總結
供應鏈軟件解決方案的領先供應商Manhattan Associates於5月21日至24日在佛羅裏達州好萊塢舉行了其勢頭2018大會。在會議上，ARC谘詢集團了解到，曼哈頓對其倉庫管理係統(WMS)進行了一些有趣而重要的增強:
- 增強的解決方案使用機器學習和先進的優化技術來提高生產力，特別是電子商務訂單的執行
- 增強的解決方案簡化了自動化層次結構
用於支持倉庫生產力的各種係統
需要一些背景知識才能完全理解在會議上宣布的增強的重要性。倉庫管理係統可以讓企業準確地完成訂單，同時提高勞動生產率。勞動生產率是通過將訂單分組而提高的。波可能是所有將在上午10點通過UPS卡車發出的訂單，也可能是所有將在1號至5號商店通過卡車在6號碼頭發出的訂單。這一波又一波的工作促進了對由特定夥伴完成的訂單進行智能分組，從而減少了旅行時間。
WMS還包含接收貨物、碼頭預約、將貨物從倉庫轉移到前取地點、增值服務(如舾裝)和所有其他與倉庫相關的端到端流程的邏輯。
當倉庫擁有先進的自動化係統——傳送帶、高速分揀、自動存儲和檢索係統等等——公司通常同時實現WMS和倉庫控製係統(WCS)。WMS包含訂單執行邏輯，WCS包含MOVE邏輯。MOVE邏輯旨在管理自動化係統如何將產品從a點(例如，取貨地點)運輸到B點(可能是包裝站或裝運碼頭)。
但隨著時間的推移，隨著電子商務的發展，另一個由三個字母組成的軟件解決方案誕生了——WES(倉庫執行係統)。WES通常包括來自WCS的MOVE邏輯和一些WMS的選擇邏輯。
一些領先的WMS解決方案提供商具有批處理選擇邏輯，但缺乏優化選擇電子商務訂單的邏輯。電子商務訂單通常很小，隻有一兩件。與其將這些訂單分批處理以提高勞動效率，通常更有意義的做法是，一旦收到這些訂單(或者至少是承諾客戶將在一兩天內送達的訂單)，立即將它們扔到地板上。因此，電子商務訂單是通過所謂的“訂單流”邏輯來實現的。
WMS供應商對不斷增長的優化電子商務挑選需求反應緩慢，這為WCS供應商創造了機會，使其能夠向上延伸並抓住這一空間。但是，由WCS(重新命名為WES)供應商提供“訂單流”邏輯從來都沒有意義，因為訂單流隻是需要在倉庫中支持的端到端流程的一部分。此外，許多倉庫需要同時執行傳統和電子商務實現，而WES解決方案缺乏優化支持傳統托盤和案例實現所需的波動邏輯。
類固醇訂單流
Manhattan Associates在去年的Momentum大會上首次宣布將通過訂單流增強其WMS。在今年的大會上，該公司宣布了一項解決方案，用“注射了類固醇的訂單流”來形容也許再合適不過了。
在安排電子商務訂單掉落到地板上時，WMS解決方案大多使用簡單的規則操作。例如，如果一個訂單需要明天交付給客戶，“立即放棄它”。如果三天內不需要完成，“等兩天再把它扔到地板上。”
Manhattan所做的是通過實時感知人和機器的能力，以及正確位置所需庫存的可用性，極大地增強編配邏輯，以便在給定時間完成一項工作。匆忙的訂單首先被丟棄，但更好地意識到係統仍然有能力完成可能幾天內不需要運輸的訂單，這意味著設備和人員都可以得到更充分的利用。
反過來，完全理解係統做功的能力意味著係統必須在非常細粒度的級別上理解完成給定工作所需的時間。當涉及到一個人完成一項給定任務需要多長時間時，Manhattan Associates有一個勞動管理係統(LMS)已經包含了這個邏輯。LMS使用精確確定的標準，根據旅行的距離、物品放置在貨架上的位置以及要挑選的物品的大小和形狀，來準確地了解一項任務所需的時間。但是實施LMS需要金錢和努力，而且LMS通常不包括完成涉及物料處理設備的訂單所需的所有時間標準邏輯。
曼哈頓正尋求用機器學習來解決這些問題。當工人或機器完成一個訂單時，係統將隨著時間的推移了解該任務需要多長時間。曼哈頓聯合公司(Manhattan Associates)產品管理高級總監亞當•克萊恩(Adam Kline)指出，機器學習“即使客戶患有LMS，也仍然很重要。勞動可以告訴我們兩件事。一項任務應該花多長時間，它已經花了多長時間。“應該”來自工程標準。然而，條件是會變化的，所以機器學習可以提供一個視角，考慮到曆史任務數據和附加條件的組合，如項目特征、任務停止的次數、位置信息、每周的日子和每天的小時，係統預期任務實際需要多長時間。”
隨著時間的推移，隨著產能問題的理解，係統可以使用混合整數優化——在先進的生產調度係統中使用的那種優化——來準確地了解有多少訂單可以以可執行任務的形式被丟棄。在生成任務時，係統利用了另一種稱為自適應大鄰域搜索(ALNS)的優化方法，該方法利用了新的Warehouse Map組件提供的健壯的距離計算框架。
Kline先生總結道:“在任務狀態、工作者可用性、處理速度和資源利用的實時信號的幫助下，計劃組件不斷地監視執行。這種不斷的反饋與承運人的截止要求和訂單的初始優先級混合在一起。然後，使用啟發式(基於規則的係統)重新確定在給定時間點哪些訂單更重要，哪些更不重要。”根據任務的優先級和係統中可用的容量，可能在500個可以處理的潛在任務中，隻有50個被丟棄。其他450個訂單被發送回訂單漏鬥引擎，以便在容量可用時進行重新規劃。“任何新訂單的到達，或執行狀態和性能的變化，都會被考慮到新計劃中，從而產生一個適應性的工作計劃過程。”
結論
ARC認為，這是一個顯著的改進，它采用了先進的優化技術，在其他WMS解決方案中是看不到的。然而，由於在詞典中加入術語“WES”往往會混淆整個討論，停止使用它可能是行業的最佳利益。
如果您想購買這份報告或獲取如何成為客戶的信息，請聯係我們
關鍵詞:倉庫管理，自動化，優化，機器學習，ARC谘詢小組