רווחים:
- יכולת להבין את המושגים של פריסת מחסן, איסוף מסלולים, תכנון חריצים וכוח עבודה ולהשתמש בבינה מלאכותית כדי לייצר תרחישי יעילות
- יכולת לשרטט פריסה ותכנון גלים לפי צפיפות ההזמנה ומהירות תנועת המוצר עם תמיכה בבינה מלאכותית
- יכולת להבין שהמלצות בינה מלאכותית תלויות באימות של מנהל התפעול מבחינת בטיחות בשטח, ארגונומיה ומגבלות מחסן בפועל.
המדפים, המלגזות והעובדים הרצים שאתה רואה כשאתה נכנס למחסן הם למעשה משוואת זמן ענקית. יעילות המחסן; זה תלוי איפה הסחורה ממוקמת, איך ההזמנה נאספת, ובמספר הנכון של אנשים שעובדים בזמן הנכון. תפעול המחסן (פעילות מחסן - ניהול קבלת סחורות, השמה, איסוף, אריזה ומשלוח) היא החוליה עתירת העבודה וה"שניות האבודות" ביותר בשרשרת האספקה. תהליך הליקוט לבדו צורך יותר ממחצית מכוח העבודה במחסן. הבינה המלאכותית היא אנליסט רב עוצמה כאן: היא מחשבת איזה מוצר צריך להיות ממוקם איפה, איך ההזמנות יקובצו, כמה אנשים דרושים באיזו שעה, ומייצר תרחישים. אבל לא כל מיקום ומסלול ששורטטו על ידי הבינה המלאכותית מיושמים מבלי לבדוק זאת עם הבטיחות, הארגונומיה והמציאות הפיזית של השטח; המילה האחרונה שייכת למנהל התפעול.
שפת יעילות המחסן
בואו נבהיר כמה מושגים. חריץ: תכנון איזה מוצר ימוקם באיזה תא במחסן. מסלול קטיף: המסלול שעוקב בו הקוטף כדי לאסוף את המוצרים לפי ההזמנה עם כמות ההליכה הנמוכה ביותר. תכנון גלים: ארגון הזמנות לאיסוף בקבוצות (גלים) ולא אחת אחת. מהירות: באיזו תדירות קוטפים מוצר; מוצרים בתנועה מהירה נקראים "A moving". מרחק נסיעה: המרחק הכולל שבוקט עובר כדי להשלים הזמנה - האויב הגדול ביותר של יעילות המחסן.
העיקרון הבסיסי הוא פשוט: שים מוצר בעל תנועה מהירה במקום שבו הקוטף יכול להגיע אליו בצורה הכי קלה. אם המוצר הנמכר ביותר נמצא בפינה התחתונה של המחסן, כל הזמנה פירושה הליכה נוספת. באמצעות נתוני מכירות, AI מראה איזה מוצר "חם" והיכן רצוי למקם אותו. זאת, בשילוב עם היגיון "אזור הזהב" - גובה המדף מהמותניים לעין, אליו ניתן להגיע מבלי להתכופף, גם מגביר את המהירות וגם מגן על גבו של העובד.
טיפ: אל תניח שהחריץ קבוע. מהירות התנועה של מוצרים משתנה בהתאם לעונה ולקמפיין. קחו את יבול הקיץ לאזור הזהב בקיץ ולגב בחורף. AI יכול לייצר מעת לעת רשימה של "אילו מוצרים יש להחליף"; אתה מיישם את זה עם אילוצי שדה.
איסוף ותכנון גלים
קוטף מבזבז זמן רב אם הוא עובר על כל המחסן עבור הזמנה בודדת. במקום זאת, מתבצעת איסוף אצווה: אותם מוצרים ממספר הזמנות נבחרים בסבב אחד. קטיף אזור: כל קוטף אחראי על אזור מסוים, ההזמנה מועברת בין אזורים. איזו שיטה מתאימה תלויה במבנה ההזמנה - מעט הזמנות עם פריטים רבים או הזמנות רבות עם מעט פריטים? בינה מלאכותית מנתחת נתוני סדר היסטוריים ומציגה תרחישים שאסטרטגיית איסוף תצמצם את מרחק ההליכה.
תכנון גלים הוא עניין של תזמון: האם יש לאסוף את ההזמנות המתקבלות בבוקר באופן מיידי, או שמא לצבור אותן עד הצהריים בגל בודד? איסוף מוקדם מבטיח משלוח מהיר אך מחמיץ אופטימיזציה קבוצתית; הצבירה יעילה אך טומנת בחובה סיכון של עיכוב. בינה מלאכותית יכולה לייצר תוכנית שמייעלת את האיזון הזה בהתבסס על זמני יציאת המטען.
תכנון כוח אדם
המשאב היקר ביותר במחסן הוא אנשים, והביקוש משתנה לאורך היום. קבלת סחורה בבוקר, המשלוח מתגבר אחר הצהריים; שני ושישי שונים. אם אתה מתקשר ליותר מדי אנשים, אתה משלם לעובד שמחכה בחוסר מעש; אם תתקשר פחות, הזמנות יעוכבו. בינה מלאכותית יכולה לנתח את נפח הסדר ההיסטורי ולייצר מתווה משמרת החוזה כמה אנשים דרושים באיזה יום ושעה. אבל זו הצעה: זכויות חופשה, שעות עבודה חוקיות, מיומנות העובדים וחלוקת משמרות הוגנת הן באחריות המנהל האנושי.
היזהר: לוח המשמרות שה-AI מכנה "הפרודוקטיבי ביותר" עשוי להעמיד כל הזמן את העובד בעבודה הקשה ביותר או בשעה הגרועה ביותר. יעילות אינה הקריטריון היחיד; בריאות תעסוקתית, צדק וזכויות משפטיות הם תמיד בראש סדר העדיפויות. תוכנית AI היא טיוטה ראשונית, היא עוברת דרך מסנן אנושי.
שלושה מיני תיקים
מקרה 1 - מרחק שנרכש על ידי חריץ. במחסן מסחר אלקטרוני אחד הלכו הקוטפים בממוצע 12 ק"מ ביום. בינה מלאכותית ניתחה את נתוני ההזמנות האנונימיות של 6 החודשים האחרונים וזיהתה את 200 המוצרים הנאספים ביותר; מחציתם היו באזורים מרוחקים של המחסן. בתוכנית החריצים החדשה, מוצרים אלו הוצבו בסמוך לכניסה ובאזור הזהב. לפני היישום, מנהל התפעול בדק כל הצעה לבטיחות האתר (פריטים כבדים נותרו במדף התחתון). התוצאה: מרחק הליכה ממוצע ירד ב-31%, יכולת האיסוף היומית עלתה.
מקרה 2 - לכידת מטען על ידי תכנון גלים. מחסן הפצה היה חסר כל הזמן את יציאת המטען שלו בערב. בינה מלאכותית ניתחה את זרימת ההזמנה ושעות המשלוח והציעה לוח זמנים של שני גלים: מקטעים של 11:00 ו-15:00. זה הבטיח שאפילו הזמנות שהגיעו מאוחר תפסו את המשלוח האחרון. האחראי בדק ושיקם את התוכנית במשך שבוע. שיעור משלוח בזמן עלה מ-82% ל-96%.
מקרה 3 - לא להקריב אבטחה למען יעילות. אנליסט אחד רצה ליישם את מסלול האיסוף המוצע על ידי AI כפי שהוא. עם זאת, התוואי חייב את הולכי הרגל לחצות בכיוון ההפוך דרך מסדרון עם עומסי מלגזות כבדים. מנהל המבצעים סירב: חיסכון של כמה שניות לא שווה את הסיכון לתאונה. המסלול שוחזר עם אילוץ המסדרון הבטוח נוסף. מציאות השדה גברה על האופטימום המתמטי.
ארבע תבניות הניתנות להעתקה
1) הצעת חריצים:
תפקידך: עוזר מנתח תפעול מחסנים. להלן קוד המוצר האנונימי, תדירות האיסוף של 6 החודשים האחרונים ודרגת משקל המוצר (קל/בינוני/כבד). משימה: (1) זהה את המוצרים הנעים ביותר, (2) תנו הצעות להצבתם ליד הכניסה ובאזור הזהב, (3) שימו לב לאילוץ לפיו מוצרים כבדים נשארים על המדף התחתון. ציין שיש לי אישור בשטח.
2) השוואת אסטרטגיית איסוף:
להלן מבנה ההזמנות האופייני שלנו (פריט/הזמנה ממוצע, מספר הזמנות ליום, תעריף פריט חוזר). השווה אפשרויות איסוף בודד, איסוף המוני ואיסוף אזור מבחינת מרחק הליכה ומהירות. רשום את היתרונות/חסרונות של כל אחד מהם; להציג אפשרויות מבלי לקבל החלטה סופית.
3) טיוטת תוכנית גל:
שעות יציאת המטען שלנו: [שעות]. זרימת ההזמנות היומית לפי שעה היא כדלקמן: [נתונים]. הצע תוכנית של 2-3 גלים שתאסוף את ההזמנות הללו ביעילות מבלי לפספס את המטען. תן זמן חתך והצדקה לכל גל. ציינו גם את הסיכון לעיכוב.
4) אומדן דרישת המשמרת:
להלן נפח ההזמנות לפי יום ושעה עבור 8 השבועות האחרונים. הפחת את דרישת העבודה המשוערת (שעות אדם) עבור כל יום. נניח שזו טיוטה, וזכויות חופשה, זמן עבודה חוקי וחלוקה הוגנת הם באחריותי.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
הפוך את המחסן שלי ליעיל יותר.
איזה מדד, איזה נתונים, איזה אילוץ לא ברור. AI מפרט עצות כלליות.
הנחיה עוצמתית:
תפקידך: מנתח תפעול מחסנים. 3,000 מ"ר מחסן, 800 הזמנות ביום, ממוצע 4 פריטים. המטרה שלי היא לצמצם את מרחק ההליכה של האספן. יש לי 6 חודשים של נתוני תדירות איסוף אנונימיים. תן לי עצות לבחירת אסטרטגיות והשוואת אסטרטגיות; שימו לב למדף התחתון של המוצר הכבד ולמגבלות מעבר בטוח. יש לי אישור בשטח.
גישה
מרחק הליכה
מהירות
סיכון בטחוני/צדק
שיבוץ קבוע ללא ביקורת
גבוה
נמוך
אין
חריץ מונע נתונים + אישור שטח
נמוך
גבוה
אין
החל מסלול AI ללא שאילתה
נמוך
גבוה
גבוה
תזוזה על ידי אינטואיציה טהורה
משתנה
משתנה
בינוני
טעויות נפוצות
- חריצים מקפיאים. מהירות התנועה משתנה; אם לא תתבצע סקירה עונתית, המוצר המהיר יישאר בתחתית.
- הקרבת בטיחות למען יעילות. יציאה למסלול מסוכן לכמה שניות של רווח מזמין תאונת עבודה.
- דילוג על ארגונומיה. הנחת חפצים כבדים בגובה העיניים ופריטים שנבחרו לעתים תכופות על הרצפה שוחקת את העובד.
- שוכחים את הממד האנושי בתוכנית המשמרות. אם התוכנית, ההרשאה וההגינות היעילה ביותר לא יישמרו, הדבר ייצור בעיות משפטיות ואתיות.
- היצמדות לאסטרטגיית איסוף יחידה. כאשר מבנה הסדר משתנה, האסטרטגיה הישנה הופכת ללא יעילה; השווה מדי פעם.
טיפ: תחילה נסו כל חריץ או שינוי מסלול בשטח קטן, מדדו במשך שבוע ואז גלגלו החוצה. בעוד שתרחיש הבינה המלאכותית נראה טוב בתיאוריה, התנהגות בשטח בפועל טומנת בחובה הפתעות; הטייס תופס אותם מוקדם.
לסיכום
יעילות המחסן היא משוואה של זמן ומרחק ההליכה הגדול ביותר של בורר הפריטים. באמצעות נתוני מכירות והזמנות, בינה מלאכותית מייצרת שרטוטים רבי עוצמה לחריצים, אסטרטגיית איסוף, תוכנית גלים ודרישות משמרת. אבל לא כל הצעה ניתנת ליישום מבלי לבדוק אותה עם בטיחות בשטח, ארגונומיה, זכויות משפטיות והגבלות פיזיות. יעילות אינה הקריטריון היחיד; בריאות תעסוקתית וצדק הם תמיד בראש סדר העדיפויות. מבחן טייס את השינויים; המילה האחרונה שייכת למנהל התפעול.
משימת יישום
צור רשימה של 20 הפריטים הנבחרים ביותר מהמחסן שלך (או ההיפותטי) ופריסה גסה של המחסן. בקש מה-AI פריסה עם תבנית "הצעת חריצים". סמן ידנית כל המלצה לבטיחות וארגונומיה (מוצר כבד, מעבר מסוכן). רשום את הסיבות שאתה מקבל ודחה את ההצעות ב-5 מאמרים; בחר אזור פיילוט.
רשימת בדיקה
- [ ] האם תכננתי את החריץ לפי מהירות התנועה ובדקתי אותו עם אבטחת שטח?
- [ ] האם השוויתי את אסטרטגיית האיסוף על סמך מבנה ההזמנה שלי?
- [ ] האם הגדרתי את תוכנית הגל לפי זמני יציאת המטען?
- [ ] האם סיננתי את טיוטת המשמרת באמצעות הרשאה, חוק וצדק?
- [ ] האם בדקתי את השינוי באזור הפיילוט לפני השחרור?