МЕТОДИКА ЗБАЛАНСОВАНОГО ПРИЗНАЧЕННЯ МІСЦЬ ЗБЕРІГАННЯ ТОВАРІВ НА ОСНОВІ ЧАСОВИХ ХАРАКТЕРИСТИК ПОПИТУ

Андрій Балвак; Наталія Лащевська

doi:10.28925/2663-4023.2025.31.1002

Автор(и)

Андрій Балвак Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0002-6441-8225
Наталія Лащевська Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0003-2148-115X

DOI:

https://doi.org/10.28925/2663-4023.2025.31.1002

Ключові слова:

призначення місць зберігання, кластеризація часових рядів, динаміка попиту, складська логістика, комплектування замовлень, розміщення товарів, електронна комерція, симуляція, обробка даних, алгоритм, прогнозування

Анотація

У статті розглянуто актуальну науково-практичну задачу призначення місць зберігання (SLAP) на складах електронної комерції. Хоча застосування класичних підходів, наприклад, ABC-аналізу дозволяє оптимізувати маршрути комплектування замовлень, але ігноруються операційні витрати на розміщення товарів. Це призводить до дисбалансу, внаслідок чого скорочення відстаней відбору досягається за рахунок збільшення трудомісткості процесу розміщення товарних позицій (SKU). Проведений аналіз останніх досліджень показав, що попри доведену користь окремих методів прогнозування часових рядів, залишається актуальною потреба у комплексних методиках. Зокрема, бракує підходів, які б інтегрували аналіз динаміки попиту безпосередньо у вирішення задачі SLAP та збалансовували пов’язані витрати між процесами розміщення і комплектування замовлень. Запропоновано методику Часово-орієнтованого Призначення Місць Зберігання (TOASL) фундаментальним принципом якої є об'єднання процесів збору замовлень та розміщення товарів у рамках єдиної оптимізаційної задачі. Її архітектура складається з чотирьох ключових фаз. На першому етапі виконується обробка даних, яка включає агрегацію, фільтрацію та нормалізацію часових рядів попиту. На етапі моделювання відбувається кластеризація часових рядів для виявлення груп SKU зі схожою динамікою. Завершують цикл фази симуляції (створення віртуальної моделі складу та тестування політик) та оцінювання (розрахунок ключових показників ефективності й статистична верифікація). В дослідженні, яке охоплює перші два етапи методики, було використано загальнодоступний набір даних з платформи Kaggle про транзакції інтернет-магазину електроніки. Після фільтрації даних, під час якої відібрано події покупок лише для цільових категорій товарів, та агрегації за сесіями, сформовано 471 унікальний часовий ряд попиту SKU. Ці ряди були нормалізовані методом Min-Max для фокусування на формі та динаміці попиту, а не на абсолютних обсягах. Проведено порівняльний аналіз трьох алгоритмів кластеризації: агломеративної ієрархічної кластеризації (AHC) за методом Уорда (Ward), k-середніх (k-means) та самоорганізаційних карт (SOM). Оптимальну кількість кластерів, яка дорівнює 10, визначено методом ліктя. Найкращу якість розбиття продемонстрував метод AHC-Ward, досягнувши найвищого коефіцієнта силуету зі значенням 0,39. Виконане групування дозволило виявити 10 наборів позицій зі схожою динамікою. На основі аналізу 5 найбільших кластерів запропоновано логічно обґрунтовані принципи зонування складу, що передбачають компактне розміщення товарів зі схожим попитом у суміжних проходах. Доведено, що кластеризація часових рядів попиту є ефективною основою для подальшого адаптивного зонування складу.

Завантаження

Дані завантаження ще не доступні.

Посилання

Pang, K.-W., & Chan, H.-L. (2016). Data mining-based algorithm for storage location assignment in a randomised warehouse. International Journal of Production Research, 55(14), 4035–4052. https://doi.org/10.1080/00207543.2016.1244615

Kalkha, H., et al. (2024). Enhancing warehouse efficiency with time series clustering: A hybrid storage location assignment strategy. IEEE Access, 1. https://doi.org/10.1109/access.2024.3386887

Kalafat, İ., et al. (2021). Workload forecasting of warehouse stations: Comparison between classical time series methods and XGBoost. Data Science and Applications, 4(2), 19–24.

Wang, C., & Wang, J. (2025). Research on e-commerce inventory sales forecasting model based on ARIMA and LSTM algorithm. Mathematics, 13(11), 1838. https://doi.org/10.3390/math13111838

Eichenseer, P., Hans, L., & Winkler, H. (2025). A data-driven machine learning model for forecasting delivery positions in logistics for workforce planning. Supply Chain Analytics, 9, 100099. https://doi.org/10.1016/j.sca.2024.100099

Balvak, A., & Lashchevska, N. (2025). Intelligent approaches for enhancing warehouse efficiency: Item placement, order picking, and robotic automation. Cybersecurity: Education, Science, Technique, 1(29), 161–177. https://doi.org/10.28925/2663-4023.2025.29.869

Islam, M. S., & Uddin, M. K. (2023). Correlated storage assignment approach in warehouses: A systematic literature review. Journal of Industrial Engineering and Management, 16(2), 294. https://doi.org/10.3926/jiem.4850

Park, J., Park, C., & Hong, S. (2023). Gaussian process-based storage location assignments with risk assessments for progressive zone picking systems. Computers & Industrial Engineering, 109700. https://doi.org/10.1016/j.cie.2023.109700

Keung, K. L., Lee, C. K. M., & Ji, P. (2021). Data-driven order correlation pattern and storage location assignment in robotic mobile fulfillment and process automation system. Advanced Engineering Informatics, 50, 101369. https://doi.org/10.1016/j.aei.2021.101369

Xu, C., Zhao, M., & Li, H. (2024). Data-driven simulation methodology for exploring optimal storage location assignment scheme in warehouses. Computers & Industrial Engineering, 110627. https://doi.org/10.1016/j.cie.2024.110627

Kaggle. (n.d.). eCommerce events history in electronics store. https://www.kaggle.com/datasets/mkechinov/ecommerce-events-history-in-electronics-store

Bollu, S. S. (2024). Anomaly detection of user behavioral events in e-commerce electronics stores using SVMs (Bachelor’s thesis). Blekinge Institute of Technology.

Van Heesch, R. J. A. W. M. (2022). Predicting a customer's e-commerce purchase: A study that combines sequential pattern mining with machine learning (Master’s thesis). Tilburg University.

Zarinchang, A., et al. (2023). Adaptive warehouse storage location assignment with considerations to order-picking efficiency and worker safety. Journal of Industrial and Production Engineering, 1–20. https://doi.org/10.1080/21681015.2023.2263009

Zhang, R.-Q., Wang, M., & Pan, X. (2019). New model of the storage location assignment problem considering demand correlation pattern. Computers & Industrial Engineering, 129, 210–219. https://doi.org/10.1016/j.cie.2019.01.027

Abramov, V., Astafieva, M., Boiko, M., Bodnenko, D., Bushma, A., Vember, V., Hlushak, O., Zhyltsov, O., Ilich, L., Kobets, N., Kovaliuk, T., Kuchakovska, H., Lytvyn, O., Lytvyn, P., Mashkina, I., Morze, N., Nosenko, T., Proshkin, V., Radchenko, S., & Yaskevych, V. (2021). Theoretical and practical aspects of the use of mathematical methods and information technology in education and science. https://doi.org/10.28925/9720213284km