基于QLIK VIEW仓库优化方案.doc

基于QLIK VIEW仓库优化方案 　　摘 要：该文以快消品物流仓库为研究对象，结合其物流行业运营特点和仓储环节的现状，以科学的数据分析框架为前提，运用有效的管理方法，对其仓储管理进行合理细致的研究。让数据分析成为改善仓库业务的有力支撑，帮助企业加快物资流动的速度，降低成本，提高订单响应速度，在市场竞争中赢得更多的份额 关键词：数据分析 诸位设计 挑选优化 关联性分析 中图分类号：F251 文献标识码：A 文章编号：1672-3791（2017）04（a）-0242-02 “大数据”带来的巨大价值正渐渐被人们认可，未来数据的价值将逐步升值。该方案以快消品物流仓库为研究对象，结合其自身运营特点和仓储环节的现状，对其仓储数据进行分析，综合考虑仓库的非数据部门使用者，能更方便地获取、理解及使用这些数据。借助数据分析来改善运营效率、制定更明智的决策，加快物资流动的速度，提高订单响应速度，最终达到以信息化实现快消品仓库数字化转型的目的 1 快消品仓库的现状及问题分析 1.1 仓库现状 快消品仓库货物普遍包括13大类，包括：食品类、日用类、电器类、日化类、特种类等。库区具体包括了入库区、托盘存储区、拣货区、设备存放区、出库区以及办公区域。主要的仓储区包括：立库货架区、托盘货架区、电子标签货架区、阁楼货架区、残次品货架区 在设施设备方面，仓库中常用的物流设备，包括了托盘、各类叉车、液压车、手推车等设备。对于硬件设施来说，存储货位和拣货货位普遍较多，拥有自动化的立体仓库 1.2 问题分析 在仓储管理中，问题主要分为三方面。在入库时，仓储人员凭借经验放置货物，不考虑出库频率、关联性、重量等库存特性，也不考虑不同仓储区域的储位特性，导致仓储零散，并降低订单响应速度 在库区内部，缺乏针对每个货架区仓储量的动态监控，导致仓库货架区利用率偏高与偏低并存。针对于不同物料，无法判断补货数量和补货时点 在出库时，仓储人员按单拣货，仓储人员为了提高工作绩效，凭借经验快速取货，不考虑仓库有限的设备资源，导致订单排队等待时间加长 2 相关理论与技术 2.1 安全库存量 安全库存量是为了预防需求或供应方面（如客户插单、供方交期延误、质量问题等）不可预测的波动，在仓库中经常应保持最低库存量作为安全库存量 以仓库中典型物料为例，农夫山泉天然水的年需求量为115 200，订货成本20元/次，单位商品年保管成本H=1元/年，安全系数为1.645，订货提前期为5 d 经济订货批量为： 订货次数 ×× 订货点 在库存管理中，适当的安全库存和经济订货批量对于仓库的管理是非常重要的，根据以上算法可以得到不同货物的经济订货方案，不仅能够节省仓储费用，提高仓库的利用率，还能降低缺货带来的损失 2.2 关联性分析 Apriori算法是一种挖掘关联规则的频繁项集算法，通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。扫描所有订单，计算出频繁集L1（频繁集合Lk表示集合内的每个项由k个物料组成，比如L2={{a，b}，{c，d}}）；然后采用apriori-gen算法计算出候选集合C2（候选集合Ck表示集合内的每个项由k个物料组成。注意在产生候选集合时候，可判定每个项内的物料组成的项集是否在Lk-1内，若不在，则抛弃该项目，显然支持度不满足，这样可提高效率）；产生候选集合C2后遍历一遍订单集合，计算每个项的支持度，并根据支持度阀值筛选出频繁集合L2，依此类推，直到Lk为空集合 我们将Apriori算法用于仓库物料存储库区中，分析物料之间的关联度，进行关联性分析 资料库（Transaction Database）：存储着二维结构的记录集。定义为：D 所有项集（Items）：所有项目的集合。定义为：I 支持度（Support）：定义为supp（X）=occur（X）/count（D）=P（X） 置信度（Confidence/Strength）：定义为conf（X-Y）=supp（X∪Y）/supp（X）=P（Y|X） 候选集（Candidate itemset）：通过向下合并得出的项集。定义为C[k] 频繁集（Frequent itemset）：支持度大于等于特定的最小支持度（Minimum Support/minsup）的项集。表示为L[k]。注意，频繁集的子集一定是频繁集 提升比率（提升度Lift）：lift（X-Y）=lift（Y-X）=conf（X-Y）/supp（Y）=conf（Y-X）/supp（X）=P（X and Y）/（P（X）P（Y））。见图1 3 分析结果 3.1 入库-储位设计 不同库区之间，采用移动平均加