基于仿真建模分析的訂單揀選策略選擇方法

文/ 李明 張恒 韓冰

山東建筑大學(xué)信息與電氣工程學(xué)院

訂單揀選策略的選擇通常會受到現(xiàn)場設(shè)備選型、設(shè)施布局、訂單結(jié)構(gòu)、運營策略等諸多因素的影響，因此難以通過數(shù)學(xué)建模的方式實現(xiàn)定量化分析。本文根據(jù)任務(wù)在作業(yè)人員或設(shè)備間的分配方式不同，將訂單揀選策略進(jìn)行分類，給出各類訂單揀選策略的基本選擇原則，提出基于仿真建模分析的揀選策略選擇方法。以某化妝品電商物流中心兩套批量揀選方案選擇為例，應(yīng)用RaLC物流仿真軟件進(jìn)行方案建模，借助軟件提供的作業(yè)日程分析工具得出各方案的作業(yè)時間成本，在此基礎(chǔ)上分析各方案的收益成本和投資成本，將其作為揀選策略選擇的定量化決策依據(jù)。

一、訂單揀選策略定義與分類

訂單揀選策略是通過優(yōu)化訂單任務(wù)在作業(yè)人員或設(shè)備之間的分配及下發(fā)方式，實現(xiàn)訂單揀選效率提升的一類物流中心運營管理方法。將從客戶下單到完成訂單裝車發(fā)貨所需時間定義為訂單履行時間，訂單揀選時間是其中一個重要的組成部分。一般來說，揀選人員或設(shè)備作業(yè)效率越高，訂單揀選花費的時間越短，訂單履行時間就越短 。

訂單任務(wù)在作業(yè)人員/設(shè)備之間的基本分配方式包括訂單拆分和訂單組合。因此，根據(jù)任務(wù)分配方式不同，訂單揀選策略分為以下四種，如表1所示。

表1 訂單揀選策略分類表

按單揀選策略：將一個訂單分配給一個揀貨員或設(shè)備，要求其一次行程完成該訂單揀選任務(wù)，作業(yè)不受區(qū)域限制。這種策略如同日常超市購物，顧客在購物車中收集購物清單中的全部商品，每一個購物人員只關(guān)注個人的購物清單。

批量揀選策略：將多張訂單合并為一批量訂單分配給一個揀貨員或設(shè)備，要求其一次行程將該批訂單內(nèi)貨品全部揀出。這種策略如同帶著自家和鄰居的購物清單到超市進(jìn)行購物。

分區(qū)揀選策略：根據(jù)訂單內(nèi)待揀貨品在物流中心分區(qū)存儲情況將其拆分為多個子訂單，分配至各分區(qū)內(nèi)揀貨員/設(shè)備來共同完成。各分區(qū)內(nèi)的揀貨員/設(shè)備相對固定，僅負(fù)責(zé)完成該分區(qū)內(nèi)的貨品揀選任務(wù)。這種策略如同夫妻二人到超市購物，丈夫負(fù)責(zé)收集家庭購物清單中的日用商品，妻子負(fù)責(zé)收集生鮮食品，兩類商品分布在超市內(nèi)不同的購物區(qū)，兩人同時采購，在超市收銀臺一同結(jié)賬。

分區(qū)批量式揀選策略：在按照貨品分區(qū)存儲情況將訂單任務(wù)進(jìn)行拆分的基礎(chǔ)之上，將各分區(qū)子訂單合并為分區(qū)批量訂單，分配至分區(qū)內(nèi)指定揀貨員/設(shè)備一次行程完成。這種策略如同夫妻二人攜帶自家和鄰居的購物清單到超市購物，丈夫負(fù)責(zé)收集全部購物清單中的日用商品，妻子負(fù)責(zé)收集生鮮食品，兩類商品分布在超市內(nèi)不同的購物區(qū)，兩人同時采購，在超市收銀臺匯合后將貨品分類合并至不同的購物清單后再結(jié)賬。

二、訂單揀選策略的選擇方法

按單揀選策略的優(yōu)點是揀貨員同一時間僅處理一張訂單，這樣大大降低了漏揀的可能性。在服務(wù)窗口期內(nèi)，它對顧客的反應(yīng)是最快的。缺點是當(dāng)物流中心內(nèi)存儲的SKU（Stock Keeping Unit，貨品品項）數(shù)量多時，每種貨品存儲在不同的貨位，揀選人員要走遍庫內(nèi)很大一部分空間才能完成任務(wù)。如果訂單內(nèi)揀選SKU數(shù)少，則平均到每個揀選SKU的行走距離就會增多，因此對于SKU數(shù)量多且單人單次行程可以完成的訂單，按單揀選經(jīng)濟(jì)性較高。此外，當(dāng)訂單響應(yīng)時間不允許訂單排隊等待時（如加急任務(wù)訂單），客戶服務(wù)目標(biāo)優(yōu)先于效率目標(biāo)，則必須采用按單揀選模式。

批量揀選策略的優(yōu)點是作業(yè)人員/設(shè)備一次行程中完成多個訂單，平均到每個SKU的行走距離將會減少。缺點是合并形成的批量訂單需要分揀至獨立訂單，增加了訂單播種成本。另外，由于訂單需要積累到一定數(shù)量才能進(jìn)行合并，因此訂單無法即時反應(yīng)，會產(chǎn)生滯留時間。該策略適用于訂單SKU數(shù)量少且訂單貨品體積小的場景，尤其適合于僅含單件貨物的訂單，因為這些訂單不需要額外的播種作業(yè)。

表2 仿真參數(shù)設(shè)置表

分區(qū)揀選策略的優(yōu)點是作業(yè)人員分配至面積較小的專門工作區(qū)域，行走距離減少，并且工作時間久了，人員會對區(qū)域的貨物與貨位越來越熟悉，尋找時間也會減少。此外，由于區(qū)域內(nèi)人數(shù)有限，減少了巷道內(nèi)的擁擠度。缺點是拆分至各分區(qū)的訂單需要合并，增加了合單成本。該策略適用于揀選任務(wù)量大、庫內(nèi)貨品分布區(qū)域廣且訂單時效性要求高的場景，將大工作量的訂單任務(wù)拆分給多個人/設(shè)備在不同區(qū)域內(nèi)共同完成，從而滿足訂單揀選的時效性要求。

以上定性分析給出了揀選策略選擇的基本原則。針對一個物流中心現(xiàn)場，如果要實現(xiàn)訂單揀選策略的合理選擇，應(yīng)需要開展定量化的成本分析，將分析結(jié)果作為策略選擇的決策依據(jù)。

對于批量揀選策略，應(yīng)用該策略可以有效減少揀貨行走時間，但需要增加訂單播種作業(yè)時間和設(shè)備/場地的投入。因此，需要評估策略在揀貨環(huán)節(jié)的收益成本，以及在訂單播種環(huán)節(jié)的投資成本，將其作為策略選擇的定量化決策依據(jù)。

對于分區(qū)揀選策略，應(yīng)用該策略同樣可以有效減少揀貨行走時間，但需要增加合單作業(yè)時間和設(shè)備/場地的投入。因此，需要評估策略在揀貨環(huán)節(jié)的收益成本，以及在訂單合單環(huán)節(jié)的投資成本，將其作為策略選擇的定量化決策依據(jù)。

訂單揀選作業(yè)時間受現(xiàn)場設(shè)備選型、設(shè)施布局、訂單結(jié)構(gòu)、運營策略等諸多因素的影響，因此難以通過數(shù)學(xué)建模的方法實現(xiàn)定量化的計算。在這種情況下，通過應(yīng)用物流仿真技術(shù)建立現(xiàn)場方案的仿真模型，借助仿真軟件提供的分析工具測算訂單揀選作業(yè)各環(huán)節(jié)的作業(yè)時間，是實現(xiàn)揀選策略定量化選擇的一種可行方法。

三、基于仿真建模分析的揀選策略選擇方法

以某B2C型化妝品電商物流中心為例，應(yīng)用RaLC物流仿真軟件對現(xiàn)場兩套揀選策略方案進(jìn)行建模和成本分析，說明基于仿真建模分析的揀選策略選擇方法。

1.項目背景及方案介紹

B2C型電商物流中心的訂單特征呈現(xiàn)為訂單數(shù)量多、單個訂單所含SKU數(shù)量少、促銷與非促銷日之間訂單量波動大。通過對某B2C型化妝品電商物流中心三個月的歷史訂單分析發(fā)現(xiàn)，庫內(nèi)累計出貨172個SKU，日均出庫6830單，促銷日最大出庫量76985單。每日訂單中都包括爆款訂單和普通訂單，其中爆款訂單是線上廠家針對某些暢銷貨品設(shè)計組合套裝開展促銷活動的訂單，相同訂單數(shù)量集中，平均每個訂單包含4.3個SKU，該類訂單數(shù)量占訂單總量的74.7%；普通訂單是爆款訂單之外的訂單，重復(fù)訂單數(shù)量少，平均每個訂單包含6.3個SKU，該類訂單數(shù)量占訂單總量的25.3%。

該物流中心訂單包含SKU數(shù)量少且訂單貨品體積小，因此適合采用批量揀選策略。但是，在設(shè)計實際方案時，針對不同特征類型的訂單應(yīng)采用不同的批量揀選方案。

處理爆款訂單的常見方案是在庫內(nèi)劃分單獨的區(qū)域作為前置分揀區(qū)，把相同的爆款訂單合并為批量訂單分配至指定前置區(qū)單獨處理。圖1給出某一前置分揀區(qū)示例，前置分揀區(qū)內(nèi)由5人組成揀選、復(fù)核、包裝小組，最左側(cè)1人負(fù)責(zé)折疊紙箱，完成訂單箱成型工作；成型后空訂單箱被傳遞給2個揀貨員進(jìn)行分區(qū)接力揀選，其中1人揀選貨品A至訂單箱，另一人揀選貨品B至訂單箱；揀選完成的訂單箱交給整箱打包人員完成封裝和貼快遞面單的工作，完成后的訂單快遞包裹被放置稱重臺復(fù)核；最右側(cè)1人將復(fù)核后的訂單包裹放置托盤存放。前置區(qū)內(nèi)，空紙箱、促銷貨品提前備貨，5個工作人員配合構(gòu)成一條小型流水線，快速實現(xiàn)爆款訂單的揀選復(fù)核包裝作業(yè)。

圖1 某前置分揀區(qū)案例布局示意圖

普通訂單中重復(fù)訂單數(shù)量少，包含SKU種類分散，雖然訂單數(shù)量僅占1/4，卻是該物流中心處理的難點。為此，該物流中心設(shè)計了兩套專門的批量揀選方案。

一套是揀貨員一邊揀選、一邊訂單播種的批量揀選方案，以下簡稱“邊揀邊播方案”。另外一套是揀貨員揀選批量訂單后交由專門人員完成訂單播種的批量揀選方案，以下簡稱“先揀后播方案”。

兩種方案相比，邊揀邊播方案中訂單播種在貨品揀選的同時完成，因此省去了后期播種環(huán)節(jié)，但受到揀選車容納訂單箱數(shù)量的限制，批量訂單包含的訂單數(shù)量相對較少，并且由于人員同時完成多件任務(wù)，差錯率增大。先揀后播方案中揀貨行程中無需對揀取貨品分類，批量訂單包含的訂單數(shù)量相對較多，并且后期播種過程中可以及時發(fā)現(xiàn)并糾正前期的揀貨差錯，揀選準(zhǔn)確度提高，缺點是需要單獨為播種作業(yè)設(shè)置專門的區(qū)域、人員和設(shè)備。

2.普通訂單批量揀選方案仿真建模

針對為普通訂單揀選專門設(shè)計的兩套批量揀選方案，應(yīng)用RaLC物流仿真軟件進(jìn)行仿真建模。

（1）邊揀邊播方案仿真模型

邊揀邊播方案由揀選區(qū)和復(fù)核打包區(qū)組成，仿真模型如圖2所示。揀選區(qū)內(nèi)，整托盤貨品采用隨機(jī)貨位分配策略在地面堆放。設(shè)置12個揀貨員，每人手推一輛揀選車在揀選區(qū)作業(yè)。每輛揀選車上放置32個訂單箱，揀貨員在揀選貨品的同時將其直接投入對應(yīng)訂單箱，完成任務(wù)的揀選車被送至復(fù)核打包區(qū)。復(fù)核打包區(qū)內(nèi)設(shè)置12個打包復(fù)核臺，每個臺子設(shè)置兩人，一人專門負(fù)責(zé)打包，另一人負(fù)責(zé)復(fù)核并協(xié)助打包。打包人員將包裝好的訂單包裹放至不同快遞公司的裝車暫存位。

圖2 邊揀邊播方案仿真模型

（2）先揀后播方案仿真模型

先揀后播方案仿真模型由揀選區(qū)、播種區(qū)、復(fù)核打包區(qū)和分揀集貨區(qū)組成，如圖3所示。揀選區(qū)內(nèi)，整托盤貨品采用隨機(jī)貨位分配策略在地面堆放。設(shè)置3個揀貨員，每人手推揀選車一次行程完成64個訂單，每個推選車放置4個容器，揀貨員將揀選的貨品放置于容器中。揀貨完成后揀選車被送至播種區(qū)。播種區(qū)內(nèi)設(shè)置8個播種臺（實際應(yīng)用6個播種臺），每個播種人員首先將64個空訂單筐逐一綁定貨位信息并放置于身邊的播種貨架上，然后將一輛揀選車上的貨品逐一播種至對應(yīng)的訂單筐內(nèi)。當(dāng)64個訂單播種完成后，播種人員將訂單筐全部投放至復(fù)核輸送線（圖3藍(lán)色線）。復(fù)核打包區(qū)域內(nèi)人員設(shè)置與邊揀邊播方案相同，復(fù)核人員從輸送線上抓取訂單筐進(jìn)行復(fù)核，復(fù)核完成后交給身邊的包裝人員。復(fù)核打包完成的快遞包裹被投放至分揀輸送線（圖3紅色線），送至分揀集貨區(qū)由專門的人員將分揀滑道內(nèi)的包裹搬運至不同快遞公司的裝車暫存位。

圖3 先揀后播方案仿真模型

（3）運行環(huán)境設(shè)置

為了減少在開始運行時播種人員的等待時間，安排播種人員僅在仿真開始運行階段兼職揀選人員在揀選區(qū)揀選，然后攜帶個人揀選完成的批量訂單到播種區(qū)作業(yè)。

選取歷史訂單，采用兩種訂單分批算法，構(gòu)建批量訂單。一種為時間分批算法，按照客戶下單時間先后順序構(gòu)建批量訂單；另外一種為聚類分批算法，依據(jù)訂單間相似性度量系數(shù)，使用聚類算法進(jìn)行訂單分批（具體算法流程詳見文獻(xiàn)《基于聚類算法的訂單分批策略研究》，作者秦馨、趙劍道、任楠）。

3.方案成本分析

本文重點說明邊揀邊播和先揀后播兩種批量揀選策略的選擇問題，因此忽略復(fù)核打包區(qū)以及分揀集貨區(qū)對方案選型的影響，只對批量揀選作業(yè)成本情況進(jìn)行仿真分析。

為了詳細(xì)分析各方案中批量揀選作業(yè)的成本構(gòu)成，將不同崗位人員的作業(yè)過程拆解為多個作業(yè)環(huán)節(jié)構(gòu)成的集合。其中，揀選人員作業(yè)過程被拆解為等待工作、取放手推車、拿取空箱、移動、揀貨動作和查找貨位六類作業(yè)環(huán)節(jié)（查找貨位是指由于下一個待揀貨位正被其他兩個揀貨員占用而導(dǎo)致揀貨員無法作業(yè)產(chǎn)生的查詢等待，等待時間是指人員沒有作業(yè)任務(wù)而產(chǎn)生的等待）。播種人員作業(yè)過程被拆解為移動、取放手推車、查找貨位、揀貨動作、空箱上架、播種到箱、貨箱投線、堵線等待八類作業(yè)環(huán)節(jié)（堵線等待是播種人員將播種完成的訂單箱投放至復(fù)核輸送線時，由于復(fù)核輸送線已滿導(dǎo)致無法投線而產(chǎn)生的等待）。

在仿真模型中，通過在人員作業(yè)管理器內(nèi)增加專門指令語句，對各作業(yè)環(huán)節(jié)打上時間戳。仿真運行結(jié)束后，利用軟件提供的日志分析工具，生成采用不同訂單分批算法條件下，兩套方案的批量揀選人員作業(yè)環(huán)節(jié)耗時占比圖，如圖4、圖5、圖6和圖7所示。

圖4 邊揀邊播方案揀貨人員作業(yè)環(huán)節(jié)耗時占比圖（時間分批）

圖5 邊揀邊播方案揀貨人員作業(yè)環(huán)節(jié)耗時占比圖（聚類分批）

圖6 先揀后播方案揀貨人員、播種人員作業(yè)環(huán)節(jié)耗時占比圖（時間分批）

圖7 先揀后播方案揀貨人員、播種人員作業(yè)環(huán)節(jié)耗時占比圖（聚類分批）

為了便于兩套方案作業(yè)環(huán)節(jié)耗時對比，將先揀后播方案中播種人員與揀貨人員的部分環(huán)節(jié)進(jìn)行合并。首先，播種人員的移動、取放手推車、查找貨位時間是因為開始運行階段兼職揀選人員在揀選區(qū)作業(yè)產(chǎn)生，因此將其與揀貨人員的移動、取放手推車、查找貨位時間進(jìn)行合并。其次，邊揀邊播方案中的拿取空箱環(huán)節(jié)是指揀貨人員在揀貨前拿取空箱放置于揀選車中，先揀后播方案中的空箱上架環(huán)節(jié)是指播種人員將訂單箱放置在播種貨架上，兩類作業(yè)環(huán)節(jié)內(nèi)容相近，因此將它們視為同一類環(huán)節(jié)。最后，將播種人員播種到箱、貨箱投線、堵線等待三類作業(yè)環(huán)節(jié)時間合并，定義為播種作業(yè)環(huán)節(jié)。由此，得到不同訂單分批算法下兩套方案的作業(yè)耗時對照表（如表3所示）。

表3 不同訂單分批算法下兩套方案的作業(yè)耗時對照表

通過以上對照表，可以發(fā)現(xiàn)當(dāng)采用時間分批算法時，先揀后播方案比邊揀邊播方案總計減少人員作業(yè)時間約18小時；當(dāng)采用聚類分批算法時，先揀后播方案比邊揀邊播方案總計減少人工作業(yè)時間約21小時。具體到作業(yè)環(huán)節(jié)，與邊揀邊播方案相比，先揀后播方案在播種作業(yè)環(huán)節(jié)增加人員作業(yè)時間約40小時，在移動、揀貨動作等作業(yè)環(huán)節(jié)累計減少人員作業(yè)時間約60小時。在這減少的60小時中，揀貨動作環(huán)節(jié)貢獻(xiàn)最大，原因在于先揀后播方案無需在揀貨時完成訂單播種；移動環(huán)節(jié)貢獻(xiàn)第二，原因在于先揀后播方案一次行程揀選訂單數(shù)量比邊揀邊播方案多一倍而節(jié)省的行走時間；此外，查找貨位環(huán)節(jié)也減少了3～4小時，原因在于先揀后播方案中揀貨人員數(shù)量少，可以大幅減少多人同時揀選同一貨位而產(chǎn)生的排隊等待。

根據(jù)仿真分析結(jié)果，評估兩套方案在批量揀選作業(yè)中的收益成本和投資成本。

人工成本：按照人均日工作7小時計算，先揀后播方案比邊揀邊播方案減少3個批量揀選人員作業(yè)量。該物流中心作業(yè)人員平均工資為每人每月6500元，則對于批量揀選作業(yè)，先揀后播方案比邊揀邊播方案每年節(jié)省人工成本約23.4萬元。

場地成本：先揀后播方案比邊揀邊播方案增加播種區(qū)面積135平方米，按照每平方米0.9元的日租金成本標(biāo)準(zhǔn)計算，每年增加場地租金成本約4.43萬元。

設(shè)備成本：現(xiàn)場播種區(qū)設(shè)備投資約40萬元。

綜合以上計算，針對該物流中心批量揀選作業(yè)，先揀后播方案比邊揀邊播方案每年節(jié)省約18.97萬元，設(shè)備成本一次性投資約40萬元，大約2年時間就可以收回投資成本，并且隨著訂單量的增長，投資回收時間還會縮短，因此建議選擇先揀后播批量揀選策略。

四、結(jié)論與思考

通過物流仿真軟件建立方案仿真模型，借助軟件提供的作業(yè)日志分析工具，可以實現(xiàn)不同揀選策略方案之間作業(yè)成本的定量化分析。在此基礎(chǔ)上，結(jié)合方案設(shè)備投資和現(xiàn)場場地費用情況，綜合考慮揀選策略的收益成本和投資成本，以此作為選擇揀選策略的定量化決策依據(jù)。此外，應(yīng)用仿真軟件提供的作業(yè)環(huán)節(jié)成本分析功能，還可以清楚地發(fā)現(xiàn)不同揀選策略對各環(huán)節(jié)作業(yè)成本的影響，為深入優(yōu)化現(xiàn)場作業(yè)、實現(xiàn)倉庫精益化改善提供了定量化的分析工具。