Использование методов анализа больших данных и машинного обучения для улучшения основных показателей функционирования складской компании

В данной работе рассматривается проблематика применения машинного обучения и больших данных в складской логистике. Посредством анализа теоретических основ концепций машинного обучения, больших данных и логистики складирования выявляются ключевые направления и пути синергии данных областей. Отдельно анализируется вопрос ключевых показателей эффективности складских комплексов, функций и операций складов, а также анализируется предмет логистического менеджмента в контексте складских комплексов для выявления области применения машинного обучения. Целью данного исследования является анализ возможности применения методологии машинного обучения и больших данных для повышения операционных показателей складских систем. Для этих целей, в рамках аналитической части работы решается задача повышения времени складской операции комплектации заказа посредством реконфигурации складских зон на основе кластерного FMR-анализа номенклатурных позиций по оборачиваемости. Научная новизна работы обусловлена сравнением традиционных методов FMR-анализа и метода машинного обучения, а также применением полученных результатов для повышения эффективности функционирования складской логистики. Данные по оборачиваемости номенклатурных позиций и среднему времени операций комплектования, сбора или отбора товаров (picking) были сгенерированы с помощью треугольного распределения, но такие же данные возможно было бы собрать в реальных условиях. В результате решения задачи было выработано управленческое решение реконфигурации складских зон, что, согласно расчетным показателям, приведет к улучшению KPI времени комплектации заказа. Преимущества использования кластеризации наряду с традиционными методами описаны. Также, отдельно обозначены направления будущих исследований. Ключевые слова: логистика складирования, машинное обучение, большие данные, бизнес-аналитика, FMR-анализ, Ключевые показатели эффективности склада (KPI склада)