Nieuw algoritme versnelt orderpicking met 30 tot 60%

VC: Vanwaar kwam het idee om de strategie voor stockage in warehouses te optimaliseren?

Dr. Mauricio Gámez: “In Colombia, mijn moederland, werkte ik na mijn studie industriële ingenieurswetenschappen bij verschillende bedrijven gespecialiseerd in logistiek en supply chain management, waar ik hen adviseerde bij het opzetten van projecten. Hoe konden we geavanceerde technieken in de praktijk inzetten om logistieke en supply chain processen te verbeteren? Na zes jaar wou ik mijn wetenschappelijke kennis over logistiek en supply chain management via een doctoraatstudie verder verdiepen en dus schreef ik verschillende onderzoeksinstellingen wereldwijd aan, waaronder Universiteit Antwerpen. Zij wilden meer onderzoek rond warehousing voor e-commerce verrichten en andere technische specialisaties zoals data-analyse inzetten, terwijl ik ook zelf elke dag in de praktijk zag hoeveel efficiëntiewinst warehouses nog konden boeken. Dus zag ik daarin een mooie kans.”

Gat in het onderzoeksveld

VC: Wat u onderzoekt, is iets waarop bijna niemand anders focust?

Dr. M. Gámez: “Dat klopt. Kijk, dé vraag in logistiek en supply chain management is altijd: hoe kunnen we een bestelling zo snel mogelijk aan de klant bezorgen? De meeste onderzoekers focussen daarbij op het transport, op zoek naar optimalisering in de first of de last mile delivery. Niet zovelen nemen de warehouse operations onder de loep. En zij die dat wel doen, concentreren zich vooral op het proces van order picking zelf: kan dat werk niet efficiënter verlopen? Maar heel weinig onderzoekers kijken naar het bredere plaatje: kunnen we de items niet beter stockeren, zodat orderpickers minder nodeloze afstanden moeten afleggen en sneller kunnen werken? Dat wilde ik samen met mijn verantwoordelijken aan de universiteit onderzoeken.”

VC: Vandaag hanteren warehouses over het algemeen een van twee stockagestrategieën, niet?

Dr. M. Gámez: “Juist. Grosso modo stockeren bedrijven hun items ofwel ‘class-based’ ofwel ‘random scattered’. Class-based houdt in dat je de items volgens klasse A, B en C onderverdeelt en opslaat. Klasse A bevat de items die het belangrijkste zijn voor je bedrijf. Bijvoorbeeld de items die je klanten het meest bestellen. Die klasse A-producten plaats je dan op de handigste plaatsen in het warehouse, bijvoorbeeld dichter bij een ‘drop-off point’ of depot. Klasse B en C omvatten de minder en de minst belangrijke items voor je onderneming. Die stockeer je op minder handige locaties.”

“Dat klinkt op zich logisch als stockagestrategie, en toch levert dat systeem an sich niet de snelste order picks op. Beter stockeer je items dan random scattered: volledig willekeurig bij elke nieuwe stockageronde, volgens geen enkel criterium voor de locatie. Als je dan bijvoorbeeld twee items moet picken, is de kans statistisch groter dat het tweede item zich in de buurt van het eerste bevindt. In tegenstelling tot bij classed-based storage weet je als orderpicker nooit op voorhand waar een item opgeslagen is, maar de kans is groter dat je niet ver hoeft te zoeken. WMS- of ERP-software toont je dan waar het exact opgeslagen is.”

“Nog een voordeel van random scattered storage is dat je de opslagruimte efficiënter gebruikt. Zodra een locatie leeg is, kun je daar nieuwe items stockeren, aangezien geen enkel item een vaste plaats heeft. Terwijl je bij classed-based storage die items misschien nog niet kon stockeren omdat hun vaste locatie nog vol lag. De Amerikaanse professor en onderzoeker John Bartholdi bewees dat je gemiddeld slechts vijftig procent van de capaciteit van je warehouse gebruikt als je class-based stockeert. Sla je daarentegen items random scattered op, dan gebruik je bijna honderd procent van je opslagcapaciteit.”

Beste van twee werelden

VC: Scattered storage klinkt al als een goede stockagestrategie. Maar toch zag u nog ruimte om de aanpak verder te verbeteren voor e-commerce?

Dr. M. Gámez: “Inderdaad. Bij e-commerce zijn de bestellingen meestal klein; ze bevatten een tot drie items. Dus dacht ik: laat ons een algoritme ontwikkelen dat combinaties identificeert van items die klanten vaak samen bestellen en dat die items vervolgens zo dicht mogelijk bij elkaar en bij een afleverpunt stockeert. Zo minimaliseer je verder de afstand die de orderpicker moet afleggen om bestellingen samen te stellen en win je tijd in het warehouse.”

“Alleen, welke items moeten we in elkaars buurt opslaan omdat klanten ze vaak samen bestellen? Hoe dicht moeten we ze bij een afleverpunt plaatsen? En wat als klanten andere items samen beginnen te bestellen? Dan moeten we automatisch andere items in elkaars buurt stockeren. Dat laatste lossen we op omdat ons algoritme een kortetermijngeheugen heeft. Het baseert zich alleen op de recentst gepickte orders, bijvoorbeeld sinds de vorige stockageronde in het warehouse. Tegelijk zijn de items onderverdeeld in klasse A, B en C volgens hoe vaak klanten die items bestellen. Zo kan het algoritme bepalen welke combinaties het best dichter bij een afleverpunt worden opgeslagen omdat een item ervan meer wordt besteld.”

“Eerst probeert het algoritme elk item een zo goed mogelijke plek in het warehouse te geven, zonder dat het bedrijf die plaats al daadwerkelijk toekent. Daarvoor sorteert het algoritme de recente bestellingen van groot naar klein (met het meeste tot het minste aantal orderlijnen). Daarna begint het de items van die bestellingen toe te kennen aan plaatsen met de kleinst mogelijke afstand ten opzichte van een welbepaald afleverpunt. Daarbij start het algoritme met de grootste bestelling, en binnen elke bestelling met dat item dat klanten het meest bestellen. Zo kent het elke combinatie van bestelde items een plek toe tot alle bestellingen geplaatst zijn. Vervolgens minimaliseert het algoritme de afstanden tussen de items van een bestelling onderling én tussen die items en het afleverpunt door de items volgens verschillende methodes van plaats te verwisselen. Zo komt het algoritme tot een goede toewijzing voor de opslag. Dat gebeurt bij elke volgende opslagronde opnieuw, steeds gebaseerd op de laatste bestellingen.”

Klaar voor testen in de praktijk

VC: Hebben jullie het algoritme ook al in de praktijk getest?

Dr. M. Gámez: “Nog niet. Mijn onderzoek, waarmee ik ondertussen mijn doctoraat behaalde, was eerder academisch, uitgevoerd met theoretische data. We vonden geen e-commercebedrijven die data over recente bestellingen met ons mochten delen, maar ze konden ons wel vertellen hoe die data in elkaar staken en hoe ze veranderden. Bijvoorbeeld dat de meeste bestellingen uit twee of drie items bestonden. Zo konden we onze eigen datasets over bestellingen opbouwen, waarvan we wisten dat ze realistisch waren. Ter controle vergeleken we onze data ook met datasets uit andere, eerder gepubliceerde studies. Onze data verschilden mogelijk wel nog wat met reële data van pakweg Amazon, maar niet problematisch veel. Met andere woorden, met die data konden we de werking van ons algoritme voldoende realistisch testen en beoordelen.”

“Daaruit bleek dat ons algoritme beter presteert dan random scattered en class-based storage. Vergeleken met class-based storage stellen orderpickers met onze nieuwe formule bestellingen tot zestig procent sneller samen. Niet altijd, maar vaak wel. Tegenover random scattered storage zien we een verbetering van tien tot dertig procent. Opnieuw niet altijd, maar vaak wel. Zo mogen we ons algoritme echt wel ‘optimized scattered storage’ noemen.”

VC: Is het dan geen tijd om het algoritme in de praktijk te testen, in warehouses voor e-commerce?

Dr. M. Gámez: “In eerste instantie willen we zo veel mogelijk wetenschappelijke publicaties over dit algoritme bekomen. Mijn doctoraatproefschrift ‘Efficiënte opslagtechnieken voor e-commercemagazijnen’ staat al online. Bovendien publiceerde een eerste wetenschappelijk tijdschrift intussen een paper over mijn doctoraatstudie. Een tweede wetenschappelijke publicatie volgt deze herfst of winter. Naarmate er meer publicaties komen, zullen er ongetwijfeld meer geïnteresseerden contact opnemen voor verdere details over het algoritme. Misschien kunnen we het dan verder commercialiseren, maar daar zijn we nog niet uit. Ik heb het algoritme in ieder geval altijd gezien als iets dat deel kan uitmaken van warehouse management systems. Het valt er ook makkelijk in te implementeren. Programmeurs kunnen de code van ons algoritme zeker ook nog verbeteren, zodat het opslaglocaties efficiënter toekent. Nu duurt het wel even om de ideale itemlocatie voor pakweg 10.000 bestellingen toe te kennen, maar die termijn valt zeker terug te dringen door de code op te poetsen. Maar we zoeken zeker nog geïnteresseerde bedrijven die alsnog hun reële data met ons willen en mogen delen.” (nvdr: geïnteresseerden kunnen contact opnemen met Value Chain info@valuechain.be)