基于ABC分类法和FP-Tree算法的仓储优化设计

□ 梁 玥,杨 黍

(西南科技大学 经济管理学院，四川 绵阳 621010)

1 引言

自2015年起，我国钢铁消费与产量双双进入峰值弧顶区并呈下降态势，钢铁主业从微利经营进入整体亏损，行业发展进入“严冬”期[1]。钢铁企业为降低生产成本、制定精准化战略、扩大市场份额，纷纷对钢铁行业内的传统物流模式进行改革，挖掘物流领域的利润空间，仓储作为物流领域的重要组成部分，是影响物流企业作业效率的一个重要因素，适当的仓储和合理的仓储布局能够保证仓储工作的顺利进行，提高物流企业的经济效益。

2 使用的方法简介

2.1 ABC分类法

ABC分类法是为了使有限的时间、资金、人力和物力等资源得到更加有效的利用，依据库存物资的重要程度不同以及事物在技术、经济方面的主要特征[2]，以某类库存货物品种数占物资品种数的百分比和该类物资金额占库存物资总金额的百分数大小为标准，将库存物资分为A、B、C三类进行分级管理，从而实现区别对待区别管理的一种方法。

2.2 FP-Tree算法

FP-Tree算法是一种挖掘关联规则的频繁项集的算法。[3]在Apriori算法基础之上进行改良，该算法使计算物品关联性的效率更高。只需扫描原始数据两遍，通过不断地迭代FP-tree的构造和投影，即可得出物品之间的关联程度。

3 H钢铁物流园案例

3.1 H钢铁物流园的现有布局

图1 H钢铁物流园的现有布局

H钢铁物流园位于华东地区，是当地的核心钢铁物流园区，主要负责钢材仓储、运输、装卸搬运、流通加工等业务。占地面积约8000002，共有六个钢材堆场，螺纹钢全部位于1-5号堆场，如图1所示。

3.2 物流园仓储存在的问题及分析

H钢铁物流园的仓储环节信息化投入较低、对钢材的管理方法较为落后。本文以螺纹钢为例，螺纹钢在堆场的摆放基本采用“见缝插针”的存储方式，随意性较强，缺乏恰当的管理，现有的物流园存储能力分布不均匀。这使得车辆在H钢铁物流园的各货场的流转次数增加，甚至存在迂回运输、二次倒运、与其他作业相冲突的情况，导致整体装卸效率低，也严重影响了企业的经济效益。因此，对螺纹钢的摆放进行优化、使得装卸搬运更加高效，对H钢铁物流园而言是非常必要的。

4 H钢铁物流园的仓储管理优化方案

4.1 基于ABC分类法对产品进行分类

4.1.1 ABC分类应用的原始数据

根据H钢铁物流园的出库订单制订有针对性的ABC分类标准。H钢铁物流园近一年(2017.10.1-2018.8.11)有效历史螺纹钢出库数据共计77017条，如表1所示。

表1 螺纹钢出库数据

紧接着，对原始数据进行整理、分析得出，H钢铁物流园近一年的有效出库订单数35235个，如表2所示。

表2 螺纹钢出库订单数

4.1.2 对螺纹钢产品进行ABC分类

基于以上两步，以15%、35%、50%的原则进行A、B、C分类。将出库频率前10种归为A类,紧接着的24种归3为B类，剩下的34种归为C类。

表3 螺纹钢ABC分类表

4.2 基于FP-Tree算法的产品相关性分析

对于钢铁物流企业来说，不同品类之间的需求相关性反映在订单中，因此H钢铁物流园关联规则挖掘的对象是客户的订单。通过关联规则求解过程可以看出，用关联规则挖掘出订单商品品类之间的关联规则是可行的。根据计算结果将需求相关性高的品类聚集在一起，存放在临近库区。因需要求出关联规则反映品类之间的需求相关性大小的具体数值，并根据它来聚类，以此来指导货位分配。

H钢铁物流园的螺纹钢钢种及规格共有68种，将这68个钢种及规格按1-68编号，顺序如表5所示。统计出在2017年10月至2018年8月的订单共有35236条。

在此设置两次不同的最小支持度和最小置信度，并将两次的结果结合使用，保证结果的精准度。首先设置最小置信度为0.4，最小支持度为4，利用FP-Tree算法，通过计算支持度找出所有订单中的频繁项集，最后生成关联规则并计算出相应的置信度，得出初步的不同钢种及规格之间的关联度。接着设置更大的支持度50和更高的置信度0.65，得出更强的钢种及规格之间的相关性，符合的关联规则如表6所示。

表6 FP-Tree算法结果

由表6可知：

①顾客购买“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 22*9”之后有66%的概率会买“HRB400E抗震 16*9”；

②顾客购买“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 25*9,HRB400E抗震 20*9”之后有74%的概率会购买“HRB400E抗震 16*9”；

③顾客购买“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后会有74%的概率购买“HRB400E抗震 16*9”；

④顾客购买“HRB400E抗震 12*9,HRB400E抗震 14*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后有70%的概率购买“HRB400E抗震 16*9”；

⑤顾客在购买“HRB400E抗震 12*9,HRB400E抗震 25*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后会有68%的概率购买“HRB400E抗震 16*9”；

⑥顾客在购买“HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后会有66%的概率购买“HRB400E抗震 16*9”；

⑦顾客在购买“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 20*9”之后有65%的概率购买“HRB400E抗震 16*9”；

⑧顾客在购买“HRB400E抗震 12*9,HRB400E抗震 18*9,HRB400E抗震 20*9,HRB400E抗震 22*9”之后有67%的概率购买“HRB400E抗震 16*9”；

⑨顾客在购买“HRB400E抗震 14*9,HRB400E抗震 18*9,HRB400E抗震 20*9,HRB400E抗震 22*9”会有69%的概率购买“HRB400E抗震 16*9”。

经过关联性分析之后可以粗略的确定螺纹钢的大致存放位置，接下来将讨论结合关联规则分析和商品实际出库量来综合讨论螺纹钢的具体储位。

4.3 基于出库量与产品相关性的云仓优化设计策略

根据出库量和相关性确定产品之间的关联性，并按照关联度从大到小排列，关联度越大，产品仓储越近。由于采用数据分析等技术，对传统的堆场进行优化升级，因此将重新规划后的堆场定义为“云仓”。

云仓分配主要步骤：

①将整个云仓分为高频区、中频区、低频区；

图2 云仓分配示意图

②根据ABC分类法对产品的价值进行综合排序，将价值大的产品放置于靠近出口的位置；

③根据FP-Tree算法计算各相关产品的位置系数，按照位置系数大小确定相关产品的堆放位置。

4.4 螺纹钢在云仓中摆放设计

将“H钢铁物流园2017年10月—2018年8月出库数据”经过汇总整理得出各个钢种及规格的出库频次表，频次表如表7所示。

表7 出库频次表

由表7可知，“HRB400 12*9、HRB400 16*9、HRB400 14*9、HRB400 20*9、HRB400 18*9、HRB400 25*9、HRB400E抗震12*9、HRB400E抗震16*9、HRB400E抗震14*9、HRB400 22*9、HRB400E抗震18*9、HRB400E抗震25*9、HRB400E抗震20*9、HRB400E抗震22*9”这14种的出库量非常大，应根据之前的“ABC”分类依据，将不同的螺纹钢放在中高频区且靠近云仓的两侧的地方，便于货物的装卸搬运，节约运输时间；C类不同规格钢种按出库频次的高低放在低频区的合适位置；根据不同规格钢种的出库量大小对不同规格的钢种安排合适比例的仓位。

接着，根据得出的不同规格的钢种之间的关联度及出库频次表分析得出不同规格的钢种的具体摆放位置和仓位分配比例，例如：

HRB400E抗震12*9、HRB400E抗震18*9、HRB400E抗震20*9、HRB400E抗震16*9、HRB400E抗震22*9、HRB400E抗震14*9、HRB400E抗震25*9这几种规格的钢种不同的组合之间的关联性很大，大多数位于A类高频区，少部分位于B类中频区，应将它们在“ABC”分类的基础上，划分在临近的仓位，仓位比例按出库数量来划分。

图3 优化后的部分螺纹钢仓位安排

HTRB600E抗震20*12、HTRB600E抗震25*12、HTRB600E抗震14*12、HTRB600E抗震22*12这几类位于低频区，关联度非常高，应放在低频区临近的位置。

HRB400E抗震28*9、HRB400E抗震20*12、HRB400E抗震22*12、HRB400E抗震20*12都是B类，它们之间的关联度很高，放置时应该放在临近的仓位。

综上，通过分析H钢铁物流园区螺纹钢产品的关联性，计算出具有强关联度的产品类别，为产品云仓规划奠定了基础。通过分析产品的出库频次来确定产品与出入口之间的距离。最后结合关联分析和产品出库频次等相关数据制定产品的堆位安排策略。部分螺纹钢仓位安排如图2所示。其中零表示过道，其他数字表示螺纹钢有效摆放区。

5 结语

本文从H钢铁物流园区螺纹钢仓储管理问题切入，利用FP-Tree算法计算各钢材之间的关联性，并将其整理排序，按照ABC分类法对不同的钢材进行各有侧重的管理，有效减少了螺纹钢的场内运输的转场次数、提高了其装卸搬运效率。