网购给你带来了多大的便利？近年来网上购物的飞速发展离不开强大的物流业支撑，自动化仓储系统的建立助力了现代物流体系的高效运作，而其中系统性的库存运营则起到了关键作用，本期《技术的真相》让我们走进自动化仓储系统的秘密，深入了解库存运营实践与探索。
01
概述
在现代物流体系中，自动化仓储系统的出现，改变了生产力水平，实现人机协同决策，最大程度上达到降本增效的目的。然而，自动化仓储系统的高效运转，离不开库存运营，它能够提升库存利用率、改善库存周转效率。基于自动化仓储系统的库存运营，不仅摆脱了对运营人员经验的过度依赖，而且能够充分发挥系统的自主决策能力。我们结合实际业务应用，本文将介绍在自动化仓储体系打造过程中库存运营的重要实践，包括基于数据分析的库存模型构建和补货策略提出，阐述了库存运营之于自动化仓储的重要性。
基于实践经验，探索未来发展方向，我们提出库存运营的未来畅想。首先，库存运营不仅要以客户为中心，更要合乎发展实际；另外，推及全仓的智能运营，我们核心阐述了打通系统业务数据的重要性，以及为全仓运营系统打造数据平台的必要性。业务系统的运转离不开数据，同时也产生海量的数据，数据的集成管理平台能够为业务系统的发展搭建坚实的基础，我们也能通过挖掘数据背后的价值来驱动业务决策。
02
库存运营实践
2.1 背景
物流仓储管理一直是现代物流不可或缺的重要环节，从整体供应链角度来看，它在调节供需矛盾方面起着重要的作用。然而，随着时代的发展，人们越来越注重高水平的服务，这给物流行业带来机遇的同时也带来了巨大的挑战，下面列举几点关于传统仓储所面临的现状：
（1）传统仓储管理成本高，尤其是货物保管成本和人工成本；
（2）仓库规模不断变大，货物种类不断增多，加大了工人的劳动强度和复杂度；
（3）作业效率低。
在这样的大背景下，寻找可替代人力的解决方案成为行业的发力点。随着科技的发展，一种高度智能的自动化仓储系统应运而生。自动化仓储主要以高度自动化的机器设备为主要劳动力（如机器人、立体库等），以智能管理系统为辅助决策平台（如WMS、WCS和TMS）。
这种仓储模式能够实现无需人工直接干预的情况下，通过系统对仓库实现控制和管理，包括：执行入库、存储、搬运、拣选、出库等一系列仓库作业。自动化仓储系统逐步驱动以人为核心的决策模式演变为人机协同决策模式。该模式下，系统能够基于简单的人工操作高效地实现复杂业务决策。
然而，自动化仓储的高效运转，离不开系统性的库存运营。通过制定高效的库存运营策略，能够提升库存利用率，改善库存周转效率。面对不同的业务场景，提供可支撑性的多种库存模型，科学计算补货量，尽可能降低因缺货带来的损失，同时避免过度依赖人的经验，降低对员工的行业经验和专业度的要求，从而提高作业效率，提升服务水平。以下我们将以某一实际项目为实践依据，阐述库存运营对自动化仓的重要性。
2.2 库存运营
在实际项目中，自动化仓库包括两大保管子仓：PS（Pallet Shuttle）存储区、CTU（Cargo Transport Unit）存储区，PS的库存来源于工厂收货，而CTU的库存主要来源于PS的补货，因此CTU的库存可以通过库存运营人员执行仓内的调货补货来控制，目前主要通过紧急补货和日常补货两种补货方式满足出库时的库存量要求，这两种补货模式的不同点在于：
（1）触发的条件不同
当CTU的现有库存不满足当前零拣出库作业的订单出库量时，触发紧急补货；
当CTU的现有库存低于设定的库存最低水位线时，触发日常补货。
（2）补货时期不同
紧急补货在执行订单出库任务时发生；
日常补货在无紧急补货任务时的空闲时间发生。
（3）补货量不同
紧急补货要求补货量刚好满足CTU出库缺少的出库量即可；
日常补货要求补货达到设定的库存最高水位线。
由于拆零出库部分作业必须等待紧急补货完才能出库，理论上紧急补货越多，越可能影响CTU的出库效率。从长期稳定运营的角度来看，CTU的库存量需要保持在一个动态均衡的水平，它的补货量和出库量处于平衡状态，因此有必要借助库存模型提高日常补货的准确性，尽可能缓解紧急补货的压力，提高出库效率。
2.1.1 库存模型
以下列举了若干常见的库存模型：
ABC band：适用于商品分类，制定差异化补货的业务场景
定期采购(T,s)：适用于定期盘点、能以需求为导向设置目标库存的业务场景
定量采购(R,Q)：适用于连续盘点，受上游供给限制需定量的业务场景
销N补N：适用于保有基本库存的同时根据动销情况进行补货的业务场景
两点库存模型(s,S)：适用于连续盘点、能以需求为导向设置目标库存的业务场景
三点库存模型(R,s,S)：适用于需求相对不太稳定的业务场景
其中ABC band 和 Rolling safety stock两种库存模型被应用在实际项目库存运营模块：
（1）ABC band更类似于传统的以用户为主导的补货模式，但比传统模式更灵活更智能；
（2）Rolling safety stock更偏向于以系统为主导的补货模式，依附于系统自主决策。
在投入实际运营前，我们提前在仿真环境中模拟了库存运营场景，通过仿真实验观察不同模型和策略所带来的库存控制效果。
（1）ABC band库存模型
ABC band库存模型是一种以用户决策为主导的补货策略。用户可以依照需求将商品划分为多个层级，系统基于选定的划分依据对周期内的需求数据进行处理，将每个PLU分配到对应的band中，同一band具有相同的库存水位限制。在实际项目中，以需求量为划分依据，并根据仿真输入的band分割值 将所有PLU划分为3个band: ，每个band都指定库存上下水位线。
更新库存模型时，基于实际项目一个月的历史出库订单数据，计算每个PLU的平均需求量，当平均需求量介于 之间时，则将该PLU划分到A band中，对应着库存上下水位线 ，同理，可以确定CTU中所有PLU的库存水位线。
在仿真环境测试库存模型时，提供了灵活的可选的参数配置，其中
更新频率：日/周/月更新
划分档次：一般3挡，支持更多挡
统计时间段：一个月、一季度、一年
（2）Rolling safety stock库存模型
在供应链中，为了应对实际需求超出预期需求的情况而产生的一类库存模式——安全库存，安全库存能够在供给和需求波动的情况下，帮助供应链提高产品的可获得性。合理的安全库存水平由以下两个因素决定：
需求和供给的不确定性：不确定性越大，需要的安全库存水平也越高
期望的产品可获得性水平：要求的产品可获得性水平越高，需要的安全库存水平也越高。我们最常用周期服务水平（CSL）作为衡量指标，它表示客户所有需求都能得到满足的补货周期占所有补货周期的比例
Rolling safety stock 库存模型是一种以系统决策为主导的补货策略。连续库存盘点下，以周期内的商品需求为数据基础，基于安全库存理论，滚动计算每个PLU的安全库存及目标库存，实现自动科学的补货计算，及时发现缺货，均衡下单。
安全库存理论：
（1）假定周期内商品需求量服从正态分布（均值为 ，标准差为 ），初始库存为 ，根据公式 可以获取周转天数 ，补货量 ；
（2）再根据正态分布函数的反函数公式计算满足周期服务水平（如CSL=0.95）的安全库存（ ），相关计算公式如下：
（3）最后，计算目标库存：
如下图所示，由于实际项目业务场景的特殊性，PS 向 CTU 的补货可以在较短时间内实现，补货提前期可以忽略不计，因此可以认为补货点库存（ROP）等于安全库存。
在仿真中更新PLU的库存模型时，提供了一个可供用户自主决策的参数——安全库存系数（ ），它可以灵活控制安全库存水位，系统根据实际项目中近一个月的历史出库订单数据，实现滚动计算每个PLU的平均需求量和标准差，滚动（Rolling）的最大作用在于系统会及时的获取近期销量来更新库存模型，提高商品库存水位的准确性，最终基于安全库存理论可以得到 CTU 中所有 PLU 的最新安全库存（ ）和目标库存（ ）。
2.1.2补货策略
任何产品都存在生命周期，从新品上市，到逐渐成长为成熟的商品，到最后的滞销退市，其市场需求程度也是不同的，因此可以根据产品所处的不同生命周期，提供差异化的补货策略。
（1）日常补货
日常补货是一种常规的仓库备货模式，为了满足一定周转需求而提前储备的周转库存，避免缺货带来的损失。控制日常补货需引入库存模型，为补货决策提供依据。日常补货策略需要确定如下两个问题：
补货时间？
实际项目所采用的两种库存模型都是采用一种连续补货的形式，这种方法随时检查库存，当商品的库存水平低至最低水位线或安全库存时，就会触发日常补货，因此商品补货周期会随着需求的变动而变动。
补货量？
补货量跟商品目标库存与 CTU 现有库存的差值有关，目标库存会随着商品的近期需求而波动，现有库存也会随着商品的出库而变动，因此相同商品的不同时期补货量可能不同，且不同商品的补货量一般也不相同。
对实际项目一段时间的 CTU 出库和补货场景进行仿真模拟，分别测试基于 ABC band 和 Rolling safety stock 库存模型的仓库运营效果，并通过调节库存模型参数控制 PLU 的库存水位线，观察每天的紧急补货与日常补货情况，及计算每天作业的预计完成时间。从下面的补货时序图可以看出，采取不同的库存策略，会影响紧急补货和日常补货的比例。
同时，CTU 出库作业效率受紧急补货量的影响。如下示意图，展示了某天实际项目运营时各个环节的作业时间，图（1）中紧急补货量较多，在 CTU 第五波商品出库时，出现等待的情况，导致最终完成作业的时间被拉长，图（2）中紧急补货量相对较少，未影响到 CTU 的正常出库，最终的作业完成时间比（1）中早。
因此选择一种更适合的库存模型或配置最合适的模型参数都是非常重要的，通过提高日常补货的准确度，并适当提高日常补货量，可以有效缓解紧急补货的压力，降低紧急补货对 CTU 正常出库的影响。
（2）新品上线和滞销下线
新品上线：
新品上线的库存策略实质是一种特殊的日常补货，特殊点在于“新品”，一般来说，当商品处于上市阶段，其销售周期较短，需求量偏低，且仓库无法获取足够的历史订单数据，可能需要基于预测数据来设置一定的安全库存和目标库存，从而通过日常补货的形式提前补入仓库，保证新品的周转。仿真时引入了新品上线策略，在用户没有指定商品的新品属性时，假定以 PS 中有库存但在 CTU 无库存的 PLU 当作新品，并根据新品未来一个月的预测销量提前从 PS 补一定量的货到 CTU，结果表明，新品上线策略可以进一步降低紧急补货/日常补货的比例。
滞销下线：
当商品处于退市阶段，其需求频率和需求量都是偏低的，而 CTU 是一个库存有限且更适合周转较快的商品暂存的保管区，在仿真中模拟了 CTU 一段时间的库存变化情况，分别以不带滞销下线和带滞销下线策略控制库存，仿真结果如下图所示，在无滞销下线策略时，CTU 的库存量很可能在某一天超过了库存容量，而通过滞销下线定期清理 CTU 中的滞销品，合理利用有限的库存空间，可以促使 CTU 的库存长期处于动态平衡的理想状态。
03
库存运营的未来畅想
新形势下，针对如何快速实施符合企业发展需求的库存运营解决方案，提出以下两个方面的畅想。
3.1 搭建符合实际需求的库存运营系统
首先基于客户方的信息化发展水平，将库存运营划分成三个不同的层级：
（1）仅支持离线决策，客户方日常依赖传统的手工方式进行运营和自主决策，常见的方式为EXCEL表格，该方式灵活性较强，完全依赖运营人员的经验，所以对运营者要求较高，且决策流程繁琐容易出错；
（2）支持在线决策，现有的智能系统（如：WMS系统）支持智能决策，如：智能定期补货，处于该层级的库存运营水平已相对较高，处于金字塔的顶层；
（3）支持半在线决策，由系统初步决策后，经由人工决策处理后（加入人工经验），反馈给系统，并由系统执行决策，例如：现有的WMS系统支持导入式定期补货，补货商品和数量由人工决策。
俗话说：打铁还需自身硬，库存运营的成功实现，不仅需要考虑客户方信息化水平，还需要考虑自身产品实力。面向处于不同库存运营层级的客户方企业，融合现有的信息化系统，搭建符合实际需求的库存运营系统。
3.2 从库存运营到全仓的智能运营
3.2.1 数据平台
库存运营作为全仓运营的关键部分，相辅相承。然而，不仅是库存运营还是全仓的运营均面临如下困境：
（1）业务系统之间的交互增加对接成本：
库存的运营依赖仓储管理系统（WMS）和仓储控制系统（WCS）。一般情况下，大的仓储系统会包含多个子系统构成，例如下图中，包含整仓层级的业务系统和子仓层级的业务执行系统，不同子系统之间需要复杂的数据交互，频繁且重要，所以，在研发阶段，系统开发人员需要花费大量的时间来“沟通-确认-再沟通-再确认”，循环往返直至对接无误。可想而知，对接成本非常高，且容易出错。
（2）新业务模块的接入增加扩展成本：
如果仓库在运营过程中，产生了新的业务需求或需求发生变动，以及向客户方推动增值服务，需要对已落地的仓储系统进行拓展新模块，此时，新模块的接入需要从现有的系统获取数据，如果涉及到新数据的获取，还需要增加额外的开发工作。
（3）数据存在“孤岛现象”：
数据分散在不同的系统中，数据共享较差，数据分散重复存储；且单个系统只侧重某方面分析，缺乏综合分析。
以上困境可总结为：业务系统和数据未能实现分离，数据未能形成平台化。然而，读者可能会反问：全仓的智能运营平台需要一个数据平台支撑吗？
首先，用户越来越重视系统对实时/准实时场景的支撑能力，希望系统能够实现实时数据的采集、合并、处理；并且系统能够根据业务场景实时关联匹配，不仅支撑业务实现，也要能支持实时呈现，甚至实时营销；希望能够辅助发掘隐藏在数据背后的巨大商业价值，加快从数据到业务的价值实现。
另外，在库存运营过程中，很多的业务场景的实现需要大量数据的支撑，结合历史运营数据和经验，抽象建模，实现智能预测。这其中包括但不仅限于：
（1）为了能够支持销售运作计划的制定，需要系统能够提供历史出库订单数据；
（2）定期补货的智能决策的核心是库存模型，如何建立库存模型，还需要依赖商品的出库数据；
（3）库存控制，包括：补货、备品备货、新品上线以及滞销下线均需要获取历史运营数据来制定决策。
这里仅列举了库存运营中的数据需求案例，在全仓运营过程中，还包括：智能诊断和智能调参等业务场景均离不开大数据需求。
因此，需要为全仓的智能运营打造数据平台。数据中台的出现，可以改变各系统烟囱式的建设模式，实现跨层级全过程的数据呈现、敏捷开发与能力嵌入，充分发挥大数据的核心资产能力与价值能力，持续推动透明管控、科学运营和价值创造。在全仓运营系统中，数据中台能发挥如下关键作用：
（1）打通业务系统形成的数据“孤岛”，提升数据的共享能力和存储性能；
（2）支持实时数据分析与可视化展示，协助运维和监控；
（3）避免业务间大量的交互对接，实现快速业务拓展；
（4）能够实现数据助推业务决策，发掘海量数据背后的价值，促进数据价值转变为业务价值，例如：策略制定、模型构建均有体现数据价值。
下图展示了数据驱动全仓运营的架构图，各业务系统只需要和数据中台进行对接，数据中台承接大量的数据处理、计算和集成工作，避免业务系统之间的交互对接。
作为一个To B的全仓运营系统，数据中台需要具备下述能力：
（1）管理高效，实现高效数据治理与数据整合；
（2）部署灵活：能够支持本地、私有云和公有云部署，满足不同体量的企业用户需求；
（3）价值挖掘：发掘业务系统产生的海量数据背后的价值，从而驱动业务决策。
另外，数据中台应支撑灵活组建，面向低层级需求的用户可实现轻量化部署，且支持后期扩展。
3.2.2 数据驱动库存运营决策
通过分析历史出库数据，构建库存模型，采用补货、滞销下架的方式控制库存水位，是一种典型的数据驱动库存运营决策的案例。
除此之外，还有大量的数据驱动运营决策的案例，在设备的监控和诊断分析过程中，同样离不开数据实时采集和分析。系统长时间地稳定运行需要良好的设备管理和维护，传统的设备维护多为事后型即设备发生故障后进行维修，设备突然故障停机往往对系统造成严重影响，同时维修动作通常反应较慢，并且因为无法事先得知设备故障原因设备维修时间也较长。
为了减少突然故障产生的损失，也可以定期安排设备检修，但检修时缺乏针对性，整体效率低且容易产生遗漏，同时大量检修设备也会带来系统运营效能的下降。与设备定期检修相比，实时准确的设备监控及诊断是更为高效快捷的设备管理方法，比如：AGV行驶偏差检测与分析。二维码（地码）与惯性导航相结合是地面多机器人系统中的 AGV 常用的导航方式。机器人系统长期使用后，可能会出现地码点损坏或发生偏离，一般的处理思路是：需要依赖大量的人力进行手工检测，且需要系统进行停线处理。
如果使用数据技术进行诊断，可以在机器人身上加装传感器，通过运行过程中检测行驶偏差来诊断地码异常，及时反馈并采取针对性修复措施。
在智能水平更高的场景中，平台还可以替代运营人员对一些常见情境自动完成管理及运营决策，例如系统日常稳定运营时的资源分配、设备排班和维护，以及这里我们详细介绍的系统自动调参功能。各个智能仓储系统中，生产计划制定、波次生产与下发以及任务分配等模块包含一些控制参数，这些参数的设定很大程度上会影响仓储系统的运行效率，一般由工程师根据经验手动控制参数，参数设置全靠经验判断且需要投入研发人力。
可以引入一种快速的自动调参方式，系统可以自动迭代进行仿真调参不需要人工介入，并且可以针对于仿真成本较高的问题，根据已有的样本点来结合神经网络等算法自动计算接下来可能更好的参数组合进行仿真，减少最优参数组合的搜寻范围，提高调参效率。
延展阅读
25
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
