નફો:
- વેરહાઉસ લેઆઉટ, પિકીંગ રૂટ્સ, સ્લોટિંગ અને વર્કફોર્સ પ્લાનિંગની વિભાવનાઓને સમજવાની ક્ષમતા અને કાર્યક્ષમતા દૃશ્યો બનાવવા માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની ક્ષમતા
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે ઓર્ડર ડેન્સિટી અને પ્રોડક્ટ મૂવમેન્ટ સ્પીડ અનુસાર લેઆઉટ અને વેવ પ્લાનિંગ તૈયાર કરવાની ક્ષમતા
- એ સમજવાની ક્ષમતા કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ ભલામણો ક્ષેત્ર સલામતી, અર્ગનોમિક્સ અને વાસ્તવિક વેરહાઉસ અવરોધોના સંદર્ભમાં ઓપરેશન મેનેજરની ચકાસણી પર આધાર રાખે છે.
જ્યારે તમે વેરહાઉસમાં પ્રવેશો છો ત્યારે તમે જે છાજલીઓ, ફોર્કલિફ્ટ્સ અને ચાલતા કર્મચારીઓ જુઓ છો તે ખરેખર સમયનું વિશાળ સમીકરણ છે. વેરહાઉસની કાર્યક્ષમતા; તે માલ ક્યાં મૂકવામાં આવે છે, ઓર્ડર કેવી રીતે લેવામાં આવે છે અને યોગ્ય સમયે કામ કરતા લોકોની યોગ્ય સંખ્યા પર આધાર રાખે છે. વેરહાઉસ કામગીરી (વેરહાઉસ કામગીરી - માલની સ્વીકૃતિ, પ્લેસમેન્ટ, સંગ્રહ, પેકેજીંગ અને શિપમેન્ટનું સંચાલન) એ સપ્લાય ચેઇનની સૌથી વધુ શ્રમ-સઘન અને સૌથી "ખોવાયેલી સેકન્ડ" કડી છે. એકલા ચૂંટવાની પ્રક્રિયા વેરહાઉસના અડધાથી વધુ કર્મચારીઓનો ઉપયોગ કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ અહીં એક શક્તિશાળી વિશ્લેષક છે: તે ગણતરી કરે છે કે કયું ઉત્પાદન ક્યાં મૂકવું જોઈએ, ઓર્ડર કેવી રીતે જૂથબદ્ધ કરવામાં આવશે, કયા સમયે કેટલા લોકોની જરૂર છે, અને દૃશ્યો ઉત્પન્ન કરે છે. પરંતુ AI દ્વારા દોરવામાં આવેલા દરેક પ્લેસમેન્ટ અને રૂટને ક્ષેત્રની સલામતી, અર્ગનોમિક્સ અને ભૌતિક વાસ્તવિકતાઓ સાથે પરીક્ષણ કર્યા વિના અમલમાં મૂકવામાં આવતું નથી; અંતિમ કહેવું ઓપરેશન મેનેજરનું છે.
વેરહાઉસ કાર્યક્ષમતાની ભાષા
ચાલો થોડા ખ્યાલો સ્પષ્ટ કરીએ. સ્લોટિંગ: વેરહાઉસના કયા ડબ્બામાં કઈ પ્રોડક્ટ મૂકવામાં આવશે તેનું આયોજન. પિકીંગ રૂટ: પીકર ઓછામાં ઓછા ચાલવાની સાથે ક્રમમાં ઉત્પાદનો એકત્રિત કરવા માટે જે માર્ગને અનુસરે છે. તરંગોનું આયોજન: એક પછી એકને બદલે જૂથોમાં (તરંગો) એકત્રિત કરવાના ઓર્ડરનું આયોજન કરવું. વેગ: કેટલી વાર ઉત્પાદન લેવામાં આવે છે; ઝડપી ગતિશીલ ઉત્પાદનોને "એ મૂવિંગ" કહેવામાં આવે છે. મુસાફરીનું અંતર: પીકર ઓર્ડર પૂરો કરવા માટે જે કુલ અંતર પ્રવાસ કરે છે - વેરહાઉસ કાર્યક્ષમતાનો સૌથી મોટો દુશ્મન.
મૂળ સિદ્ધાંત સરળ છે: ઝડપી-મૂવિંગ પ્રોડક્ટ મૂકો જ્યાં પીકર સૌથી વધુ સરળતાથી પહોંચી શકે. જો સૌથી વધુ વેચાતી પ્રોડક્ટ વેરહાઉસના તળિયે ખૂણે હોય, તો દરેક ઓર્ડરનો અર્થ થાય છે વધારાનું ચાલવું. વેચાણ ડેટાનો ઉપયોગ કરીને, AI બતાવે છે કે કયું ઉત્પાદન "ગરમ" છે અને તેને આદર્શ રીતે ક્યાં મૂકવું જોઈએ. આ, "ગોલ્ડન ઝોન" તર્ક સાથે જોડાયેલું - કમરથી આંખ સુધીના શેલ્ફની ઊંચાઈ, જ્યાં તમે વાળ્યા વિના પહોંચી શકો છો, બંને ઝડપ વધારે છે અને કર્મચારીની પીઠનું રક્ષણ કરે છે.
ટિપ: ધારો નહીં કે સ્લોટિંગ નિશ્ચિત છે. ઉત્પાદનોની હિલચાલની ગતિ સિઝન અને ઝુંબેશ અનુસાર બદલાય છે. ઉનાળુ પાકને ઉનાળામાં સોનેરી વિસ્તારમાં અને શિયાળામાં પાછળની તરફ લઈ જાઓ. AI સમયાંતરે "કયા ઉત્પાદનો બદલવા જોઈએ" ની સૂચિ બનાવી શકે છે; તમે આને ક્ષેત્રની મર્યાદાઓ સાથે લાગુ કરો છો.
સંગ્રહ અને તરંગ આયોજન
જો પીકર એક જ ઓર્ડર માટે આખા વેરહાઉસમાંથી પસાર થાય તો તે ઘણો સમય બગાડે છે. તેના બદલે, બેચ પિકીંગ કરવામાં આવે છે: બહુવિધ ઓર્ડરમાંથી સમાન ઉત્પાદનો એક રાઉન્ડમાં લેવામાં આવે છે. ઝોન ચૂંટવું: દરેક પીકર ચોક્કસ પ્રદેશ માટે જવાબદાર છે, ઓર્ડર પ્રદેશો વચ્ચે ટ્રાન્સફર થાય છે. કઈ પદ્ધતિ યોગ્ય છે તે ઓર્ડર સ્ટ્રક્ચર પર આધાર રાખે છે - ઘણી વસ્તુઓ સાથે થોડા ઓર્ડર અથવા થોડી વસ્તુઓ સાથે ઘણા ઓર્ડર? AI ઐતિહાસિક ઓર્ડર ડેટાનું વિશ્લેષણ કરે છે અને દૃશ્યો બતાવે છે કે કઈ વ્યૂહરચના પસંદ કરવાથી ચાલવાનું અંતર ઓછું થશે.
વેવ પ્લાનિંગ એ સમયની બાબત છે: શું સવારે મળેલા ઓર્ડર તરત જ એકત્રિત કરવા જોઈએ, અથવા એક જ તરંગમાં બપોર સુધી એકઠા કરવા જોઈએ? વહેલું ચૂંટવું ઝડપી શિપિંગ સુનિશ્ચિત કરે છે પરંતુ જૂથ ઑપ્ટિમાઇઝેશન ચૂકી જાય છે; સંચય કાર્યક્ષમ છે પરંતુ વિલંબનું જોખમ વહન કરે છે. AI એક બ્લુપ્રિન્ટ બનાવી શકે છે જે કાર્ગો પ્રસ્થાનના સમયના આધારે આ સંતુલનને શ્રેષ્ઠ બનાવે છે.
કર્મચારીઓનું આયોજન
વેરહાઉસમાં સૌથી મોંઘા સંસાધન લોકો છે અને સમગ્ર દિવસ દરમિયાન માંગમાં વધઘટ થાય છે. સવારે માલની સ્વીકૃતિ, બપોરે શિપમેન્ટ તીવ્ર બને છે; સોમવાર અને શુક્રવાર અલગ છે. જો તમે ઘણા બધા લોકોને બોલાવો છો, તો તમે નિષ્ક્રિય રાહ જોતા કામદારને ચૂકવણી કરો છો; જો તમે ઓછો ફોન કરશો, તો ઓર્ડરમાં વિલંબ થશે. AI ઐતિહાસિક ઓર્ડર વોલ્યુમનું વિશ્લેષણ કરી શકે છે અને એક શિફ્ટ રૂપરેખા બનાવી શકે છે જે આગાહી કરે છે કે કયા દિવસે અને સમયે કેટલા લોકોની જરૂર છે. પરંતુ આ એક સૂચન છે: રજાના અધિકારો, કાયદાકીય કામના કલાકો, કર્મચારીઓની કુશળતા અને યોગ્ય શિફ્ટ ફાળવણી માનવ મેનેજરની જવાબદારી છે.
સાવચેત રહો: શિફ્ટ શેડ્યૂલ કે જેને AI "સૌથી વધુ ઉત્પાદક" કહે છે તે કામદારને સતત મુશ્કેલ કામ પર અથવા સૌથી ખરાબ સમયે મૂકી શકે છે. કાર્યક્ષમતા એ એકમાત્ર માપદંડ નથી; વ્યવસાયિક આરોગ્ય, ન્યાય અને કાનૂની અધિકારો હંમેશા પ્રાથમિકતા છે. AI પ્લાન પ્રારંભિક ડ્રાફ્ટ છે, તે માનવ ફિલ્ટરમાંથી પસાર થાય છે.
ત્રણ નાના કેસો
કેસ 1 — સ્લોટિંગ દ્વારા મેળવેલ અંતર. એક ઈ-કોમર્સ વેરહાઉસમાં, પીકર્સ દરરોજ સરેરાશ 12 કિમી ચાલતા હતા. AI એ છેલ્લા 6 મહિનાના અનામી ઓર્ડર ડેટાનું વિશ્લેષણ કર્યું અને 200 સૌથી વધુ એકત્રિત ઉત્પાદનોની ઓળખ કરી; તેમાંથી અડધા વેરહાઉસના દૂરના વિસ્તારોમાં હતા. નવી સ્લોટિંગ યોજનામાં, આ ઉત્પાદનોને પ્રવેશદ્વારની નજીક અને ગોલ્ડ ઝોનમાં મૂકવામાં આવ્યા હતા. અમલીકરણ પહેલાં, ઑપરેશન મેનેજરે સાઇટની સલામતી માટે દરેક સૂચન તપાસ્યું (ભારે વસ્તુઓ નીચે શેલ્ફ પર રહી). પરિણામ: સરેરાશ ચાલવાનું અંતર 31% ઘટ્યું, દૈનિક સંગ્રહ ક્ષમતા વધી.
કેસ 2 - વેવ પ્લાનિંગ દ્વારા કાર્ગો કેપ્ચર. એક ડિસ્ટ્રિબ્યુશન વેરહાઉસ સતત તેની સાંજના કાર્ગો એક્ઝિટ ગુમ કરતું હતું. AI એ ઓર્ડર ફ્લો અને શિપિંગ કલાકોનું વિશ્લેષણ કર્યું અને બે-તરંગ શેડ્યૂલ સૂચવ્યું: 11:00 અને 15:00 સેગમેન્ટ્સ. આ સુનિશ્ચિત કરે છે કે મોડેથી પહોંચેલા ઓર્ડર પણ છેલ્લું શિપમેન્ટ પકડે છે. પ્રભારી વ્યક્તિએ એક અઠવાડિયા માટે પ્લાનની ચકાસણી કરી અને તેમાં ફેરફાર કર્યો. સમયસર શિપમેન્ટ દર 82% થી વધીને 96% થયો.
કેસ 3 - કાર્યક્ષમતા માટે સુરક્ષા બલિદાન આપતું નથી. એક વિશ્લેષક AI-સૂચવેલ સંગ્રહ માર્ગને જેમ છે તેમ અમલમાં મૂકવા માગે છે. જો કે, માર્ગે રાહદારીઓને ભારે ફોર્કલિફ્ટ ટ્રાફિકવાળા કોરિડોર દ્વારા વિરુદ્ધ દિશામાં ક્રોસ કરવાની જરૂર હતી. ઓપરેશન મેનેજરે ઇનકાર કર્યો: થોડી સેકંડ બચાવવા એ અકસ્માતના જોખમને યોગ્ય ન હતું. સલામત કોરિડોર અવરોધ ઉમેરવા સાથે માર્ગનું પુનઃઉત્પાદન કરવામાં આવ્યું હતું. ફિલ્ડ રિયાલિટીએ ગાણિતિક ઈષ્ટતમતાને વખોડી નાખી.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) સ્લોટિંગ સૂચન:
તમારી ભૂમિકા: સહાયક વેરહાઉસ ઓપરેશન્સ એનાલિસ્ટ. નીચે અનામી ઉત્પાદન કોડ, છેલ્લા 6 મહિનાની સંગ્રહ આવર્તન અને ઉત્પાદન વજન વર્ગ (હળવા/મધ્યમ/ભારે) છે. કાર્ય: (1) સૌથી ઝડપથી ફરતા ઉત્પાદનોને ઓળખો, (2) તેમને પ્રવેશદ્વારની નજીક અને ગોલ્ડન ઝોનમાં મૂકવા માટે સૂચનો આપો, (3) ભારે ઉત્પાદનો નીચે શેલ્ફ પર રહે તે અવરોધનું અવલોકન કરો. જણાવો કે મારી પાસે ક્ષેત્રની મંજૂરી છે.
2) સંગ્રહ વ્યૂહરચના સરખામણી:
નીચે અમારું લાક્ષણિક ઓર્ડર માળખું છે (સરેરાશ આઇટમ/ઓર્ડર, દિવસ દીઠ ઓર્ડરની સંખ્યા, પુનરાવર્તિત આઇટમ દર). વૉકિંગ ડિસ્ટન્સ અને સ્પીડના સંદર્ભમાં સિંગલ કલેક્શન, માસ કલેક્શન અને ઝોન કલેક્શન વિકલ્પોની સરખામણી કરો. દરેકના ગુણદોષ લખો; અંતિમ નિર્ણય લીધા વિના વિકલ્પો રજૂ કરો.
3) વેવ પ્લાન ડ્રાફ્ટ:
અમારા કાર્ગો પ્રસ્થાન કલાકો: [કલાક]. કલાક દ્વારા દૈનિક ઓર્ડરનો પ્રવાહ નીચે મુજબ છે: [ડેટા]. 2-3 વેવ પ્લાન સૂચવો જે કાર્ગો ચૂકી ગયા વિના આ ઓર્ડરને અસરકારક રીતે એકત્રિત કરશે. દરેક તરંગ માટે કટ-ઓફ સમય અને વાજબીપણું આપો. વિલંબનું જોખમ પણ જણાવો.
4) શિફ્ટ જરૂરિયાત અંદાજ:
નીચે છેલ્લા 8 અઠવાડિયા માટે દિવસ અને કલાક દ્વારા ઓર્ડર વોલ્યુમ છે. દરેક દિવસ માટે અંદાજિત શ્રમ જરૂરિયાત (વ્યક્તિ-કલાકો) બાદ કરો. ધારો કે આ એક ડ્રાફ્ટ છે, અને રજાના અધિકારો, કાનૂની કામનો સમય અને યોગ્ય વિતરણ મારી જવાબદારી છે.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
મારા વેરહાઉસને વધુ કાર્યક્ષમ બનાવો.
કયો મેટ્રિક, કયો ડેટા, કયો અવરોધ અસ્પષ્ટ છે. AI સામાન્ય સલાહની યાદી આપે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: વેરહાઉસ ઓપરેશન્સ એનાલિસ્ટ. 3,000 m2 વેરહાઉસ, દરરોજ 800 ઓર્ડર, સરેરાશ 4 વસ્તુઓ. મારો ધ્યેય કલેક્ટર વૉકિંગ અંતર ઘટાડવાનો છે. મારી પાસે 6 મહિનાનો અનામી પિકિંગ ફ્રીક્વન્સી ડેટા છે. મને સ્લોટિંગ સલાહ અને પસંદ વ્યૂહરચના સરખામણી આપો; ભારે ઉત્પાદન નીચે શેલ્ફ અને સલામત પાંખ પ્રતિબંધો અવલોકન. મારી પાસે ક્ષેત્રની મંજૂરી છે.
અભિગમ
ચાલવાનું અંતર
ઝડપ
સુરક્ષા/ન્યાય જોખમ
સ્થિર, બિન-સમીક્ષા સ્લોટિંગ
ઉચ્ચ
નીચું
કોઈ નહિ
ડેટા-આધારિત સ્લોટિંગ + ફીલ્ડ મંજૂરી
નીચું
ઉચ્ચ
કોઈ નહિ
ક્વેરી વગર AI રૂટ લાગુ કરો
નીચું
ઉચ્ચ
ઉચ્ચ
શુદ્ધ અંતર્જ્ઞાન દ્વારા પાળી
ચલ
ચલ
મધ્યમ
સામાન્ય ભૂલો
- ફ્રીઝિંગ સ્લોટિંગ. ચળવળની ઝડપ બદલાય છે; જો મોસમી સમીક્ષા કરવામાં નહીં આવે, તો ઝડપી ઉત્પાદન તળિયે રહેશે.
- કાર્યક્ષમતા માટે સલામતી બલિદાન. લાભની થોડીક સેકન્ડ માટે જોખમી માર્ગ અપનાવવાથી કાર્ય અકસ્માતને આમંત્રણ મળે છે.
- અર્ગનોમિક્સ છોડવું. આંખના સ્તરે ભારે વસ્તુઓ મૂકવાથી અને વારંવાર ચૂંટાયેલી વસ્તુઓને ફ્લોર પર રાખવાથી કર્મચારીને થાક લાગે છે.
- શિફ્ટ પ્લાનમાં માનવીય પરિમાણ ભૂલી જવું. જો સૌથી કાર્યક્ષમ યોજના, પરવાનગી અને વાજબીપણું જોવામાં ન આવે, તો તે કાનૂની અને નૈતિક સમસ્યાઓ ઊભી કરશે.
- એક સંગ્રહ વ્યૂહરચના પર વળગી રહેવું. જ્યારે ઓર્ડર માળખું બદલાય છે, જૂની વ્યૂહરચના બિનકાર્યક્ષમ બની જાય છે; સમયાંતરે સરખામણી કરો.
ટીપ: પહેલા નાના વિસ્તારમાં દરેક સ્લોટિંગ અથવા રૂટ ફેરફારને પાઇલોટ કરો, એક અઠવાડિયા માટે માપો, પછી રોલ આઉટ કરો. જ્યારે AI દૃશ્ય સિદ્ધાંતમાં સારું લાગે છે, વાસ્તવિક ક્ષેત્ર વર્તન આશ્ચર્ય ધરાવે છે; પાઈલટ તેમને વહેલા પકડી લે છે.
સારાંશમાં
વેરહાઉસ કાર્યક્ષમતા એ સમયનું સમીકરણ છે અને સૌથી મોટી વસ્તુ પીકર ચાલવાનું અંતર છે. વેચાણ અને ઓર્ડર ડેટાનો ઉપયોગ કરીને, AI સ્લોટિંગ, પસંદ કરવાની વ્યૂહરચના, વેવ પ્લાન અને શિફ્ટ જરૂરિયાતો માટે શક્તિશાળી બ્લુપ્રિન્ટ્સ બનાવે છે. પરંતુ દરેક સૂચનને ક્ષેત્ર સલામતી, અર્ગનોમિક્સ, કાનૂની અધિકારો અને ભૌતિક પ્રતિબંધો સાથે પરીક્ષણ કર્યા વિના અમલમાં મૂકી શકાતું નથી. કાર્યક્ષમતા એ એકમાત્ર માપદંડ નથી; વ્યવસાયિક સ્વાસ્થ્ય અને ન્યાય હંમેશા પ્રાથમિકતા છે. પાઇલોટ ફેરફારો પરીક્ષણ; અંતિમ કહેવું ઓપરેશન મેનેજરનું છે.
એપ્લિકેશન કાર્ય
તમારા પોતાના (અથવા કાલ્પનિક) વેરહાઉસમાંથી ટોચની 20 સૌથી વધુ પસંદ કરેલી વસ્તુઓની સૂચિ બનાવો અને વેરહાઉસનું રફ લેઆઉટ બનાવો. AI ને "સ્લોટિંગ સૂચન" ટેમ્પલેટ સાથે લેઆઉટ માટે પૂછો. સલામતી અને અર્ગનોમિક્સ (ભારે ઉત્પાદન, જોખમી પાંખ) માટે દરેક ભલામણોને મેન્યુઅલી ચિહ્નિત કરો. 5 લેખોમાં તમે જે સૂચનો સ્વીકારો છો અને નકારો છો તે કારણો લખો; પાયલોટ વિસ્તાર પસંદ કરો.
ચેકલિસ્ટ
- [ ] શું મેં હિલચાલની ગતિ અનુસાર સ્લોટિંગનું આયોજન કર્યું છે અને ક્ષેત્ર સુરક્ષા સાથે તેનું પરીક્ષણ કર્યું છે?
- [ ] શું મેં મારા ઓર્ડર સ્ટ્રક્ચરના આધારે પસંદ કરવાની વ્યૂહરચનાની સરખામણી કરી છે?
- [ ] શું મેં કાર્ગો પ્રસ્થાનના સમય અનુસાર વેવ પ્લાન સેટ કર્યો છે?
- [ ] શું મેં પરવાનગી, કાયદો અને ન્યાય દ્વારા શિફ્ટ ડ્રાફ્ટને ફિલ્ટર કર્યો છે?
- [ ] શું મેં રીલીઝ પહેલા પાઇલટ એરિયામાં ફેરફારનું પરીક્ષણ કર્યું હતું?