AI Warehouse Product Placement Optimization System

Разработка AI-системы оптимизации размещения товаров на складе

Где именно хранится каждый SKU — прямо влияет на скорость сборки. Правильное слотирование сокращает пробег сборщика на 20–35% без изменения технологии или оборудования.

Задача слотирования

Цели размещения:

• Минимизировать суммарный пробег при сборке заказов
• Сократить время комплектации срочных заказов
• Обеспечить эргономику: тяжёлые/крупные в нижних ячейках
• Разделить несовместимые категории (алкоголь, химия, пища)

Принцип ABC-XYZ:

ML-прогнозирование «горячести» SKU

Классический ABC строится на исторических данных. ML улучшает точность прогноза будущей активности:

import lightgbm as lgb
import pandas as pd
from datetime import datetime, timedelta

def predict_sku_activity(order_history, sku_features, forecast_horizon_days=30):
    """
    Прогноз количества отборок по SKU на следующие N дней.
    Используется для пересчёта слотирования.
    """
    # Признаки временного ряда
    df = order_history.groupby(['sku', 'date'])['qty_picked'].sum().reset_index()
    df = df.sort_values(['sku', 'date'])

    features = []
    for sku in df['sku'].unique():
        sku_df = df[df['sku'] == sku].set_index('date')['qty_picked']
        # Лаговые признаки
        feat = {
            'sku': sku,
            'avg_picks_7d': sku_df.tail(7).mean(),
            'avg_picks_30d': sku_df.tail(30).mean(),
            'avg_picks_90d': sku_df.tail(90).mean(),
            'trend': sku_df.tail(14).mean() - sku_df.tail(28).head(14).mean(),
            'cv': sku_df.tail(30).std() / (sku_df.tail(30).mean() + 0.001),
            **sku_features.get(sku, {})  # категория, вес, габариты
        }
        features.append(feat)

    X = pd.DataFrame(features).drop('sku', axis=1).fillna(0)

    # LightGBM для прогноза среднедневной активности
    model = lgb.LGBMRegressor(n_estimators=200, learning_rate=0.05)
    # (предобученная модель)
    predicted_daily_picks = model.predict(X)

    return dict(zip([f['sku'] for f in features], predicted_daily_picks))

Задача переслотирования (Re-slotting)

Перемещать ВСЕ SKU дорого (трудозатраты). Оптимальный re-slotting:

• Ранжировать SKU по выгоде от перемещения (delta_travel_time * picks_per_week)
• Ограничение: перемещение ≤ 200 SKU/неделю (пропускная способность команды)
• Выбрать топ-200 с максимальным суммарным эффектом

Integer Programming для выбора перемещений:

import pulp

def select_moves(sku_benefits, sku_current_slots, slot_candidates, max_moves=200):
    """
    sku_benefits: {sku: expected_travel_savings_hours_per_week}
    Выбрать max_moves перемещений с максимальной суммарной экономией
    """
    prob = pulp.LpProblem("slotting_optimization", pulp.LpMaximize)

    move_vars = {sku: pulp.LpVariable(f"move_{sku}", cat='Binary')
                 for sku in sku_benefits}

    # Объектив: максимальная экономия
    prob += pulp.lpSum(sku_benefits[sku] * move_vars[sku]
                       for sku in sku_benefits)

    # Ограничение: не более max_moves перемещений
    prob += pulp.lpSum(move_vars.values()) <= max_moves

    prob.solve(pulp.PULP_CBC_CMD(msg=0))
    return [sku for sku, var in move_vars.items() if var.value() > 0.5]

Совместное хранение (Affinity Analysis)

Товары, часто заказываемые вместе → хранить рядом. Affinity matrix из истории заказов:

• Market Basket Analysis (Apriori / FP-Growth) на заказах
• Lift > 2.0 и поддержка > 5% → кандидаты на совместное размещение
• Ограничение: совместимость (химия и пища — запрещено)

Результат: 15–20 «кластеров аффинности» на складе, каждый группирует часто-совместные SKU.

Поддержка решений

Визуализация:

• 2D план склада с тепловой картой: текущие «горячие» ячейки
• Предлагаемые перемещения: откуда / куда / ожидаемая экономия
• ROI расчёт: экономия трудочасов × ставка сборщика

Срок разработки: 2–3 месяца для системы с ABC-XYZ, ML-прогнозированием активности и оптимизатором re-slotting с интеграцией в WMS.