内外对于拣选作业相关研究内容的整理，可以发现，当前研究的重心在订单分批和拣选路径优化方面，研究内容及方法模型较多。相对而言，拣选作业方法的选择决策研究内容较少，并且选择拣选方式还基本上是通过对以往大量订单分析，结合EIQ等传统方法进行拣选方式的决策。同时在分析拣选作业时，考虑的主要因素多为订单特点、客户需求、移动距离、作业成本、作业时间等。很少会从成本及时间两个维度去设计最优的拣选作业。

图1 订单分类

二、电商配送中心拣货优化模型构建过程

（一）拣货方式的选择

影响拣货方式选择的因素主要有订单商品数量和订单商品重复率（也称为商品的关联性），同时和客户收货时间有关。

1.订单分类

主要根据订单里面商品数量的多少来对订单进行分类。一般的配送中心零售商都有大型和小型之分，考虑到大型零售商的订单的订货数量都比较多，而小型零售商的订单订货数量均比较少，如果一起拣选的话增加拣货难度。所以先进行订单分类，具体如图1所示。

2.选择拣货方式

先进行商品关联性分析，考虑根据产品重复率、订单重复率和标准线K值选择拣货方式。关联规则测度指标主要考虑支持度和置信度。订单按照大小零售商进行分类之后，然后根据订单里面的产品重复率来安排储位和选择拣货方式。在关联规则挖掘算法中，主要依据Apriori算法。

算法的过程由生成项集、生成规则两步进行：第一步寻找满足支持度要求的项集；第二步由所有符合要求的项集生成候选规则，最终从候选规则中筛选出满足支持度和置信度要求的规则。

判断商品相关性分为三步进行：第一步设定最小支持度与最小置信度；

图2 订单重复率线和标志性K的确定图

第二步计算每一种组合的支持度，将每种组合的支持度与我们设定的最小支持度相比，不符合要求的组合不再考虑；第三步将符合支持度要求的组合进行双向置信度的计算，计算所得结果与我们设定的最小置信度相比，如果都满足，则这个组合内的商品具有相关性。

（1）设定最小值。通常置信度≧0.4，支持度＞0.03。

（2）计算并找出满足支持度要求的商品组合。例如，有W1和W2两种商品，其中W1，W2同时出现在总订单中的频次为P，含有两种及以上商品种类的订单总数为Z，则：W1和W2商品的支持度：P/Z。

3.计算时间和成本

带入时间和成本模型计算相应拣货方式下的时间和成本。具体方法见时间成本模型构建板块。具体流程如图2所示。

（二）紧急订单处理

由于市场不确定因素的影响，零售商会向配送中心紧急订货，这类订货到发货要求时间短，订货数量也难以确定。物流成本和时间往往存在效用背反，所以一般会考虑订货商的客户等级和订单特点，也或者向订货商多收取费用或增加订货数量等，减少自己的损失，针对这些紧急订单处理方法如下图3。

图3 紧急订单处理方式

（三）时间和成本约束条件下拣货策略模型构建

在拣货过程中，常运用以下组合策略，如图4所示。

图4 拣货策略运用组合图

本模型构建时可以结合配送中心实际情况采用工作分区、订单分割和订单智能分批策略，从而对拣货路径进行优化。

（四）效用函数

在规定时间限制下得到不同拣选方式的成本和时间，为了对比成本和时间的差异性，分别对成本和时间进行了归一化处理，从而构建效用函数。效用函数为最小值时是最优的结果，从而推出相应的拣选方式及成本、时间。分析过程如图5。

图5 效用函数分析过程

三、结论

综上所述，本文解决了三个关键问题：一是引入智能决策模型，通过反复大量的计算比较得出最优解；二是产品、订单重复率的计算和标准线的循环确定问题；三是基于作业分区和订单分割的效用函数模型构建。模型设计时，考虑时间及成本两个重要指标，改善指标类型单一的问题。最终使模型既能有效对现有需要处理的订单进行分析得到合理的拣选方法，在具体运用时可以结合企业实际要求达到时间和成本两方面的最优效率。同时，模型考虑不同拣选区域，可以达到较优的拣选路线。因此，研究具有较高的理论研究价值和实践意义。