基于ABC分类与关联规则的仓储货位优化设计及R语言实现

（南京林业大学 汽车与交通工程学院，江苏 南京 210037）

1 引言

仓储是物流中至关重要的环节，货位规划是仓储管理建立良好保管秩序的核心内容。货位规划主要包括货位储存方式与货位分配原则的确定、货位指派方式的确定，其基础工作包括货位编码和货位编号，并需要经常进行货位优化。货位优化是指基于SKU（存储单位）和计划为因素在货物当前位置的基础上，为了确保货位分布常常处在比较合理的状况，对货位进行重新分配，使得拣货效率提高和仓库运营成本降低。

国内外学者在物流仓储管理和货位优化方面进行了大量研究。2011年，陕西科技大学栾飞使用匈牙利算法对建立的优化模型进行求解，并利用Petri网进行了实例仿真[1]。2013年，华东政法大学黄丹华等基于COI分类存放原则，提出了一种混合粒子群算法来解决仓库货位优化分配问题，将粒子群算法同蜂群算法混合，优化COI值来达到优化货位的效果[2]。2014年，Yi-Fei Chuang采用了网站统计和关联规则挖掘的Apriori算法制定一个分区的临界和存储分配策略[3-4]。2015年沈阳工业大学张义华以基于Fishbone布局的某立体仓库为研究对象，利用大数据挖掘技术对货物入库作业的货位分配优化问题进行了研究，主要的目的是提高仓库的工作效率[5]。2016年辽宁科技大学宋菊平提出了基于关联规则的货位分配概念模型，采用MATLAB软件对数学模型进行分析和验证，仿真模拟10个货品25个货位的分配方案,得到现实正确的方案[6]。2016年，东南大学赵士博采用了关联规则挖掘的方法，对历史订单进行大数据挖掘分析。针对不一样的情景设计出不一样的分配方法，提出了货位分配的整体优化方法[7-8]。

据了解目前并没有研究将关联分析与货位分配具象化，即基于关联规则的货位优化如何实现。同时在以往的研究中，关联分析后，关联规则只存在于两个货品之间，而关联通常存在于多个货品之间，即一个货品可能与几个其他货品关联紧密，这种存储的方式则不能实现对关联规则的深入实现。ABC分类是将繁多的商品品类进行分类，不同的品类对资金占用和库存周转的影响存在较大差异，仓储管理最常见的方法就是ABC分类法。关联规则是揭示数据内在结构特征的重要手段，目的就是基于已有数据，找到事物间的关联关系，为优化仓储货位提供依据。本文将首先对数据进行ABC分类，然后对ABC分类的结果进行关联规则分析，得出优化结果。

2 基于ABC分类与关联规则的仓储货位方法

2.1 ABC分类法的基本原则

ABC分类法又称为重点管理法、20-80分析法则。该方法是根据巴雷特法或曲线所揭示的“关键的少数和次要的多数”的规律应用于管理中[9]。对A类商品进行重点管理，对B类商品进行次重点管理，对C类商品进行一般管理。上述三类物料在库存控制和管理中有不同的重要程度[10]。ABC三类商品的特征见表1。

表1 ABC分类特征

2.2 关联规则

关联规则（Association Rule）是在数据库和数据挖掘领域中广泛研究的一种重要模型，目的是找出数据集中的频繁模式，即多次重复出现的模式和并发关系[13]。在众多的关联规则数据挖掘算法中，最著名的就是Apriori算法，是反映关联规则潜在效用的选择标准来应对大数量规则的问题[14]。关联规则发现的主要任务在于挖掘出满足阀值条件的强关联规则。Apriori算法建立关联规则主要可分为五个步骤，如图1所示。

图1 关联规则步骤

3 基于ABC分类与Apriori算法实证与R语言算法实现

3.1 仓库实例

某物流公司成立于2001年，是较有规模的第三方物流企业，自动化立体仓库的产品在入库时，库位的选择仍是固定货位，缺乏灵活性，货位的利用率较低。出库拣货期间，难以准确定位货物存放储位。出货效率低，频繁往返货位与出货区。某物流公司的货位设置方法按品牌的不一随机储存，如图2所示。

图2 货位分布图

3.2 以ABC规则进行分类

以仓储作业出库数据集（2017年1月份）为例,表中货物类目数量有204个，而发货行为共有53 281次。每一个发货单对应一个或者多个货物类目。首先对已有的数据进行ABC管理，需经过下列步骤：

Step1:统计每种商品的金额和数量；

Step2:按照库存金额由大到小排列；

Step3:计算每种商品的库存累计金额和累计金额的占比；

Step4:进行分类。

最终分类结果A类共有12件，占总数量的5.88%；B类共有38件，占总数量的18.63%；C类共有154件，占中数量的75.49%。

3.3 关联规则分析

选择使用关联规则算法中的Aoriori算法进行关联规则分析，为了方便计算，首先将数据进行编号。事实表中，一行是一个事务的完整描述；一列为一个具体项目，取1代表该出货单有此商品，0代表没有此商品。id代表出货单号。

首先对A类商品进行关联规则，B,C类商品采用相同的方法进行分析。

Step1:数据读取。

Step2:建立事物数据集对象

总共有33 212条交易记录transaction，12个商品item。density=0.111表示在稀疏矩阵中1的百分比。最频繁出现的商品item，以及其出现的次数。可以计算出最大支持度。basketSize表示每个transaction包含item的数目，是row level。而ItemFrequency是item的支持度，是column level。a2玉兰油多效修护霜出现的次数最多，a1吉列锋隐致护刀架(1刀头)刀片(2刀头)星战版出现的次数最少。

R语言源文件如下：

Step3:可视化商品的支持度。

将各商品的支持度按从小到大排序如图3所示，详细代码如下：

图3 A类支持度排序

Step4:搜索频繁项集，生成有效的简单关联规则

指定最小支持度和最小置信度阈值分别为0.05和0.8，此时模型生成了22条规则。具体代码如下：

Step5:筛选关联规则

除去22条规则中的一项集保留其他项集，具体代码见如下：

筛选结果如下：

3.4 数据可视化

对筛选出的2项集以上结果进行可视化，具体代码如下：

结果如图4所示。

图4 A类商品可视化结果

图4中A类商品可视化结果中小圈表示支持度为0.05，大圈表示支持度为0.081，可见，购买a7（玉兰油新生塑颜金纯面霜50g）同时购买a5(玉兰油新生塑颜金纯活能水150ml)的支持度最大，其次是a2(玉兰油多效修护霜)和a3(玉兰油多效修护醒肤水150ml爽肤化妆水)。

4 优化对策

4.1 A类储存方案

根据ABC分类结果，将结果分为A、B、C三类，分开存放。然后将货物进行关联规则，根据关联规则的结果，商品a2(玉兰油多效修护霜)和a3(玉兰油多效修护醒肤水150ml爽肤化妆水)、a6(玉兰油新生塑颜金纯弹力眼霜15ml)和a8(玉兰油新生塑颜金纯修护精华乳50ml)、a5(玉兰油新生塑颜金纯活能水150ml)和a8(玉兰油新生塑颜金纯修护精华乳50ml)、a7(玉兰油新生塑颜金纯面霜50g)和a8(玉兰油新生塑颜金纯修护精华乳50ml)、a5(玉兰油新生塑颜金纯活能水150ml)和a6(玉兰油新生塑颜金纯弹力眼霜15ml)、a6(玉兰油新生塑颜金纯弹力眼霜15ml)和a7(玉兰油新生塑颜金纯面霜50g)、a5(玉兰油新生塑颜金纯活能水150ml)和a7(玉兰油新生塑颜金纯面霜50g)相邻储存。

4.2 B类储存方案

b1(欧乐-B EB50-3多角度清洁型刷头三支装)和b35(欧乐B牙龈专护牙膏(对抗红肿出血)40g7支)、b21(玉兰油多效修护洁面乳100g)和b34(玉兰油多效修护精粹乳清爽型50ml)、b27(玉兰油轻透倍护隔离防晒液40ml)和b28(玉兰油水感透皙光塑水凝乳75ml）、b29(玉兰油水感透皙莹肌亮肤液150ml)和b31(玉兰油水感透白亮肤凝乳75ml)、b5(欧乐B EB10-4K儿童电动牙刷替换刷头四支装(冰雪奇缘))和b35(欧乐B牙龈专护牙膏(对抗红肿出血)40g7支)、b15(玉兰油正品乳液嫩白透亮洁面乳100g)和b20(玉兰油滋润霜50g)、b15(玉兰油正品乳液嫩白透亮洁面乳100g)和b21(玉兰油多效修护洁面乳100g)相邻储存。

4.3 C类储存方案

c39(吉列锋隐致顺5层刀片动力剃须刀片男士刮胡刀片4刀头)和c144(103吉列锋隐致顺动力刀架含1刀架1刀头)、c132(欧乐B牙龈专护牙膏夜间密集护理40g5支)和c133(90g佳洁士儿童牙膏水果味)、c132(欧乐B牙龈专护牙膏夜间密集护理40g5支)和c140(欧乐-B D12013清亮型电动牙刷)、c37(吉列致顺剃须啫喱195g)和c54(吉列锋隐致护男士剃须刀刀架手动刮胡刀含1刀架1刀头)、c97(玉兰油水漾动力盈润保湿露150ml)和c98(正品玉兰油水漾动力保湿洁面乳125g)、c96(玉兰油水漾动力深润保湿乳霜50g)和c97(玉兰油水漾动力盈润保湿露150ml)、c96(玉兰油水漾动力深润保湿乳霜50g)和c98(正品玉兰油水漾动力保湿洁面乳125g)、c64(玉兰油爽肤水深层保湿美白营养水150ml)和c68(玉兰油保湿乳液水润滋养滋润露75ml)、c22(玉兰油水养防晒美白霜50g)和c154(欧乐B50m微蜡牙线)、c132(欧乐B牙龈专护牙膏夜间密集护理40g5支)和c154(欧乐B50m微蜡牙线)、c22(玉兰油水养防晒美白霜50g)和c132(欧乐B牙龈专护牙膏夜间密集护理40g5支)、c28(吉列剃须泡清新柠檬型男士剃须膏刮胡泡沫50g)和c151(吉列剃须啫喱温和型迷你装)、c68(玉兰油保湿乳液水润滋养滋润露75ml)和c77(玉兰油清新净透爽肤水150ml)相邻存储，最后得出布局图如图5所示。

5 结论

本文是在对某第三方物流企业实际数据的基础上，针对该仓库货位优化方面现存的产品入库时，缺乏灵活性，货位的利用率较低等问题，提出的一种基于ABC分类的关联规则算法。在将产品ABC分类后进行关联规则，挖掘出产品间的关联性，从而提高整体仓库的作业效率和仓位的利用率。

图5 储位布置图

使用ABC分类法投入少，见效快，效率改善程度高，便于管理，提高货位利用率，而通过关联分析分析出货物间的规律，发现连带货物，为制定合理的方便选取的货位优化方案提供了依据。两者结合，在保证了成本的情况下为货位优化提供了方案。