WMS仓储管理系统

http://47.113.229.131:9080/wms/#

问：供应链选址 (仓库选址)
1.答：我们是大区 分部 DC 这样的 地理划分的，我们是自有仓，所以订单下来就已经指派DC了，我们是物流园或自有仓，仓库是固定的，就算增加客户，也会根据客户位置判断最近的仓库。
2.答：估计是通过几个点，确定仓库位置 物流或者自由仓， 物流园你应该都有坐标，geo这个有现成的，物流园都是公开的，应该也有现成的。在客户的那个位置已经知道了，然后选选个地方，然后造仓库，仓库不是现成儿的，就是客户儿固定的，通过客户的位置来确定这个仓库建在哪里， 坐标找最近的仓。

参考：https://zhuanlan.zhihu.com/p/380397512

背景介绍

出于种种原因，在供应链环节需要添加新的配送中心（Distribution Center）来满足业务需求。这些原因可能是因为需求逐年增长，也有可能因为需要更高的服务水平，来提供差异化的服务。比如需要次日达，需要三小时上门等等。
扩充DC不仅在新兴电商行业有着广泛的应用，在传统制造行业也颇为流行，只不过多数传统制造行业响应市场变化的能力较弱，反应较为滞后，一般还是仅仅只有一两个DC。
确定DC个数以及位置，就是所谓的选址的问题。当然，选址涉及的内容很多，比如：

  • DC受物流的影响，这就需要考虑DC的基础设施与物流成本的权衡， DC数量与服务水平的权衡等
  • DC的创建预算以及预期的自动化水平，这就需要考虑房地产成本，当地劳动力成本等
  • DC的战略位置，需要考虑是否有税收优惠。比如我上一家公司，各个DC都在自贸区，因为可以客户主要分布全球，这样合理避税。多数公司都会在工厂附近设置一个

    选址项目分析

    选址是一个大项目，从需求收集，到方案确定，再到最后签约和承建，当然不是一篇文章能涵盖的。这里我们重点讨论如何基于python 模拟理论选址问题。
    我们先定义一下简化后问题：
  1. 假如我们已知客户的个数和分布位置，比如100个客户以及对应的地址
  2. 我们假定已经确定需要的DC个数，比如6个。这个DC个数的确定以及优化我们可以后续探讨
  3. 现在我们需要将客户合理分配给DC。这里我们限制一个客户只允许被一个DC服务。

需求如上，我们查看一下其中的技术解决方案：

  1. 首先需要量化信息，因为地址作为文本内容，一般很难被模型处理，所以我们需要将地址转换为经纬度。
  2. 经纬度能确定一个点，两个点之间的距离是一个很好的量化指标。 但是距离其实有很多计算方式，我们默认的“距离”一般指的是欧式距离，对于小范围的选址问题，比如一个城市内，可能欧式距离也可以求得比较理想的结果。但是对于大范围选址，比如在国内选址，在全球选址，这就是造成很大的误差。因为： 地球是圆的，球面上的两点不适用欧式距离。
  3. 如何确定一个客户属于哪个DC呢？直觉很简单：把它分配到离它最近的那一簇里面。 距离怎么计算呢？ 用该客户到这一簇的“均值点”即可。其实就是一个聚类问题，最常见的是kmeans。
  4. 求得DC的经纬度，应该将其还原为地址文本，这样便于人类理解。

    一点点数学

    球面距离

    关于球面距离的计算，其中需要提到的是半正弦距离。它指的是球体表面上两点之间的角距离。假设每个点的第一个坐标是纬度，第二个是经度，以弧度表示，计算公式如下：
    image.png
    公式很简单，看不懂也不要紧，因为其实sklearn里面已经有函数了，调用haversine_distances即可。

    k-means 聚类

    K-means 算法分为以下个步骤：
  • 选择初始质心
  • 将每个样本分配到其最近的质心
  • 取当前所有样本的平均值来创建新质心
  • 计算新旧质心之间的差异
  • 算法重复最后两个步骤，直到该值小于阈值。

需要注意的是：Kmeans的计算其实采用的欧式距离，也就是两点之间的直线距离。

开始实战

一如既往，No code，No BB。
下面就开始实战了，在实战中我们打算完成如下选址任务：

  • 在全国范围进行选址
  • 假定100个客户，随机分布在全国范围
  • 将他们分配给指定数量的DC
  • 我们采用直线距离和球面距离分别求解
  • 最后进行可视化对比，这里会采用Plotly地图

数据集我们就采用全国县级以上的城市的地址集，数据集和代码见文末。
全国有3500+ 县级城市，这里我们随机抽取100个作为客户的地址。采样直接调用sample 函数即可，为了保证结果可以复现，可以设定随机种子为2021。

  1. import pandas as pd
  2. random_seed = 2021
  3. all_cities_df = pd.read_csv(file,encoding='gb18030')
  4. all_cities_df.shape
  5. customer_df = all_cities_df.sample(n=100,random_state=random_seed)
  6. customer_df

image.png
为了便于分析结果，我们先预览一下为分组前客户的分布情况。这里采用plotly Scattermapbox 进行快速绘图。采用Scattermapbox 绘图，我们需要指定经度，维度，以及鼠标悬停的显示文本即可。经纬度采用数据集中的”东经“和”北纬“数据。因为快速画图，这里marker 就采用默认的圆点。
image.png

基于传统K-means 确定DC位置

前面提到K-means可以基于欧式距离快速聚类，虽然欧式距离不一定适合全国范围的选址，但是我们可以将其作为一个baseline。

  1. from sklearn.cluster import KMeans 
  2. kclusters = 6
  3. kmeans = KMeans(n_clusters=kclusters, random_state=12).fit(customer_df[['东经','北纬']])

所求得的kmeans 结果会包含clustercenters**属性，其实就是质心的位置。对应于我们的应用场景，就是求得的DC的经纬度**。
为了便于展示，我们可以通过经纬度反求出实际地址，这里调用geopy即可。

  1. from geopy.geocoders import Nominatim
  2. geolocator = Nominatim(user_agent="Bing")
  3. dc_kmeans_df = pd.DataFrame(kmeans.cluster_centers_,columns=['lon','lat'])
  4. def get_city(df):
  5.     df['location'] = geolocator.reverse(str(df['lat'])+","+str(df['lon'])).address
  6.     return df
  7. dc_kmeans_df = dc_kmeans_df.apply(get_city, axis=1)
  8. print(dc_kmeans_df)

image.png
同样我们绘制客户分布以及DC分布的地图，并且用颜色和Marker区分。

  1. fig = go.Figure()
  2. fig.add_trace(go.Scattermapbox(mode='markers', 
  3.                                  lon = dc_kmeans_df['lon'],
  4.                                  lat = dc_kmeans_df['lat'],
  5.                                hovertext = dc_kmeans_df['location'],
  6.                                  hoverinfo = 'text',
  7.                                  marker=go.scattermapbox.Marker(
  8.             size=20,color='green',symbol='marker'
  9.         ),
  10.                                  ))
  12. fig.add_trace(
  13. go.Scattermapbox(mode='markers', 
  14.                                  lon = customer_df['东经'],
  15.                                  lat = customer_df['北纬'],
  16.                                  hovertext = customer_df['地名'],
  17.                                  hoverinfo = 'text',
  18.                                  marker=go.scattermapbox.Marker(
  19.             size=10,color = kmeans.labels_
  20.         ),
  21.                                  )
  22. )
  24. fig.update_layout(hovermode='closest',mapbox={'accesstoken':map_box_token,'center':{'lon':customer_df['东经'].values[0],'lat':customer_df['北纬'].values[0]},'zoom':3.6},
  25.                  title={'text':'客户分布','xref':'paper','x':0.5},autosize=False,
  26.     width=1500,
  27.     height=1000,
  29.     )
  30. fig.show()

可以看到，DC均匀的分布在所服务客户群的质心位置。
image.png

采用自定义距离来聚类

首先我们根据上面的一点点数学知识通过python 计算球面距离。其中需要注意的是P1和p2的list 顺序一定是纬度和经度，另外geopy也有distance 函数可以调用，这里计算结果略有差异。

  1. from sklearn.metrics.pairwise import haversine_distances
  2. from math import radians
  4. def geo_distance(p1,p2):
  5.     dis = haversine_distances([[radians(_) for _ in p1], [radians(_) for _ in p2]])[0][1]* 6371000/1000  # multiply by Earth radius to get kilometers
  6.     return dis

sklearn 的kmeans 并不支持自定义距离。这里我们需要引入更广义的Kmeans 方法：k-medoids （K中心点）。所谓的更广义是指它不再指定中心是簇样本之间的平均值，而是任意可以定义的距离中心，比如我们我们可以定义大圆距离。更幸运的是，sklearn-extra 里面已经实现了该算法，并且遵守同样的规约。
所以我们轻易的就实现了基于我们自定义的大圆距离作为metic的”广义Kmeans“算法。

  1. from sklearn_extra.cluster import KMedoids
  2. kclusters = 6
  3. kmedoids_custom = KMedoids(n_clusters=kclusters, random_state=12,metric=geo_distance).fit(customer_df[['北纬','东经']])
  4. dc_kmedoids_custom_df = pd.DataFrame(kmedoids_custom.cluster_centers_,columns=['lat','lon'])
  5. dc_kmedoids_custom_df = dc_kmedoids_custom_df.apply(get_city, axis=1)

image.png
同样的我们再次对选址结果进行可视化，我们对比两次的结果。采用红色圆点表示基于直线距离的选址结果，采用绿色圆点表示基于大圆距离的选址结果，可以看到差别很明显。
image.png

总结

本文初步探讨了供应链配送中心的选址问题，主要是采用Kmeans 方法和k-medoids 方法进行距离，从而确定DC中心点的位置。
当然文中还有一些其他小的技术解决方案，比如计算球面距离，plotly 画图等，也可供参考。
后续我们将继续探讨，如果引入服务水平，以及如何针对大客户进行优化DC的位置。