中国石油云南销售分公司信息处
摘 要:随着电商获客成本的急剧增加,便利店逐渐在加油站经营体系中扮演着越来越重要的角色,正确地订货是便利店营运中重要的环节。简单快捷地生成科学合理的订货建议品类和数量,不仅可以有效提升销量,还能够大幅度降低库存的管理成本,有效地将计划数量和在途数据在合理的时间差范围内转换为加油站可用库存,加快商品流转,减少场地成本,提升供应商送货的准及时率和准确率。本文旨在使用人工蜂群算法模型探索一种合理高效非油品订货建议体系。
关键字:便利店 订货 人工蜂群 ABC算法 订货模型
一、订货效能提升背景:
随着全渠道概念深入以及线上获客成本上升,电商和零售巨头纷纷涌入便利店行业。便利店业态面积约在100~200㎡左右,为了保证坪效则需要对SKU进行更加精细的选择与运营。便利店商品品种不下千种,订货管理的程度非常复杂,利用传统手段很难做出明显突破。因此建设一种高效的订货操作模型,把库存变从无形为有形,至少可以为便利店带来如下管控能力:及时掌握货物的动向能力、跨客户端的协同能力、快速提升货物周转速度能力、高效管理库存产品能力。
因此探索一种快速准确的订货模型,在当前环境下显得尤为重要,是便利店经营过程中的极其重要的一环。在经历3个月的实地调研后,我们对调研结果进行充分的研究和提炼,得出结论,完全可以通过一种科学合理的算法模型提升订货环节的效率,这也是本文的主要目的,探索利用改良ABC(人工蜂群)算法模型为订货过程提供趋于合理准确的订货建议。
二、订货效能提升方法概述:
订货模型包括多种影响因子,并不会一成不变,且受到新品引入、产品选择、便利店连锁网点扩充以及各种形式的促销活动的影响。在订货的时间和数量上应尽量不依靠人为主观的判断,大部分商品的订货应依靠自动订货建议来完成。本文采用ABC(人工蜂群)算法模型对影响因子进行最优匹配。
ABC 算法是一种通过采蜜行为模拟的群体智能模型,包括食物源和完成三种不同任务的蜜蜂。三种类型的蜜蜂为雇佣蜂(employed bee,又译引领蜂)、跟随蜂(onlooker bee)、侦察蜂(scout bee)。具体的描述如下:
(1)食物源:在现实生活中,蜜蜂采集的食物源一般为具体而离散的花朵或花丛;
而在 ABC 算法中,食物源被抽象为连续的解空间中的点,评价这些点的优劣程度则是通过适应度值实现。
(2)雇佣蜂:雇佣蜂的任务是在已经发现的食物源的基础上进行开采,并作为跟随蜂跟随的标记。雇佣蜂在发现一个蜜源之后,可能有几种行为:1、在自身所处的蜜源枯竭之后,放弃该蜜源,并转变为侦察蜂;2、雇佣跟随蜂,这个行为即是“雇佣蜂”这个名字的由来。
(3)跟随蜂:顾名思义,跟随蜂的任务是跟随着雇佣蜂,即通过某种机制选择一个雇佣蜂并向该雇佣蜂所在的食物源进行移动。
(4)侦察蜂:侦察蜂的任务是在整个解空间内随机选择一个新的蜜源。侦察蜂在寻找得到一个新的蜜源之后将会重新转变为雇佣蜂。
在ABC算法应用过程中,我们采用2015年以后的ABC改良算法模型作为计算基础,将每种便利店SKU视为一个食物源,以新品、历史销量、促销品、快讯商品、便利店地理位置、便利店特点标签等为邻域模型单元,利用侦察蜂进行持续优化迭代至最优解,ABC 算法的另一个机制是雇佣蜂在寻找的过程中,如果所占据的蜜源长期未获得改善,它将重新变为侦察蜂,并重复上述过程。
三、订货效能提升的详细技术实现路线以及分析
每个群体都有搜索蜂,搜索蜂在搜寻食物的时候,没有任何的导向性。改良后的ABC算法,搜索蜂以发现最快可行解作为目标,雇佣蜂会被选择并且分类为搜索蜂。分类会被limit参数控制。如果解在预定义的一个尝试次数中,没有得到提高,食物源将会被放弃,雇佣蜂将会成为搜索蜂。放弃蜜源的实验次数等于limit参数。
在一个强壮的搜索过程中,探索和开采行为必须同时进行。当观察蜂和雇佣蜂在解空间中实施开采行为,搜索蜂控制探索行为。在真实蜜蜂行为中,招募率代表一个多快蜜蜂群体能搞找到并开采新发现蜜源的的估计值。虚拟招募将会使用类似的速度值,用不同优化问题中的可行解或者是优质解代替。蜜蜂群体的生存和进化依赖于快速发现和有效使用食物源。相似的工程问题的成功解,也会被类似地用相对快速发现于食物源。尤其是需要实时解决的问题。
实际实验过程中,我们搭建了一个实验服务器,从一个实验便利店A为目标生成订货数据,以25座便利店特征类似的网点数据为辅助支撑数据,并获取了这些便利店完整购进和库存数据以及当年度4-5月份的历史销售数据。
在计算过程中,充分参考了如下因素:
安全库存天数:是为了保证商品不断货而为配送等环节预留的一个缓冲时间。一般为2-3天。
到货天数:是指供应商接对订单之日到送货、验收入店的间隔期。或称在途日期、在途天数。
订货系数:为保证不断货而设定的一个相对较合理的预留商品库存量的比率。
订货系数的作用体现在几个方面,假如某个商品在送货过程中未能按设定的送货天数送到,造成了延误,或因商品因为非正常的销售如顾客订货、大宗购物等,使销售量出现不稳定,它可以保持商品有足够的库存不致于造成缺断货,同时又可以让商品库存合理周转。
订货系数=(送货天数+安全库存天数)÷订货周期+1
如:送货天数为2天,安全库存天数设为3天,订货周期为7天,
那么:订货系数=(2+3)÷7+1=5÷7+1≈1.71确定订货系数。
整体的执行流程如下:
步骤1:初始化种群:初始化各个参数,蜂群总数SN、食物源被采集次数即最大迭代次数MCN及控制参数limit,确定问题搜索范围,并且在搜索范围内随机产生初始解。
步骤2:计算并评估每个初始解的适应度。
步骤3:设定循环条件并开始循环
步骤4:引领蜂对解进行邻域搜索产生新解(食物源),并计算其适应度值;
步骤5:按公式进行贪婪选择:如果适应度后值优于前值,则替换,否则保持不变;
步骤6:计算食物源的概率;
步骤7:跟随蜂依照概率选择解或食物源,搜索产生新解(食物源),并计算其适应度。
步骤8:按公式进行贪婪选择:如果适应度后值优于前值,则替换,否则保持不变;
步骤9:判断是否有要放弃的解。若有,则侦查蜂随机产生新解将其替换;
步骤10:记录到目前为止的最优解;
步骤11:判断是否满足循环终止条件,若满足,循环结束,输出最优解,否则返回步骤4继续搜索。
基于人工蜂群算法计算结果,仍需要根据实际特征进行二次结果加工,此次加工的形式,采用独立的算法修正函数群来对订货量完成评估和调整,处理因素主要有以下五个:
1、时间因素:竞争环境对于商品周转的要求越来越高。订货量与应与海报促销起止日期相联系,结合DM商品的“前七后三原则”更好地处理好商品库存与毛利、货款的问题。
2、新商品的订货:除特殊情况,一般首单量要小,跟据销售状况再进一步确定以后订量。防止供应商投机及滞销品积压。
3、特殊商品的季节性因素。在季初与季末的订货量是不同的。
4、促销活动及优惠政策因素。
5、自身存货能力及其它相关因素。
四、结论
我们将便利店A的订购建议数据,2020年5月12日生成的建议数据,与该店的5月12日-5月18日的销量做逐条目比对,匹配率为89.5%,完全可满足实际订货需求。偏离数据产生原因经分析后确定为,由于5月16日便利店A所在地天气骤变对销量带来一定的影响,与预期计划造成一定程度的偏离。说明采用人工蜂群算法模型,完全可以对订货效率产生大幅度提升。如果在实际应用过程中对一些临界参数、影响因子,做一些大数据下的分析和自动调整,完全可以使订货建议的匹配率再上一个台阶。因此在便利店订货领域中应用人工蜂群算法模型完全可行。
参考文献:
罗钧,李研. 具有混沌搜索策略的蜂群优化算法[J]. 控制与决策, 2010,2512(:1913-1916).
暴励,曾建潮. 一种双种群差分蜂群算法[J]. 控制理论与应用, 2011,28(2):266-272