2.3 Ottimizzazione basata sulla domanda
La domanda dei prodotti può essere studiata per determinare la relazione tra i prodotti e le abitudini dei consumatori utilizzando l’analisi di clustering e associazione per estrarre modelli di ordinamento. È importante ridurre i tempi e i costi di prelievo per valutare la frequenza con cui i prodotti vengono ordinati singolarmente e insieme. Mirzaei et al. proporre una politica di allocazione integrata dei cluster (ICA) per ridurre al minimo i tempi di raccolta (Mirzaei et al., 2021).
La funzione obiettivo, definita dagli autori, riduce al minimo il tempo di viaggio totale per ritirare tutti gli ordini dei clienti, a seconda dei cluster e dell’allocazione dei prodotti nel modello. Pertanto, i prodotti con elevata affinità vengono assegnati allo stesso cluster e i prodotti con una frequenza di turnover più elevata vengono immagazzinati più vicino al magazzino. Inoltre, gli autori utilizzano un’euristica sequenziale per considerare la frequenza del turnover e l’affinità del prodotto. Ciascuna posizione di stoccaggio è composta da più posizioni secondarie che possono ospitare una serie di prodotti. L’algoritmo assegna il prodotto con la frequenza di rotazione più elevata alla sottoubicazione disponibile più vicina al luogo di stoccaggio. Quindi, se esiste capacità disponibile nella posizione di stoccaggio, i prodotti con la massima affinità per il prodotto già assegnato verranno aggiunti a questo cluster. Questo approccio garantisce che gli articoli strettamente correlati siano raggruppati in un unico cluster mentre i prodotti più richiesti siano collocati vicino al deposito. Questa procedura viene ripetuta finché tutti i prodotti non vengono assegnati alle ubicazioni e ai cluster.
Nell’esempio proposto, i prodotti vengono immagazzinati in contenitori raggruppati in blocchi e i robot sono responsabili del trasporto di questi contenitori. Il layout proposto è composto da sei blocchi, ciascuno contenente dieci contenitori di stoccaggio. Un robot si reca in un determinato luogo e preleva un contenitore contenente uno o più prodotti necessari da portare all’impianto di stoccaggio. Dalla simulazione condotta emerge che il metodo realizzato, rispetto ai tradizionali metodi di allocazione ABC, consente una riduzione del 18% dei tempi di picking. Zhou et al. utilizzare una strategia di archiviazione basata su classi migliorata (Zhou et al., 2020).
Dopo aver utilizzato la tecnologia web crawler per raccogliere informazioni sui prodotti e dati sugli ordini dei prodotti da un sito di e-commerce, i dati raccolti sono stati pre-elaborati e omogeneizzati per il data mining. I dati dei prodotti sono stati raggruppati dividendo i prodotti in tre categorie (A, B e C). I dati degli ordini merci sono stati utilizzati per generare liste di prelievo del magazzino. Sono stati utilizzati per condurre analisi di associazione per trovare correlazioni tra i vari tipi di beni nelle categorie A, B e C. Gli autori utilizzano l’algoritmo Apriori per analizzare le regole di associazione e determinare collegamenti impliciti tra diversi tipi di beni. Come risultato di molteplici simulazioni, gli autori hanno ottenuto una riduzione del 16% della distanza media di prelievo rispetto alla configurazione tradizionale. Secondo Wang et al., l’utilizzo dell’euristica comporta una qualità limitata delle soluzioni e costi computazionali elevati. Pertanto, gli autori utilizzano il concetto di “buona coppia di mosse” basato su un approccio basato sui dati (Wang et al., 2020). Gli autori utilizzano un algoritmo a due stadi con sforzi computazionali polinomiali considerando la distanza totale percorsa come una variabile. Nella prima fase, il modello migliora la soluzione iniziale riassegnando gli elementi tra i corridoi e quindi riassegnandoli alle righe appropriate. Questo modello può trovare rapidamente soluzioni migliori ad ogni iterazione sfruttando le caratteristiche dei dati storici dell’ordine. Tutti gli algoritmi implementati sono codificati in Java e funzionano su una piattaforma Windows 10 con CPU Intel i7-3770 e ROM 4 G. Il modello proposto è stato testato, dimostrando prestazioni e tempi di esecuzione più elevati rispetto ai metodi tradizionali. Pang et al. presentare un algoritmo basato sul datamining per assegnare la posizione di stoccaggio degli articoli in un magazzino randomizzato (Pang e Chan, 2017). L’algoritmo mira a ridurre al minimo le distanze di viaggio totali sia per le operazioni di stoccaggio che di ritiro.
L’associazione tra i prodotti e la popolarità di ciascun prodotto può essere estratta e determinata analizzando la cronologia degli ordini con un algoritmo di data mining. Per un elemento i memorizzato accanto a un altro elemento k, esiste una forza di associazione Aik che misura la relazione in base al fatto che l’elemento i e l’elemento k siano o meno correlati. Infine, l’importanza del prodotto è definita secondo lo schema di classificazione ABC, il cui valore può essere determinato dai risultati di vendita passati secondo lo schema di Pareto. I risultati mostrano che l’algoritmo proposto è più efficiente della posizione aperta più vicina e dei sistemi di allocazione del magazzino puramente dedicati.
Lorenc e Lerher definiscono un modello di allocazione dei prodotti in linea con le esigenze di un magazzino automatizzato. Questo modello è progettato per essere perfettamente integrato nei sistemi di gestione del magazzino (WMS) e soddisfa i requisiti dell’Industria 4.0 per una maggiore automazione ed efficienza (Lorenc e Lerher, 2020).
Il modello combina i dati tra parametri di prodotto, ordini dei clienti e layout del magazzino, utilizzando le reti neurali artificiali (ANN) come parte del modello computazionale, consentendo l’analisi rapida di set di dati di grandi dimensioni. I dati di input utilizzati dal modello sono dati di vendita (elenchi di ordini dei clienti), proprietà dei prodotti archiviati e layout del magazzino, che vengono elaborati per trovare la correlazione tra i prodotti (frequenza di occorrenza negli ordini dei clienti). I risultati vengono confrontati con i parametri del prodotto e la domanda del prodotto mediante analisi statistiche. Tra un metodo ABC singolo o integrato con il metodo XYZ, quello più efficiente viene utilizzato per preparare automaticamente i set di dati per l’addestramento della rete neurale artificiale. Seguendo questa procedura, il modello sviluppato ha le caratteristiche dei modelli di intelligenza artificiale.
Sulla base dei risultati ottenuti testando il modello su un caso reale, ci si può aspettare una diminuzione dal 10 al 16% del tempo totale di preparazione degli ordini, riducendo così la distanza percorsa nel ritiro dei prodotti.
Bottani et al. ha progettato un algoritmo genetico (GA) che, a partire dagli ordini dei clienti da evadere, identifica una nuova allocazione degli articoli in magazzino per ridurre al minimo la distanza percorsa dagli operatori (Bottani et al., 2012). Dopo l’addestramento, che richiede un tempo di calcolo minimo di 8,3 ore, l’algoritmo ha raggiunto la convergenza dopo 174 iterazioni (circa 14,5 ore) riportando la soluzione migliore. L’assegnazione degli articoli prevista dall’AG consente un miglioramento della distanza di viaggio dei selezionatori di circa il 20% rispetto al tradizionale metodo di assegnazione per classi. Ansari e Smith utilizzano il clustering gravitazionale per allocare i prodotti in base alla frequenza di acquisto (Ansari e Smith, 2020). L’algoritmo gravitazionale si basa sul principio fisico della forza gravitazionale per cui gli autori calcolano Fij, l’attrazione del prodotto i e del prodotto j, riferendosi al numero di ordini contenenti entrambi i prodotti.
Gli autori hanno testato il loro algoritmo in diversi tipi di magazzini (blocchi singoli o multipli) e con diversi percorsi di prelievo (a forma di S, causale o gap-major).