基于訂單智能協(xié)同處理的產(chǎn)銷存一體化管理

陳斌，姚媛媛，安裕強(qiáng)

1 紅云紅河煙草（集團(tuán)）有限責(zé)任公司，物流中心，昆明市五華區(qū)紅錦路367號 650231;2 云南省煙草公司昆明市公司，五華區(qū)分公司，昆明市五華區(qū)青年路452號 650021

經(jīng)濟(jì)與管理

基于訂單智能協(xié)同處理的產(chǎn)銷存一體化管理

陳斌1，姚媛媛2，安裕強(qiáng)1

1 紅云紅河煙草（集團(tuán)）有限責(zé)任公司，物流中心，昆明市五華區(qū)紅錦路367號 650231;2 云南省煙草公司昆明市公司，五華區(qū)分公司，昆明市五華區(qū)青年路452號 650021

搭建了最優(yōu)訂單及最優(yōu)車輛配置的數(shù)學(xué)模型，實(shí)現(xiàn)了訂單自動拆分、運(yùn)力資源配置、計劃智能生成等；并結(jié)合下一周期發(fā)貨信息和本期實(shí)時庫存，提前預(yù)知各發(fā)貨點(diǎn)的資源需求，預(yù)先安排生產(chǎn)計劃。通過建立綜合性、一站式解決方案，最終實(shí)現(xiàn)生產(chǎn)、銷售、倉儲的一體化管理。結(jié)果表明：經(jīng)對自動生成的計劃與實(shí)際業(yè)務(wù)計劃比對，精確匹配率達(dá)45%，可執(zhí)行率達(dá)95%；通過精準(zhǔn)預(yù)排產(chǎn)及前置性移庫，庫存資源保障率由75%提升至92%。

訂單分解；車輛配置；生產(chǎn)排產(chǎn)；規(guī)則引擎；產(chǎn)銷存

近年來，煙草企業(yè)的信息化建設(shè)取得了顯著成績，但是信息化應(yīng)用主要定位于業(yè)務(wù)運(yùn)營層面，業(yè)務(wù)執(zhí)行按照既定流程由上至下順序流轉(zhuǎn)[1]。工業(yè)企業(yè)物流系統(tǒng)以營銷系統(tǒng)計劃為源頭，相繼開展物流排程、運(yùn)力調(diào)度、倉儲出入庫等，信息流伴隨著業(yè)務(wù)的發(fā)生而產(chǎn)生，滯后性較大；且決策的制定多依賴于經(jīng)驗，導(dǎo)致運(yùn)力、庫存資源預(yù)配置不合理，商業(yè)需求難以快速響應(yīng)[2]。隨著市場化取向改革[3]的推進(jìn)，“多批次、小批量”發(fā)貨日趨明顯，物流環(huán)節(jié)時間裕量大幅縮短[4]，對工業(yè)物流由傳統(tǒng)的上游“推動式”調(diào)整為下游“拉動式”提出更迫切的要求，但目前在工業(yè)企業(yè)尚未形成一套成熟的解決方案。本文提出了“拉動式”物流系統(tǒng)建設(shè)中涉及的規(guī)則引擎設(shè)置、訂單分解模型、車輛配載及生產(chǎn)排產(chǎn)模型等核心問題的解決方案。

1 數(shù)據(jù)分析與建模方法

1.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是指從大量的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，獲取有效的、新穎的、潛在有用的、最終可理解的模式。數(shù)據(jù)挖掘是統(tǒng)計學(xué)、數(shù)據(jù)庫、人工智能技術(shù)的綜合性、交叉性應(yīng)用，其價值體現(xiàn)在把對數(shù)據(jù)的應(yīng)用從低層次的簡單查詢提升到從數(shù)據(jù)中獲取信息、挖掘知識，進(jìn)而達(dá)到為決策制定提供支撐的目的[5]。

1.2 商業(yè)周期需求分析

表1 商業(yè)周期需求訂單Tab.1 Demand order cycle

為確保商業(yè)入庫時卷煙庫存符合存銷比要求，根據(jù)從營銷系統(tǒng)獲取對應(yīng)規(guī)格的存銷比、日銷量、庫存量及銷售量等數(shù)據(jù)，結(jié)合訂單處理時間及在途時間，推算出最早發(fā)貨時間、最遲發(fā)貨時間，及最終的預(yù)計發(fā)貨時間。如表1、表2所示，以云煙（紫）為例，由（S紫云+R紫云-d紫云×t紫云）/（Q紫云-d紫云×t紫云）=L紫云，得出t紫云=（S紫云+R紫云- L紫云×Q紫云）/（L紫云-d紫云+1）。最早發(fā)貨日期為T當(dāng)前+t訂單-t在途，最遲發(fā)貨日期為RT紫云-t訂單-t在途，綜合考慮發(fā)貨點(diǎn)出庫能力，按照訂單均勻分布原則，介于最早發(fā)貨時間及最遲發(fā)貨時間范圍內(nèi)確定預(yù)計發(fā)貨時間為ET紫云。

1.3 建立數(shù)學(xué)模型

1.3.1 最優(yōu)訂單模型

為配合實(shí)現(xiàn)自動拆單，基于系統(tǒng)積累的訂單業(yè)務(wù)數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘中的聚類分析算法，自動對歷史訂單數(shù)據(jù)進(jìn)行歸類整理，并分析計算得到各商業(yè)公司針對各卷煙規(guī)格的最優(yōu)訂單。聚類是將相似的事物聚集在一起，而將不相似的事物劃分到不同類別的過程。K-均值聚類是使用最為廣泛的一種算法模型[6]，它通過將數(shù)據(jù)樣本劃分為K個簇，以使簇內(nèi)具有較高的相似度，從而實(shí)現(xiàn)數(shù)據(jù)的自動分類。通過應(yīng)用K-均值聚類算法對大量的系統(tǒng)歷史訂單數(shù)據(jù)進(jìn)行聚類分析可得到最優(yōu)的計劃數(shù)。

將某公司針對某卷煙規(guī)格的歷史訂單數(shù)據(jù)樣本集合表示為{X1,X2,…, Xn}，其中n表示數(shù)據(jù)樣本的總數(shù)，假設(shè)將所有的數(shù)據(jù)樣本聚為K類，其中Ui(i=1,…,K)表示每一類的聚類中心，Ci(i=1,…,n)表示每一個數(shù)據(jù)樣本分別歸屬的類別，Ci∈{1,…,K }。那么，K-均值算法通過優(yōu)化下面的目標(biāo)函數(shù)來得到聚類結(jié)果：

該算法的計算過程如下：

1.隨機(jī)選取K個聚類中心點(diǎn)為U1, U2, … , UK;

2.對于每一個數(shù)據(jù)樣本Xi(i=1,…,n)，通過公式(2)分別計算其到每一個聚類中心Uj(j=1,…,K)的距離，并將其歸到距離最小的一類當(dāng)中：

3.對于每一個類別j，通過公式(3)重新計算得到更新的聚類中心點(diǎn)：

4.重復(fù)步驟(2)和(3)直至迭代步數(shù)達(dá)到上限或者目標(biāo)函數(shù)小于一定閾值而收斂。

通過K-均值聚類模型得到K個聚類中心點(diǎn)之后，所有的訂單數(shù)據(jù)樣本同時也會根據(jù)到聚類中心點(diǎn)的距離大小被分到最近的一個類別當(dāng)中。通過統(tǒng)計每一類中包括樣本數(shù)量的多少對其進(jìn)行從大到小的優(yōu)先級排序，并將聚類中心的數(shù)據(jù)值進(jìn)行就近取整得到的數(shù)值作為最優(yōu)訂單數(shù)值。例如，針對某一規(guī)格卷煙的歷史訂單數(shù)據(jù)利用K均值算法聚為4類，得到的聚類中心點(diǎn)分別為245,、750、504、1000，就近取整為250、750、500、1000，每一類中包含的樣本數(shù)量分別為7、41、15、90，那么通過重新排序后就可以得到訂單的優(yōu)先級數(shù)量分別為1000，750，500，250。

例如，以系統(tǒng)中發(fā)往X市煙草公司歷史計劃數(shù)據(jù)為準(zhǔn)，運(yùn)用最優(yōu)訂單模型得出X市公司針對各卷煙規(guī)格傾向簽訂的最優(yōu)訂單數(shù)據(jù)如表3所示。其中，極值合同表示該公司歷史合同數(shù)據(jù)的最大合同數(shù)和最小合同數(shù)；極值訂單表示該公司針對各規(guī)格所簽的最大訂單數(shù)和最小訂單數(shù)。

表3 X市公司最優(yōu)訂單表Tab.3 Optimal order of X municipal company

1.3.2 最優(yōu)車輛配置模型

以某煙草工業(yè)企業(yè)物流系統(tǒng)中的車輛信息為數(shù)據(jù)源，通過匯總分析得出總共有如表4中所示的6種車型，下面的最優(yōu)車輛配置模型以此數(shù)據(jù)進(jìn)行示意說明，其中單位成本為在滿足車輛滿載、運(yùn)距一定條件下，各車型所耗總成本的單位分?jǐn)偂?/p>

表4 車輛信息匯總表Tab.4 Summary of vehicle information

優(yōu)配比指期望在滿足訂單運(yùn)輸總量的情況下，使得物流運(yùn)輸成本盡可能低同時盡量滿足商業(yè)多頻次、小批量發(fā)貨需求，提高服務(wù)水平[7]。假設(shè)在訂單總量為R總量的情況下，每一種車型需要的車次數(shù)量分別為N1至N6，可以通過優(yōu)化下面的目標(biāo)函數(shù)來實(shí)現(xiàn)服務(wù)水平和運(yùn)輸成本兩者之間的最優(yōu)化：

令N=[N1， ……，N6]，A=[4.4，3.9，3.5，3.0，2.6，2.0]T，C=[1，1，1，1，1，1]T，B=[2100，1750，1500，1200，1000，750]T，目標(biāo)函數(shù)可以建模成下面的矩陣形式：

其中參數(shù)λλ∈[0，1]是權(quán)重調(diào)節(jié)因子，用于調(diào)整目標(biāo)函數(shù)中前后兩部分的權(quán)重值，λ越小表示目標(biāo)函數(shù)的優(yōu)化過程越傾向于運(yùn)輸成本的最小化；λ越大表示越傾向于小批量、多批次發(fā)貨，提高對商業(yè)公司服務(wù)水平。上述目標(biāo)函數(shù)的優(yōu)化過程可以通過最優(yōu)化理論方法中的線性規(guī)劃求解方法進(jìn)行求解，最終可以得到每一種車型的最優(yōu)數(shù)量N1至N6。

1.4 開發(fā)規(guī)則引擎

圖1 訂單智能協(xié)同處理流程圖Fig.1 Flow chart of intelligent collaborative order processing

訂單需求是否可由單車次承載作為整個流程的入口，分支1為訂單總量需多車次裝運(yùn)處理流程，首先根據(jù)最優(yōu)車輛配置模型初步確定需要配置的各車型數(shù)量；然后按照最優(yōu)訂單模型拆分總訂單；考慮到散單的情況，通過將某一車次由小車型置換成大車型的方式對車輛配置進(jìn)行二次調(diào)整，最終確定車輛需求；再基于規(guī)則引擎自動生成銷售計劃，最后對車輛進(jìn)行自動配載。分支2為訂單總量可單車次承載且商業(yè)公司對車型無限制的處理流程，主要根據(jù)最優(yōu)訂單及極值合同對需求進(jìn)行分解。剩余分支為訂單總量可單車次承載且商業(yè)公司對車型有限制的處理流程，主要進(jìn)行訂單分解、銷售計劃生成及車輛配載。所有節(jié)點(diǎn)的流轉(zhuǎn)最后歸于物流排程，根據(jù)庫存資源分布、需求明細(xì)、配載計劃確定發(fā)貨點(diǎn)、發(fā)貨日期，根據(jù)運(yùn)輸線路確定承運(yùn)單位及需求車型。

在整個流程處理過程中，銷售計劃自動生成為核心節(jié)點(diǎn)，涉及多方面要素。本模型基于規(guī)則引擎完成銷售計劃自動生成，規(guī)則引擎設(shè)置如下。

（1）單品需求采取分車次裝運(yùn)原則，即包含在不同銷售計劃中，盡量保證資源均勻分配。

（2）按照商業(yè)需求時間確定發(fā)運(yùn)優(yōu)先級順序。

（3）根據(jù)庫存資源分布確定拆分后的需求在各發(fā)貨點(diǎn)的滿足情況，結(jié)合車輛配置情況及表5所示的各品規(guī)所在生產(chǎn)點(diǎn)，盡量遵循單車所有品規(guī)需求在單點(diǎn)裝運(yùn)的原則。

（4）針對單車存在多個品規(guī)需求的配載情況，在極值合同上限內(nèi)，自動組合需求生成單份銷售計劃。

（5）針對多發(fā)貨點(diǎn)均滿足獨(dú)立發(fā)運(yùn)單車計劃的情況，按照運(yùn)輸費(fèi)用就低不就高原則確定唯一發(fā)貨點(diǎn)。

（6）對于需要多個庫存地才能滿足計劃需求的情況，通過采取轉(zhuǎn)儲方式滿足單點(diǎn)發(fā)貨需求，發(fā)貨點(diǎn)按照轉(zhuǎn)儲最少的原則確定，但計劃分配量應(yīng)在各發(fā)貨點(diǎn)出庫能力允許范圍內(nèi)保證相對均衡。

銷售計劃自動生成過程綜合了訂單需求、車輛配置、資源分布、到貨時間、運(yùn)費(fèi)、出庫能力、轉(zhuǎn)儲量等要素，同時也是車輛配載及物流排程（發(fā)貨點(diǎn)、發(fā)貨日期、車型）的確定過程，整條流程中各環(huán)節(jié)相互關(guān)聯(lián)，需協(xié)同考慮[8]。

1.5 生產(chǎn)排產(chǎn)及庫存資源配置

表5 品規(guī)所屬生產(chǎn)點(diǎn)示意表Tab.5 Production point for products of different speci fi cations

確定發(fā)貨點(diǎn)是產(chǎn)銷存一體化模型確立的關(guān)鍵，對商業(yè)公司周期需求進(jìn)行處理后，基于分解到發(fā)貨點(diǎn)的銷售計劃確定下一周期卷煙需求明細(xì)，包括品規(guī)、數(shù)量及需求時間[9]。從總需求層面出發(fā)，明確資源缺口并有序、合理安排各廠生產(chǎn)排產(chǎn)計劃，優(yōu)先安排需求中的專屬品規(guī)，如表5中的品規(guī)A。針對單一規(guī)格存在多廠生產(chǎn)的情況，如品規(guī)B和C，以滿足屬地發(fā)貨需求為主。清晰各發(fā)貨點(diǎn)需求后，針對資源無法支撐的情況，進(jìn)行有規(guī)劃的前置性移庫。

2 結(jié)果驗證

通過搭建系統(tǒng)測試環(huán)境，分別從計劃可執(zhí)行率、庫存資源滿足率兩個層面，對該模型進(jìn)行模擬，將系統(tǒng)生成結(jié)果與實(shí)際業(yè)務(wù)進(jìn)行比對，得出如下結(jié)論。

（1）計劃可執(zhí)行率滿足要求

從計劃匹配程度看，可執(zhí)行計劃分精確匹配計劃及不匹配但可執(zhí)行的計劃兩種。圖2為兩種計劃分別在總計劃中的占比，精確匹配計劃占總計劃比重雖只有45%，但從可執(zhí)行性考慮，所有可執(zhí)行計劃占總計劃比重達(dá)95%。表明該最優(yōu)訂單模型滿足工業(yè)企業(yè)要求，可在系統(tǒng)中推廣應(yīng)用。

圖2 計劃占比圖Fig.2 Plan distribution diagram

（2）庫存資源滿足率大幅提升

圖3 不同模式下庫存資源滿足率對比圖Fig.3 Comparison of inventory satisfaction rate under different modes

由圖3可以看出，四個發(fā)貨點(diǎn)的庫存資源滿足率均呈現(xiàn)出模式3＞模式2＞模式1的趨勢。其中，模式1為傳統(tǒng)操作模式；模式2為根據(jù)對商業(yè)周期訂單需求的預(yù)處理結(jié)果安排生產(chǎn)排產(chǎn)；模式3為安排生產(chǎn)排產(chǎn)后并進(jìn)行前置性移庫。表明模式3對庫存資源的保障率最高，模式2次之，模式3最低，并且應(yīng)用產(chǎn)存銷一體化模型后，發(fā)運(yùn)量越大的發(fā)貨點(diǎn)（A、B、C），庫存資源保障率提升越顯著。

3 結(jié)語

通過訂單的智能協(xié)同處理，建立綜合性、一站式解決方案，實(shí)現(xiàn)計劃需求由“業(yè)務(wù)驅(qū)動”轉(zhuǎn)型為“數(shù)據(jù)驅(qū)動”，倉庫資源配置由“被動式”演變?yōu)椤邦A(yù)判式”，最終實(shí)現(xiàn)生產(chǎn)、銷售、倉儲的一體化管理[10]。此種系統(tǒng)設(shè)計模式等同于對下一周期的商業(yè)計劃提前預(yù)知，并進(jìn)行了預(yù)處理，實(shí)際業(yè)務(wù)發(fā)生時按照預(yù)處理結(jié)果進(jìn)行一次性配置，并直接流轉(zhuǎn)至后續(xù)業(yè)務(wù)環(huán)節(jié)，大大提高了物流業(yè)務(wù)效率，有效避免商業(yè)需求無法及時滿足的情況，為提升對商業(yè)服務(wù)水平、保障市場供應(yīng)奠定了基礎(chǔ)。

[1]張磊. 煙草物流管理平臺的設(shè)計與應(yīng)用[J]. 商情,2013(51):325-326.ZHANG Lei. Design and application of tobacco logistics management platform[J]. Shangqing, 2013(51):325-326.

[2]康江峰,陳輝. 基于數(shù)據(jù)挖掘的煙草精準(zhǔn)營銷策略研究[J]. 商業(yè)經(jīng)濟(jì), 2012(04):75-77.KANG Jiangfeng, CHEN Hui. Research on tobacco precision marketing strategy based on Data Mining[J].Business Economy, 2012(04):75-77.

[3]李健,郭靖,張輝,郭興堃. 卷煙營銷市場化取向改革探析[J]. 中國煙草學(xué)報, 2015(21):57-60.LI Jian, GUO Jing, ZHANG Hui, et al.. Analysis of marketoriented reform in cigarette marketing[J]. Acta Tabacaria Sinica, 2015(21):57-60.

[4]李家人,陳之翼. 對推進(jìn)縣級卷煙營銷市場化取向改革的思考[J]. 合作經(jīng)濟(jì)與科技, 2015, (19):136-137.LI Jiaren, CHEN Zhiyi. Thoughts on promoting the reform of marketing orientation of tobacco marketing at county level[J]. CO-Operative Economy & Science, 2015,(19):136-137.

[5]Jiawei Han,Micheling Kamber, Jian Peih等著,范明,孟小峰譯. 數(shù)據(jù)挖掘概念與技術(shù)(原書第3版)[M]. 北京：機(jī)械工業(yè)出版社, 2012:105-108.Jiawei Han, Micheling Kamber, Jian Peih, et al. Transl.Fan Ming, Meng Xiaofeng. Data Mining Concepts and Techniques Third Edition[M]. China Machine Press,Beijing, 2012:105-108.

[6]賀玲,吳玲達(dá),蔡益朝. 數(shù)據(jù)挖掘中的聚類算法綜述[J].計算機(jī)應(yīng)用研究,2007,24(01):10-13.HE Ling, WU Lingda, CAI Yichao. Survey of clustering algorithms in Data Mining[J]. Application Research of Computers, 2007,24(01):10-13.

[7]蔡喆,顏玫. 煙草商業(yè)系統(tǒng)電子政務(wù)服務(wù)體系的設(shè)計與實(shí)現(xiàn)[J]. 煙草科技,2011(1):33-35.CAI Zhe, YAN Mei. Design and Implementation of Electronic Administration Service System in Tobacco Commercial System[J]. TOBACCO SCIENCE &TECHNOLOGY, 2011(1):33-35.

[8]蔣晨琛, 常國鋒. 數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用研究[J]. 科技信息,2010(21):60-61.JIANG Chenchen, CHANG Guofeng. Research on DM Application in CRM[J]. Science & Technology Information,2010(21):60-61.

[9]虞文進(jìn). 數(shù)據(jù)挖掘技術(shù)在煙草企業(yè)中的應(yīng)用[J]. 計算機(jī)工程,2002,28(04):268-270.YU Wenjin. Application of Data Mining techniques in tobacco businesses[J]. Computer Engineering,2002,28(04):268-270.

[10]顧穗珊. 物流與供應(yīng)鏈管理[M]. 北京：機(jī)械工業(yè)出版社,2013: 98-101.GU Suishan. Logistics and supply chain management[M].China Machine Press, Beijing, 2013:98-101.

：CHEN Bin, YAO Yuanyuan, AN Yuqiang. Integrated management of production，sales and warehousing based on intelligent collaborative order processing [J]. Acta Tabacaria Sinica, 2017, 23(3)

*Corresponding author.Email：253378656@qq.com

Integrated management of production，sales and warehousing based on intelligent collaborative order processing

CHEN Bin1*，YAO Yuanyuan2，AN Yuqiang1
1 Logistics Center, Hongyun Honghe Tobacco (Group) Co., Ltd., Kunming 650231, China;2 Yunnan Kunming Municipal Tobacco Company, Kunming 650021, China

Optimal mathematic model of order processing and vehicle management was established, making possible automatic separation of orders, allocation of transporting resources, and intelligent generation of plans. With an overall consideration of delivery information of next cycle and real-time inventory, one can predict resource demand of each delivery point, and prearrange production plan for the following cycle. Integrated management of sales, production and warehouse was achieved based on a synthesized one-stop solution. Results showed that match ratio between automatic generated plan and plan in real practice was 45%, and implementation rate reached 95% and inventory guarantee rate increased from 75% to 92% through accurate pre-scheduling and pre-transfer of inventory.

order split; vehicle allocation; production scheduling; rule engine; production-sales-warehouse

陳斌，姚媛媛，安裕強(qiáng). 基于訂單智能協(xié)同處理的產(chǎn)銷存一體化管理[J]. 中國煙草學(xué)報，2017, 23（3）

陳 斌（1986—），碩士研究生，物流師，主要從事煙草物流信息化技術(shù)研究,Tel：0871-65869359，Email: 253378656@qq.com

2016-05-10；< class="emphasis_bold">網(wǎng)絡(luò)出版日期：

日期：2017-06-23