سود:
- توانایی درک مفاهیم چیدمان انبار، انتخاب مسیرها، شکاف ها و برنامه ریزی نیروی کار و استفاده از هوش مصنوعی برای تولید سناریوهای کارایی
- امکان پیش نویس چیدمان و برنامه ریزی موج با توجه به تراکم سفارش و سرعت حرکت محصول با پشتیبانی از هوش مصنوعی
- توانایی درک اینکه توصیههای هوش مصنوعی به تأیید مدیر عملیات از نظر ایمنی میدانی، ارگونومی و محدودیتهای واقعی انبار بستگی دارد.
قفسه ها، لیفتراک ها و کارکنان در حال اجرا که هنگام ورود به انبار می بینید، در واقع معادله غول پیکری از زمان هستند. کارایی انبار؛ این بستگی به محل قرارگیری کالا، نحوه انتخاب سفارش و تعداد مناسب افرادی دارد که در زمان مناسب کار می کنند. عملیات انبار (عملیات انبار - مدیریت پذیرش، جایگذاری، جمع آوری، بسته بندی و حمل کالا) پر زحمت ترین و بیشترین "ثانیه های از دست رفته" زنجیره تامین است. فرآیند چیدن به تنهایی بیش از نیمی از نیروی کار انبار را مصرف می کند. هوش مصنوعی در اینجا یک تحلیلگر قدرتمند است: محاسبه می کند که کدام محصول باید در کجا قرار گیرد، سفارشات چگونه گروه بندی می شوند، در چه زمانی به چند نفر نیاز دارند، و سناریوهایی را تولید می کند. اما هر مکان و مسیر ترسیم شده توسط هوش مصنوعی بدون آزمایش آن با ایمنی، ارگونومی و واقعیت های فیزیکی میدان پیاده سازی نمی شود. حرف آخر متعلق به مدیر عملیات است.
زبان کارایی انبار
بیایید چند مفهوم را روشن کنیم. شکاف: برنامه ریزی اینکه کدام محصول در کدام قسمت از انبار قرار گیرد. مسیر چیدن: مسیری که یک جمع کننده طی می کند تا محصولات را به ترتیب با کمترین میزان پیاده روی جمع آوری کند. برنامه ریزی موج: سازماندهی سفارشاتی که باید به صورت گروهی (امواج) جمع آوری شوند و نه یک به یک. سرعت: هر چند وقت یکبار یک محصول انتخاب می شود. محصولاتی که سریع حرکت می کنند "A متحرک" نامیده می شوند. مسافت سفر: کل مسافتی که یک انتخاب کننده برای تکمیل یک سفارش طی می کند - بزرگترین دشمن کارایی انبار.
اصل اساسی ساده است: محصول سریع را در جایی قرار دهید که جمع کننده بتواند راحت تر به آن برسد. اگر پرفروش ترین محصول در گوشه پایین انبار باشد، هر سفارش به معنای پیاده روی اضافی است. با استفاده از دادههای فروش، هوش مصنوعی نشان میدهد که کدام محصول «داغ» است و در کجا باید قرار گیرد. این، همراه با منطق "منطقه طلایی" - ارتفاع قفسه از کمر تا چشم، جایی که می توانید بدون خم شدن به آن برسید، هم سرعت را افزایش می دهد و هم از پشت کارمند محافظت می کند.
نکته: فکر نکنید که شکاف ثابت است. سرعت حرکت محصولات بسته به فصل و کمپین متفاوت است. محصول تابستانی را در تابستان به منطقه طلایی و در زمستان به پشت آن ببرید. هوش مصنوعی میتواند به صورت دورهای فهرستی از «کدام محصولات باید جایگزین شوند» تهیه کند. شما این را با محدودیت های فیلد اعمال می کنید.
مجموعه و برنامه ریزی موج
یک جمع کننده اگر برای یک سفارش کل انبار را طی کند، زمان زیادی را تلف می کند. در عوض، دستهبندی انجام میشود: همان محصولات از چندین سفارش در یک دور انتخاب میشوند. Zone picking: هر انتخاب کننده مسئول منطقه خاصی است، سفارش بین مناطق منتقل می شود. کدام روش مناسب است به ساختار سفارش بستگی دارد - تعداد کمی سفارش با موارد زیاد یا تعداد زیادی سفارش با موارد کم؟ هوش مصنوعی داده های سفارش تاریخی را تجزیه و تحلیل می کند و سناریوهایی را نشان می دهد که کدام استراتژی انتخاب فاصله پیاده روی را به حداقل می رساند.
برنامه ریزی موج یک موضوع زمان بندی است: آیا سفارش های دریافتی در صبح باید بلافاصله جمع آوری شوند یا باید تا ظهر در یک موج جمع شوند؟ انتخاب زود هنگام حمل و نقل سریع را تضمین می کند اما بهینه سازی گروه را از دست می دهد. انباشت کارآمد است اما خطر تاخیر را به همراه دارد. هوش مصنوعی می تواند طرحی تولید کند که این تعادل را بر اساس زمان خروج محموله بهینه می کند.
برنامه ریزی نیروی کار
گران ترین منبع در انبار افراد هستند و تقاضا در طول روز در نوسان است. پذیرش کالا در صبح، حمل و نقل در بعد از ظهر تشدید می شود. دوشنبه و جمعه متفاوت است. اگر افراد زیادی را فراخوانی کنید، به کارگری که بیکار منتظر مانده است پول می دهید. در صورت تماس کمتر، سفارشات با تاخیر انجام می شود. هوش مصنوعی میتواند حجم سفارشهای تاریخی را تجزیه و تحلیل کند و یک طرح کلی تغییر ایجاد کند که پیشبینی میکند در کدام روز و ساعت به چند نفر نیاز است. اما این یک پیشنهاد است: حقوق مرخصی، ساعات کار قانونی، مهارت کارکنان و تخصیص عادلانه نوبت بر عهده مدیر انسانی است.
مراقب باشید: برنامه شیفتی که هوش مصنوعی آن را "بازده ترین" می نامد ممکن است دائماً یک کارگر را در سخت ترین کار یا در بدترین ساعت قرار دهد. کارایی تنها معیار نیست. بهداشت حرفه ای، عدالت و حقوق قانونی همیشه در اولویت هستند. طرح هوش مصنوعی یک پیش نویس اولیه است، از فیلتر انسانی عبور می کند.
سه کیف کوچک
مورد 1 - فاصله به دست آمده با شکاف. در یک انبار تجارت الکترونیک، جمع کننده ها به طور متوسط 12 کیلومتر در روز پیاده روی می کردند. هوش مصنوعی دادههای سفارش ناشناس 6 ماه گذشته را تجزیه و تحلیل کرد و 200 محصول را که بیشترین جمعآوری شدهاند را شناسایی کرد. نیمی از آنها در مناطق دورافتاده انبار بودند. در طرح جدید اسلاتینگ، این محصولات در نزدیکی ورودی و در زون طلا قرار گرفتند. قبل از اجرا، مدیر عملیات هر پیشنهاد را برای ایمنی سایت بررسی کرد (اقلام سنگین در قفسه پایین باقی ماندند). نتیجه: میانگین مسافت پیاده روی 31 درصد کاهش یافت، ظرفیت جمع آوری روزانه افزایش یافت.
مورد 2 - ضبط محموله با برنامه ریزی موج. یک انبار توزیع دائماً خروجی بار عصر خود را از دست می داد. هوش مصنوعی جریان سفارش و ساعات ارسال را تجزیه و تحلیل کرد و یک برنامه دو موجی را پیشنهاد کرد: بخشهای 11:00 و 15:00. این تضمین میکرد که حتی سفارشهایی که دیر به دست میآمدند، آخرین محموله را هم میگرفتند. مسئول یک هفته برنامه را آزمایش و اصلاح کرد. نرخ ارسال به موقع از 82 درصد به 96 درصد افزایش یافته است.
مورد 3 - فدا نکردن امنیت برای کارایی. یکی از تحلیلگران می خواست مسیر جمع آوری پیشنهادی هوش مصنوعی را همانطور که هست پیاده سازی کند. با این حال، این مسیر به عابران پیاده نیاز داشت که در جهت مخالف از طریق یک راهرو با ترافیک سنگین لیفتراک عبور کنند. مدیر عملیات امتناع کرد: صرفه جویی در چند ثانیه ارزش خطر تصادف را نداشت. مسیر با اضافه شدن محدودیت راهرو ایمن بازتولید شد. واقعیت میدانی بهینه ریاضی را رد کرد.
چهار قالب قابل کپی
1) پیشنهاد شکاف:
نقش شما: دستیار تحلیلگر عملیات انبار. در زیر کد محصول ناشناس، دفعات جمع آوری 6 ماه گذشته و رده وزنی محصول (سبک/متوسط/سنگین) آمده است. وظیفه: (1) سریعترین محصولات را شناسایی کنید، (2) پیشنهادهایی برای قرار دادن آنها در نزدیکی ورودی و در منطقه طلایی ارائه دهید، (3) محدودیت باقی ماندن محصولات سنگین در قفسه پایین را رعایت کنید. اعلام کنید که تایید میدانی دارم.
2) مقایسه استراتژی مجموعه:
در زیر ساختار سفارش معمولی ما (متوسط آیتم/سفارش، تعداد سفارشات در روز، نرخ تکرار آیتم) آمده است. گزینه های مجموعه تک، جمع آوری انبوه و جمع آوری منطقه را از نظر مسافت و سرعت پیاده روی مقایسه کنید. مزایا/ معایب هر کدام را بنویسید. ارائه گزینه ها بدون تصمیم گیری نهایی
3) پیش نویس طرح موج:
ساعت حرکت بار ما: [ساعت]. جریان سفارش روزانه بر حسب ساعت به شرح زیر است: [داده]. یک طرح موج 2-3 پیشنهاد دهید که این سفارشات را به طور موثر و بدون از دست دادن محموله جمع آوری می کند. برای هر موج زمان قطع و توجیه ارائه دهید. همچنین خطر تاخیر را بیان کنید.
4) برآورد نیاز شیفت:
در زیر حجم سفارشات بر حسب روز و ساعت برای 8 هفته گذشته آمده است. نیاز تخمینی نیروی کار (نفر-ساعت) را برای هر روز کم کنید. فرض کنید این یک پیش نویس است و حقوق مرخصی، زمان قانونی کار و توزیع عادلانه مسئولیت من است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
انبار من را کارآمدتر کنید.
کدام معیار، کدام داده، کدام محدودیت نامشخص است. هوش مصنوعی توصیه های کلی را فهرست می کند.
اعلان قدرتمند:
نقش شما: تحلیلگر عملیات انبار. انبار 3000 متر مربع 800 سفارش در روز متوسط 4 عدد. هدف من کاهش مسافت پیاده روی کلکتور است. من 6 ماه داده فرکانس انتخاب ناشناس دارم. به من مشاوره و مقایسه استراتژی انتخاب کنید. قفسه های سنگین پایین محصول و محدودیت های راهرو ایمن را رعایت کنید. تایید میدانی دارم
رویکرد
فاصله پیاده روی
سرعت
خطر امنیت/عدالت
شکاف ثابت، بدون بررسی
بالا
پایین
هیچ کدام
شکاف مبتنی بر داده + تأیید میدان
پایین
بالا
هیچ کدام
مسیر هوش مصنوعی را بدون پرس و جو اعمال کنید
پایین
بالا
بالا
تغییر با شهود خالص
متغیر
متغیر
متوسط
اشتباهات رایج
- شکاف انجماد. سرعت حرکت متفاوت است. اگر بررسی فصلی انجام نشود، محصول سریع در پایین باقی می ماند.
- فدا کردن ایمنی برای کارایی پیمودن یک مسیر خطرناک برای چند ثانیه افزایش، منجر به یک حادثه کاری می شود.
- نادیده گرفتن ارگونومی قرار دادن وسایل سنگین در سطح چشم و وسایلی که مرتباً چیده می شوند روی زمین کارمند را فرسوده می کند.
- فراموشی بعد انسانی در طرح شیفت. اگر کارآمدترین طرح، اجازه و انصاف رعایت نشود، مشکلات قانونی و اخلاقی ایجاد می کند.
- چسبیدن به یک استراتژی مجموعه واحد. هنگامی که ساختار سفارش تغییر می کند، استراتژی قدیمی ناکارآمد می شود. به صورت دوره ای مقایسه کنید
نکته: ابتدا هر شکاف یا تغییر مسیر را در یک منطقه کوچک آزمایش کنید، یک هفته اندازه بگیرید، سپس آن را اجرا کنید. در حالی که سناریوی هوش مصنوعی در تئوری خوب به نظر میرسد، رفتار میدانی واقعی شگفتانگیز است. خلبان زودتر آنها را می گیرد.
به طور خلاصه
کارایی انبار معادله زمان و بزرگترین فاصله پیاده روی جمع کننده اقلام است. هوش مصنوعی با استفاده از دادههای فروش و سفارش، نقشههای قدرتمندی را برای نیازهای شکاف، انتخاب استراتژی، طرح موج و نیازهای تغییر تولید میکند. اما هر پیشنهادی را نمی توان بدون آزمایش آن با ایمنی میدانی، ارگونومی، حقوق قانونی و محدودیت های فیزیکی اجرا کرد. کارایی تنها معیار نیست. سلامت شغلی و عدالت همیشه در اولویت است. آزمایش آزمایشی تغییرات؛ حرف آخر متعلق به مدیر عملیات است.
وظیفه کاربردی
فهرستی از 20 کالای برتر انتخاب شده از انبار خود (یا فرضی) و یک طرح کلی از انبار ایجاد کنید. از هوش مصنوعی طرحبندی با الگوی «پیشنهاد شکاف» بخواهید. هر توصیه ای را برای ایمنی و ارگونومی (محصول سنگین، راهروی خطرناک) به صورت دستی علامت گذاری کنید. دلایل پذیرش و رد پیشنهادات را در 5 مقاله بنویسید. یک منطقه آزمایشی را انتخاب کنید.
چک لیست
- [ ] آیا من شکاف را با توجه به سرعت حرکت برنامه ریزی کرده ام و آن را با امنیت میدان آزمایش کرده ام؟
- [ ] آیا استراتژی انتخاب را بر اساس ساختار سفارش خود مقایسه کرده ام؟
- [ ] آیا طرح موج را با توجه به زمان حرکت بار تنظیم کرده ام؟
- [ ] آیا من پیش نویس شیفت را از طریق مجوز، قانون و عدالت فیلتر کرده ام؟
- [ ] آیا من تغییر را در ناحیه خلبان قبل از انتشار آزمایش کردم؟