揭祕菜鳥倉儲體系「大腦」：智能波次如何實現倉庫降本提效？

摘要： 阿里妹導讀2018天貓雙11物流訂單量創新高突破10億件這是一次前所未有的物流洪峯。天貓雙11十年來見證了物流業從手寫地址、人工分揀到電子面單、機器人分揀。不管是物流園區、幹線運輸仍是秒級通關、末端配送都經過技術高效鏈接智能物流骨幹網正在加快實現行業數字化、智能化升級。

阿里妹導讀：2018天貓雙11物流訂單量創新高，突破10億件，這是一次前所未有的物流洪峯。天貓雙11十年來，見證了物流業從手寫地址、人工分揀，到電子面單、機器人分揀。不管是物流園區、幹線運輸，仍是秒級通關、末端配送，都經過技術高效鏈接，智能物流骨幹網正在加快實現行業數字化、智能化升級。

所以，阿里技術推出《菜鳥智慧新物流》專題，邀請菜鳥技術人，爲你揭祕物流核心技術。今天第二期，咱們將瞭解到「倉儲體系的大腦」：智能波次，全面瞭解它在過去一年時間裏算法友好型的系統架構建設和演進過程。

一. 前言

倉儲管理體系從粗放向精細化經營、柔性自動化管理轉變是大的趨勢，2018年雙11國內物流訂單首次突破10億，對整個物流行業都是巨大的挑戰，菜鳥的AGV小車、PTL、立體存儲等自動化設備發揮了強大的做用。在智能化方面，菜鳥倉儲技術團隊一樣在進行多維度的探索，覆蓋從接單、分揀、交接等關鍵鏈路，並取得顯著效果。

在倉儲系統中，波次匯老是將系統單據（信息流）轉化爲可做業單據（實物流）的關鍵節點，傳統方式有諸多缺點，本文主要介紹了菜鳥倉儲系統的智能化波次在過去一年時間裏算法友好型的系統架構建設和演進過程，以期爲其餘業務平臺的智能化提供借鑑，進而構建覆蓋整個倉儲領域的智能化系統架構。

二. 背景介紹

什麼是波次彙總？

交易訂單承載着物流契約信息，倉儲系統根據貨品的屬性將訂單切分紅可做業的包裹單元。波次匯老是以包裹爲單位，按照必定的策略（波次策略）進行篩選，並將不一樣包裹按照策略內指定的規則聚合成揀選單，來指導揀貨。在這個過程當中，波次彙總的準確性、平衡性、可控性、高效性都尤其重要。

面臨的挑戰

1. 技術挑戰：

波次彙總（菜鳥內部稱之爲中樞平臺，寓意就像大腦同樣是整個倉儲體系的大腦，調度倉庫的做業節奏）是大數據計算密集型的系統，對數據量、效率、數據一致性、計算資源等因素極爲敏感。系統上須要重點解決的是在分佈式架構下的最優化生產計算問題。

2. 實操挑戰：

在智能波次誕生前，波次彙總主要有兩種方式——波次查詢彙總和波次導航彙總，它們都是人爲的根據必定的條件查詢包裹並應用波次策略來生成揀選單，查詢設置都是制單員根據倉庫現場進行決策。

在實操方面，問題主要集中在如下幾點：

 

• 匯單生成優質揀選單的要求極高

要考慮訂單時效性、實操的揀選效率、現場勞動力等因素，控制匯波節奏；

匯單人員能力參差不齊、沒法掌控全局數據，一旦產生路徑依賴，很難再去思考如何優化波次策略；

• 揀選單生成後未進入做業的積壓，揀選沒法精細化

每次彙總單量大，打印的揀選單長時間未進入生成，形成揀選單積壓；而這部分訂單hold單後能夠提升優化空間，提高秒殺率；

已經確認的揀選單沒法回滾和攔截，只能到質檢時攔截，揀選做業浪費；

綜合來看人工波次彙總的方式沒法達到最優，要作到知足時效前提下提供柔性服務，這種關鍵節點必須交由系統來決策。

三. 構建算法友好型的智能化波次架構歷程

智能波次由來

2017年雙11結束後覆盤，咱們着手解決人工決策來進行波次彙總狀況下出現的問題，思考用智能化系統手段來提高——由系統根據全局的數據來判斷什麼時候匯單、用什麼條件匯單、匯哪些單，以便更柔性的控制生產節奏。

優化思路聚焦以下三點：

• 不是思考如何設置最優的波次策略參數，而是從揀選單的角度出發，現場有多少的做業能力，就從「全部的」包裹裏選出「最好的」進行聚合組單；

• 在對包裹進行聚合組單，充分考慮倉內巷道、庫位的佈局，將揀選距離、SKU動碰次數做爲優化目標，進而提升人效；

• 控制波次彙總節奏，對倉庫現場和倉內數據進行詳細的採集，交由人工智能的算法決策是否波次，再由業務系統來進行執行。

詳細的系統流程能夠用下圖來理解：

在前期的可行性驗證中，咱們選取一個單量適中的倉庫做爲樣本，對該倉單日出庫包裹進行仿真彙總，和當日實際的人工彙總結果進行對照。下圖是幾個對照組的結果：系統生產方式與第一列的實際做業狀況進行對比，揀選單數量明顯降低，單包裹平均庫位數的降低趨勢也很明顯。通過覈算間接人效提高達到兩位數的百分比：

爲了和傳統的人工決策方式進行區分，咱們稱之爲智能化波次，下圖是一個形象化的展現：

 

我要着重強調的是，不少同窗在比較智能波次和人工波次時每每把注意力集中在各類feature上（好比包材的優化、好比容量的勞動力控制、好比動態的組單參數、好比自適應的參數配置等等），但更重要的是理念上的轉變：人工波次的着眼點是包裹——關注的是如何根據規則來組合包裹、生成揀選單，進而來優化規則；智能波次的着眼點是揀選單——須要揀選單來進行生產，而後是怎麼根據現場的狀態來挑選包裹生成最好的揀選單。

方向上的差異不可小覷，智能波次是真正嘗試實現倉內「按需生產」（JIT，Just In Time——只在須要的時候，按須要的量，生產所需的產品），讓倉庫揀選做業從對包裹的需求轉變成揀選單的需求，向精益管理、柔性服務邁出第一步。正如曾鳴教授《智能商業》一書中提到的，咱們要從「數據提供支持」向「數據智能進行決策」進化。

樣本倉庫試點

在幾個月的時間內，全國範圍的樣本倉開始使用智能波次來進行波次彙總，期間完整經歷了幾回大促的考驗。

對於樣本倉庫，咱們進一步明確了主要指標並進行效果跟進：

• 揀選單數：count(pickBill)，日均揀選單數表達全部包裹出庫須要揀選做業的人次；該指標與單量正相關；在相同包裹量下，越低越好；

• 單個包裹平均揀選時長：sum(pickBill.time)/sum(packageCount)，揀選每一個包裹須要的時間；該指標與單量負相關；在相同包裹量下，越低越好；

• 包裹平均庫區/巷道/庫位數：sum(pickBill.position)/packageCount，揀選每一個包裹須要走過的庫區/巷道/庫位數；該指標與單量正相關；該指標越低越好；

智能波次上線後幾個主要指標呈現降低趨勢，與此同時倉庫所需的揀選人員數也同時減小，切實下降了成本。下圖是「單個包裹平均揀選時長」指標的變化趨勢：

架構探索期

從完整的可行性仿真到樣本倉庫落地，是智能波次的架構探索期。當時菜鳥內部業務系統和算法的系統設計和交互比較簡單，L1級別的交互圖以下表示：

在這樣的方式下，算法蛻化爲業務系統的依賴，業務系統像普通的二方包/HSF服務同樣來進行調用，那這是不是算法友好型的設計呢？簡單作下比較：

構建算法友好型的業務系統

在試點倉庫進行智能波次可行性的驗證後，咱們開始考慮如何升級當前的系統，進一步構建算法友好型的業務系統，以應對雙11海量的訂單。

阿里巴巴從電商、金融、倉儲物流、雲計算等領域有很多智能化應用的場景，在調研預演階段，咱們對廣告、搜索、推薦等集團內業務平臺和算法協同的典型場景進行分析對比，看看咱們這樣的生產型業務平臺怎麼作智能化，經過下列的對比，能夠看到菜鳥倉儲系統是既有着與互聯網級別的高併發，又有企業級複雜特性、金融級安全穩定的特色，因此在系統形態上既有共性，又具有獨特的要求。最終咱們演化出了基於TPP（阿里個性化平臺）的實現倉內智能化架構方式：

與以前相比，新系統架構和特色仍是比較明顯的：

• 數據資源層+計算容器層+業務層三層；數據層來解耦業務系統和算法技術；

• 基於集團的算法個性化平臺TPP作計算+靈動作存儲的架構來進行設計，blink來進行訂單預處理；算法場景配置化，下降開發工做量；

• 穩定性設施齊全，算法方案的變動、分桶更加靈活高效，快速打造多個行業的方案；

• OnLine運算+NearLine預測+OffLine分析，爲智能算法提供更完備的輸入，具有必定的預測機制；

• 一套行之有效的業務平臺+智能化算法協同的架構模式，具有可複製性；

上線後系統表現：在業務數據量級提高2倍的狀況下RT下降5倍以上；代碼行數縮減到以前的1/3；應用數下降2/3，機器數縮減6臺。另外在這套架構之上，能夠進行倉儲智能化系統的進一步構建和完善，好比豐富的勞動力數據、實時的做業狀態、自動化設備的運行態的獲取和使用。

倉庫的部署速度也愈來愈快，雙11期間智能波次覆蓋了華東、華中、華南、西南、西北等全國範圍的貓超倉庫，幫助倉庫降本提效，充分驗證系統的可靠性。

新架構下的開發協同方式

在TPP平臺上進行方案的開發，通常來講是算法同窗來進行的，但因爲波次計算的複雜性，裏面不可避免的摻雜了業務規則（如某些場景下對庫存的篩選，很難經過數據來進行解耦），若是TPP代碼中摻雜算法計算和業務邏輯，往後絕對難以維護。咱們創新性的基於TPP的插件機制來進行業務和算法模塊的解耦。具體來講，算法和業務的代碼封裝成插件，方案的代碼蛻化成簡單的膠水代碼，用方案對插件的調用來隔離兩方的內部邏輯。

在這樣的方式下，咱們採用「總-分-分-總」的方式進行項目開發，後期各領域內獨立迭代。

快速的系統功能支持能力

在未進行架構升級以前，咱們常常面臨算法的快速迭代能力和業務系統穩健要求的矛盾。基於TPP的新架構下咱們要充分利用平臺能力，以參數預估模塊爲例說一下咱們的快速支持方式。

在前期的智能波次中，因爲上游的交易訂單是源源不斷流入的，臨近出庫時間等部分場景下須要用戶來進行少許的參數配置，校準系統行爲。爲進一步下降人爲干涉，咱們提供預估模塊來進行系統參數自動判斷，在不違反時效約束的前提下作到全部揀選單的總fitness最優。

在新架構下，算法和工程同窗在前期仿真完成後，很短期內開始開發、分桶測試，充分體現了新架構下功能特性快速上線的能力。從下圖上看，系統效果和實際運行的曲線擬合度很高。

雙11大考表現

每個新架構上線後都要面臨雙11大促的考驗，對此咱們確立智能波次業務的專項保障，從前期的影子鏈路改造、底層存儲優化、網絡請求合併、異步查詢優化到後期的全鏈路壓測，總體保障準確有力，面對老闆們提出智能波次實現千萬級別訂單的自動化智能化匯單的目標你們都頗有信心。

通過充分準備咱們在雙11交出答卷——整個大促期間倉庫自動化匯單，並且各個倉庫揀選時效均有不一樣程度的提高，體現了菜鳥數據化、智能化的決策能力。下圖是各個大區隨機選取共計9個倉的效果跟蹤（形象化展現，恕不披露詳細數據）

四. 出庫智能化

從去年12月份到今天經歷雙11大促，咱們在中樞智能化邁出的這一小步，已經激起了片片漣漪。將來咱們還有更長的路要走，4PL倉庫怎麼去支持？自動化場景下怎麼更好的協同？訂單的波次和補貨怎麼線上化？波次如何更具備計劃性？如何實現產品化、平臺化的跨越？

技術驅動的社會化物流協同，是菜鳥技術人堅持的方向。延伸到倉儲智能化方面，多環節協同、應對複雜場景的不肯定性、時效性與可預測性、國際化，這些問題都還未有答案，須要咱們更多的思考和落地，半年甚至一年後再來看如今，但願能有更大的突破。

原文連接