Inventory management and logistics optimization: a data mining practical approach

• Autorzy: Granillo-Macías Rafael

Identyfikatory

DOI

10.17270/J.LOG.2020.512

Warianty tytułu

PL

Zarządzanie zapasem oraz optymalizacja logistyki - podejście oparte na eksploracji danych

• Języki publikacji: EN

Abstrakty

EN

Background: In the current economic scenarios, characterized by high competitiveness and disruption in supply chains, the latent need to optimize costs and customer service has been promoted, placing inventories as a critical area with high potential to implement improvements in companies. Appropriate inventory management leads to positive effects on logistics performance indices. In economic terms, about 15% of logistics costs are attributed to warehousing operations. With a practical approach, using a case study in a company in the food sector, this article proposes an inventory classification method with qualitative and quantitative variables, using data mining techniques, categorizing the materials using variables such as picking frequency, consumption rates and qualitative characteristics regarding their handling in the warehouse. The proposed model also integrates the classification of materials with techniques for locating facilities, to support decision-making on inventory management and storage operations. Methods: This article uses a method based on the Partitioning Around Medoids algorithm that includes, in an innovative way, the application of a strategy for the location of the optimal picking point based on the cluster classification considering the qualitative and quantitative factors that represent the most significant impact or priority for inventory management in the company. Results: The results obtained with this model, improve the routes of distributed materials based on the identification of their characteristics such as the frequency of collection and handling of materials, allowing to reorganize and increase the storage capacity of the different SKUs, passing from a classification by families to a cluster classification. Furthermore, the results support decision-making on storage capacity, allowing the space required by the materials that make up the different clusters to be identified. Conclusions: This article provides an approach to improving decision-making for inventory management, showing a proposal for a warehouse distribution design with data mining techniques, which use indicators and key attributes for operational performance for a case study in a company. The use of data mining techniques such as PAM clustering makes it possible to group the inventory into different clusters considering both qualitative and quantitative factors. The clustering proposal with PAM offers a more realistic approach to the problem of inventory management, where factors as diverse as time and capacities must be considered, to the types and handling that must be had with the materials inside the warehouse.

PL

Wstęp: W obecnych warunkach ekonomicznych, charakteryzujących się wysoką konkurencyjnością i nieprzewidywalnością działalności w obrębie łańcucha dostaw, istotne jest dążenia do optymalizacji kosztów i poprawy poziomu obsługi klientów, poprzez prawidłowe zarządzanie zapasem, jako czynnikiem kluczowym. Właściwe zarządzanie zapasami prowadzi do pozytywnych wpływów na wyniki logistyczne. W ujęciu ekonomicznym, około 15% kosztów logistycznych jest związane z operacjami magazynowymi. Poprzez zastosowanie studium przypadku z branży spożywczej, w pracy proponowana jest metoda klasyfikacji zapasów z zmiennymi jakościowymi i ilościowymi, przy zastosowaniu technik eksploracji danych, kategoryzując materiały przy użyciu zmiennych takich jak częstotliwość pobrań, poziom konsumpcji, jak i charakterystyki jakościowe związane z operacjami magazynowymi. Proponowany model łączy klasyfikację materiałową z technikami lokalizacyjnymi w celu ułatwienia procesu decyzyjnego w obszarze zarządzania zapasem oraz operacji magazynowych. Metody: Zastosowana metoda opiera się na algorytmie Partitioning Around Medoids, który w innowacyjny sposób, stosuje strategię lokalizacji optymalnego punktu poboru w oparciu o klasyfikację klastrową, uwzględniając jakościowe jak i ilościowe czynniki, mające duży wpływ na określanie priorytetów w zarządzaniu zapasem w przedsiębiorstwie. Wyniki: Uzyskane wyniki poprawiają marszruty dystrybuowanych materiałów w oparciu o identyfikację ich charakterystyk takich jak częstotliwość pobrań i handlingu, pozwalając na reorganizację i wzrost pojemności magazynowej różnych indeksów materiałowych, przechodząc z klasyfikacji na podstawie rodzin do klasyfikacji opartej na klusterze. Dodatkowo, wyniki wspomagają proces decyzyjny związany ze zdolnościami magazynowymi, umożliwiając identyfikację na najniższym poziomie miejsca magazynowego. Wnioski: Praca prezentuje podejście do poprawy procesu decyzyjnego w zarządzaniu zapasem poprzez propozycję projektu magazynu w oparciu o techniki eksploracji danych, które stosują mierniki i wskaźniki działań operacyjnych. Zastosowanie technik eksploracji danych takich jak klustrowanie PAM umożliwia grupowanie zapasów przy uwzględnieniu różnych czynników jakościowych i ilościowych. Proponowana metod PAM umożliwia bardziej realistyczne podejście do problemów zarządzania zapasem, gdzie muszą być uwzględnione tak różne czynniki jak czas czy zdolności oraz typu operacji magazynowych.

Słowa kluczowe

EN

cluster; Partitioning Around Medoids; facility location; supply chain

PL

klaster; Partitioning Around Medoids; lokalizacja zasobów; łańcuch dostaw

• Wydawca: Wyższa Szkoła Logistyki
• Czasopismo: LogForum
• Rocznik: 2020
• Tom: Vol. 16, no. 4
• Strony: 535--547
• Opis fizyczny: Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Granillo-Macías Rafael

• Autonomous University of Hidalgo State, UAEH, Campus Sahagun, Department of Industrial Engineering, Corredor Industrial, Ciudad Sahagun, Hidalgo, México

Bibliografia

• 1. Akay Ö., Yüksel G., 2018. Clustering the mixed panel dataset using Gower’s distance and k-prototypes algorithms, Communications in Statistics - Simulation and Computation, 47 (10), 3031-3041. http://doi.org/10.1080/03610918.2017.1367806.
• 2. Aktepe A., Ersoz S., Turker A., Barisci N., Dalgic A, 2018. An Inventory classification approach combining expert systems, clustering, and fuzzy logic with the Abc method, And An Application, South African Journal of Industrial Engineering, http://doi.org/10.7166/29-1-1784.
• 3. Anđelković A., Radosavljević M, 2018. Improving the order-picking process through the implementation of warehouse management system, Strategic Management, 23 (2), 3-10, http://doi.org/10.5937/StraMan1801003A.
• 4. Aqlan F, 2017. Dynamic clustering of inventtory parts to enhance warehouse management, European J. of Industrial Engineering, 11 (4), 469, http://doi.org/10.1504/EJIE.2017.086184.
• 5. Arora S., Chana I, 2014. A survey of clustering techniques for big data analysis. 2014 5th International Conference - Confluence The Next Generation Information Technology Summit (Confluence), 59-65, http://doi.org/10.1109/CONFLUENCE.2014.6949256.
• 6. Bottani E., Volpi A., Montanari R., 2019. Design and optimization of order picking systems: An integrated procedure and two case studies, Computers & Industrial Engineering, 137, http://doi.org/10.1016/j.cie.2019.106035.
• 7. Çelik M., Süral H, 2019. Order picking in parallel-aisle warehouses with multiple blocks: complexity and a graph theory-based heuristic, International Journal of Production Research, 57 (3), 888-906, http://doi.org/10.1080/00207543.2018.1489154.
• 8. Choi T.-M., Wallace S. W., Wang Y, 2018. Big Data Analytics in Operations Management, Production and Operations Management, 27 (10), 1868-1883, http://doi.org/10.1111/poms.12838.
• 9. de Vries J., de Koster R., Stam D, 2016. Exploring the role of picker personality in predicting picking performance with pick by voice, pick to light and RF-terminal picking, International Journal of Production Research, 54 (8), 2260-2274. http://doi.org/10.1080/00207543.2015.1064184
• 10. Djatna T., Hadi M. Z, 2017. Implementation of an ant colony approach to solve multi objective order picking problem in beverage warehousing with drive-in rack system, 2017 International Conference on Advanced Computer Science and Information Systems (ICACSIS), 137-142, http://doi.org/10.1109/ICACSIS.2017.8355024
• 11. Faia Pinto A. R., Nagano M. S, 2019. An approach for the solution to order batching and sequencing in picking systems, Production Engineering-Research and Development, 13 (3-4), 325-341, http://doi.org/10.1007/s11740-019-00904-4
• 12. Gower J. C, 1971. A General Coefficient of Similarity and Some of Its Properties. Biometrics, 27 (4), 857, http://doi.org/10.2307/2528823
• 13. Grosse E. H., Glock C.H, 2015. The effect of worker learning on manual order picking processes, International Journal of Production Economics, 170, 882-890, http://doi.org/10.1016/j.ijpe.2014.12.018.
• 14. Gu J., Goetschalckx M., McGinnis L. F, 2007. Research on warehouse operation: A comprehensive review, European Journal of Operational Research, 177 (1), 1-21, http://doi.org/10.1016/j.ejor.2006.02.025.
• 15. Guo X., Yu Y., De Koster R. B. M, 2016. Impact of required storage space on storage policy performance in a unit load warehouse, International Journal of Production Research, 54 (8), 2405-2418, http://doi.org/10.1080/00207543.2015.1083624.
• 16. Hong S, 2019. A performance evaluation of bucket brigade order picking systems: Analytical and simulation approaches, Computers & Industrial Engineering, 135, 120-131, http://doi.org/10.1016/j.cie.2019.05.037.
• 17. Jemelka M., Chramcov B., Kriz P., Bata T, 2017. ABC analyses with recursive method for warehouse, 2017 4th International Conference on Control, Decision and Information Technologies (CoDIT), 0960-0963, http://doi.org/10.1109/CoDIT.2017.8102722.
• 18. Kaufman L., Rousseeuw P, 2005. Introduction. In Finding Groups in Data: An Introduction to Cluster Analysis, (pp. 1-67), John Wiley, Hoboken, http://doi.org/10.1002/9780470316801.ch1.
• 19. Kusrini K., 2015. Grouping of Retail Items by Using K-Means Clustering, Procedia Computer Science, 72, 495-502, http://doi.org/10.1016/j.procs.2015.12.131.
• 20. Liu J., Liao X., Zhao W., Yang N, 2016. A classification approach based on the outranking model for multiple criteria ABC analysis, Omega, 61, 19-34, http://doi.org/10.1016/j.omega.2015.07.004.
• 21. Lolli F., Ishizaka A., Gamberini R, 2014, New AHP-based approaches for multi-criteria inventory classification, International Journal of Production Economics, 156, 62-74. http://doi.org/10.1016/j.ijpe.2014.05.015.
• 22. Matthews J., Visagie S. E, 2019 SKU arrangement on a unidirectional picking line. International Transactions in Operational Research, 26 (1), 100-130, http://doi.org/10.1111/itor.12550.
• 23. Tsai C.-W., Lai C.-F., Chao H.-C., Vasilakos, A. V, 2015, Big data analytics: a survey. Journal of Big Data, 2 (1), 21, http://doi.org/10.1186/s40537-015-0030-3.
• 24. van Gils T., Ramaekers K., Braekers K., Depaire B., Caris A, 2018. Increasing order picking efficiency by integrating storage, batching, zone picking, and routing policy decisions, International Journal of Production Economics, 197, 243-261, http://doi.org/10.1016/j.ijpe.2017.11.021.
• 25. van Gils T., Ramaekers K., Caris A., Cools M, 2017. The use of time series forecasting in zone order picking systems to predict order pickers’ workload, International Journal of Production Research, 55 (21), 6380-6393, http://doi.org/10.1080/00207543.2016.1216659.
• 26. van Gils T., Ramaekers K., Caris A., de Koster R. B. M., 2018. Designing efficient order picking systems by combining planning problems: State of the art classification and review, European Journal of Operational Research, 267 (1), 1-15, http://doi.org/10.1016/j.ejor.2017.09.002.
• 27. Xindong Wu, Xingquan Zhu, Gong-Qing Wu, Wei Ding, 2014. Data mining with big data, IEEE Transactions on Knowledge and Data Engineering, 26 (1), 97-107, http://doi.org/10.1109/TKDE.2013.109.
• 28. Yuan R., Cezik T., Graves S. C, 2018. Stowage decisions in multi-zone storage systems, International Journal of Production Research, 333-343, http://doi.org/10.1080/00207543.2017.1398428.
• 29. 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, http://doi.org/10.1016/j.cie.2019.01.027.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).