面向供应链挖掘“商品关系链”价值——“大数据与智慧物流”连载之二

李 嘉/文

面向供应链挖掘“商品关系链”价值
——“大数据与智慧物流”连载之二

李 嘉/文

中国有句俗语：人以群分，物以类聚。这句话蕴含朴素的大数据思维。本文以笔者亲自主导的一个仓储商品布局优化案例为切入点，深入探讨这种思想在电商供应链领域的价值。

一、物以“类”聚

评价电商仓储能力的核心KPI之一是在售SKU（Stock Keeping Unit）总量。不同种类的SKU，在码放标准、安保要求、生产流程、打包方式、温度控制等方方面面存在巨大差异。简单来说，在售SKU总量越多，电商的供应链能力越强。现行模式下一个SKU对应一个销售种类（例如32G Iphone7 金色手机，即为一个标准SKU）；相应地，一个SKU默认为仓配体系中的一个最小作业单元（比如最小上架单位、最少补货单位、最少拣货单位等）。然而细思起来，这种模式存在一个巨大的“意识断层”，即：引入一个SKU的动作在采购端完成，其核心动机是根据市场需求拓展供给商品，根本目在于提升GMV；而仓配体系遵循的铁律是用最低的成本把商品送达用户，根本目标在于降低成本。两者分处销售与运营两端，目标不同，本质上没有任何理由支持“每一个销售基本单元必须 ＝ 每一个运营最小作业单元” 这个等式的成立。

在跨越 “意识断层”方面，JD运营已经开始了探索。以2016年7月在华南某10万平方米仓储中心进行的科学仓储布局项目为例，见图1。布局前后效果见图2。

从图1看出，项目引入SKU簇作为库内的最小作业单元，同簇SKU在整个库房生命周期内，会被同时执行上架、补货、移库等操作，不可拆分。经实地测算，重布局后，减少拣货时无效移动59%。无效移动案例如下：

a.Case平库：拣货员穿越了一个巷道，但未拣选任何商品，记录为一次无效移动。

b.Case“货到人”库：一个移动货架有100件商品，类kiva机器人搬运一次后，拣货员拣选了其中1件。此情况中，其余99件商品分别记录一次无效移动。

具体实施步骤如下：

1. 利用大数据预测工具计算每2个SKU被同单购买的概率；将此概率作为个体距离，应用聚类算法，在SKU总量基础上生成若干SKU初始簇；

2. 根据簇内每一SKU的支持度，计算其在簇内的件数配比；

3. 根据待布局储区容积，寻找全局最优的簇实例组合。最优目标为：拣货时无效移动次数最少;

4. 根据待上架目标介质的实际容量，以及簇内配比，对初始簇进行裁剪（目标介质指以下中的一种：可移动货架、平库巷道、shuttle货格等）。一个初始簇会被切分为若干个簇实例。一个簇实例是一个具体到件数的存储/作业单元;

5. 按切分好的簇实例及其分布完成上架。簇实例示意图见图3。

该项目在算法实现层面存在以下难点，供读者应用时参考：

图1：某库房商品布局演进

图2：某库房商品布局前后效果图

1. 预测SKU合买概率难度较大，历史订单数据受季节因素、赠品绑定、促销等因素影响明显；

图3：簇实例示意图

图4：融合热销品近产线模型

图5：某热销品近产线效果的计算方法

图6：思维导图

2. 不同类型储区对簇实例裁剪要求各异，需兼顾以下维度思考:

（1）簇实例之间应保有关联度

（2）避免热销簇过度集中，导致局部拥堵

（3）避免簇实例的商品量过大，导致占用目标介质过多

（4）避免簇实例的商品量过小，导致拣货时SKU易被击穿

3. 如欲兼容热销品近产线模型，会引发计算复杂度指数级攀升，见图4。热销品近产线效果的计算方法见图5。

（1）按商品合买概率划分SKU簇

（2）以巷道为目标介质，生成簇实例，上架商品

（3）将销量最高的巷道移到黄金位置

（4）围绕01巷道，按簇间合买概率布局02、03巷道

（5）按销量排序后，03巷道中商品销量更高，交换02、03巷道中簇实例

（6）以02巷道为中心，迭代4-5步骤，直至整个储区规划完毕

JD运营从表象上看打破了按SKU管理库房的传统，实际上是还原了Stock Keeping Unit的本来含义。本文所述SKU簇，提供了定义仓配体系更高效的最小作业单元的新思路，其广泛应用将大幅削减管理复杂性，更贴近运营目标。运营中的最小作业单元不应仅是基本销售单元的影子。

二、 人以“群”分

每一件售出商品背后至少有三个人：生产商、销售商、用户。前文就类聚后的商品，在电商运营端的价值进行初步讨论，并未展开对商品背后人群的精准分析。未尽之言以一张思维导图作为概述，以求启迪读者更多思考。见图6。

作者为京东商城运营研发部大数据研发部负责人