全球电商部门在五年内增长了 320%，同时随着 COVID-19 大流行，需求也一直在增加。为了降低成本并保持竞争力，DHL 供应链启动了一个仓库运营优化项目。该项目需要开发一种智能且强大的仓库仿真工具，用于测试波动拣货策略。

对于拥有 500,000 个 SKU（库存单位）和 249 名员工的仓库，仓库优化项目制定的策略将完成订单所需的时间减少了 8.2%，所需的员工人数减少了 66 人。

DHL 供应链是供应链是德国邮政 DHL 集团的一个部门，拥有全球网络和广泛的物流服务，包括仓库、运输和增值服务。

问题

对于迅速发展的电子商务行业，要确保能够与时俱进保持市场竞争力，DHL 供应链确定了两个关键目标：满足客户 SLA（服务水平协议）和降低运营成本。

为实现目标，DHL决定优化其电子商务运营，包括收货、暂存、分拣和上架等入库活动； 以及拣选、分拣、打包、暂存、派送等出库活动。

Jigar Panot 是 DHL 供应链全球解决方案设计中心的专家，他致力于为大型仓库制定解决方案：

• 面积：111,000 平方米
• 产品：~500k
• 选择区域：12
• 每日交易量：~171k
• 员工：>3000

该项目的目标是开发一个强大而智能的系统，用于测试不同的波次策略并确定最佳的仓库吞吐量和资源利用率。

仓库操作和拣选路径优化

大型仓库在收集订单时使用批量拣货，因为单个订单拣货和集群拣选货可能需要拣货员花费数公里的时间来完成订单。优化的目的是找到一条最佳的拣选路径。

大型 DHL 仓库使用波次批量分拣。批次将订单组合在一起，之后波次将批次组合在一起以进行定期发货。 通常，一个批次包含 14 个订单。波次下达有助于按时间协调车间活动——允许其他操作（例如库存和清洁）有效地进行。

发货时，一批次货品被按区域划分进行拣选，以便最小化拣货员与货品之间的距离。在一个区域中的所有货品都被挑选出来之后，它们会在一个称为暂存的流程中组合成整个批次。整批货物转移到分拣站，在分拣站，订单在打包和发货前集中放在播种墙。

批量拣货和播种墙活动分为几个关键流程：

1. 波次下达——订单分批送去拣选货。
2. 拣选货——从仓库的存储中收集货品。区域拣选可防止货品之间的距离过长。分区拣选货可以针对不同订单和不同批次的货品。
3. 暂存——一个批次中的所有项目都放在一起。批次由几个完整的订单组成。当一个批次完成后，它会被发送到一个暂存区。
4. 播种墙——订单分批整合，打包发货。

解决方案：仓库建模和测试

该解决方案的第一阶段涉及对仓库流程进行建模，并使用真实数据对模型进行回测以进行校准。这些操作确保了模型的准确性，并提供了与订单拣选策略建议进行比较的基准。这一阶段的建模是使用 AnyLogic 的内置流程建模库完成的。该库是为简化和加快对业务系统和工作流程的精确捕捉而专门设计的

在将仓库准确描述之后，项目进入第二阶段，测试不同的波次策略。这些策略是动态的，基于分期和播种墙占用率、通道中的批次数量等指标。

项目的第二阶段分为三个部分：

1. 动态波次——创建不同的波次策略，并确定瓶颈。
2. 情景分析——了解波次发布策略如何影响完成时间和暂存时的平均队列。
3. 比较分析——使用KPI来比较包括基准策略在内的所有策略。

在第二阶段，工程师们调查了场景间的权衡。这些调查帮助他们了解资源限制并找到资源和速度的最佳平衡。最终结果表明，与当前仓库操作设置的“原样”模型相比动态波次模型提高了资源利用率并缩短了周期时间。

结果：优化仓库吞吐量和资源利用率

从第一阶段开始，使用原样模型，因为暂存区未达到或接近其最大容量，有可能看到提高资源利用率和减少任务完成时间的机会。对于暂存区，有时会出现空闲情况，有时会排长队。这可以在暂存统计图表中看到，其中占用时间有时会下降到非常低，有时会上升到平稳状态。

仓库优化项目的第二阶段产生了一个动态波次下达模型，该模型优化了资源利用率并最小化了周期时间。虽然播种墙处理时间大致保持不变，但播种墙利用率随暂存需求的增加而增加。其效果是减少了整体订单周期时间。

与原始仓库操作模型相比，动态波次下达模型减少了订单和批次周期时间，将资源利用率提高了近 10%，整体完成时间节省了 8.2%。 节省的成本意味着可以减少 66 名员工，或者流程完成时间可以缩短两个小时。

电子商务仓库流程优化项目向 DHL 供应链展示了如何为其大型仓库运营节省大量成本。供应链工程师使用仿真建模来准确捕获仓库操作，这些操作可以使用真实数据进行检查和验证。工程师们对模型的行为充满信心，之后设计并测试了动态波次发布策略，以提供在现代全球电子商务中竞争所需的运营收益。