EN
返回档案库

案例库 · 工程与运营 · 运营决策 · 2020–2024

京东优化前置仓库存与补货策略

京东的两级网络面临小前置仓存什么、如何补货的权衡;联合算法提升本地履约率。

京东

那一手

京东承诺快速配送,因此大多数商品存放在靠近客户的小型前置配送中心(FDC),但每个FDC只能存储有限的SKU。

矛盾显而易见:选错SKU,订单就得从远距离的区域中心发货,既慢又贵,还容易丢单;而补货决策每天都在重复。

京东团队构建了联合框架:选品算法(ML-Top-K 和 Reverse-Exclude)决定每个FDC的SKU,而端到端的预测-优化-模拟框架设定补货量和目标库存。

该方案在京东中国网络部署后,提升了本地订单履约率和客户满意度;这项工作获得了2024年INFORMS Daniel H. Wagner奖,相关论文在《Interfaces》上报告履约率提升0.54%,需求满足率提升1.05%。

为什么管用

  • FDC的极小品类是决定订单能否本地履行的最大杠杆。
  • 选品与补货相互耦合,分开决策会导致缺货和浪费。
  • 预测不确定性和长尾需求使得启发式库存方法不可靠。
  • 联合、自学习模型可解释性强,且足够快,能处理数百万SKU。
值了多少将选品与补货视为一个系统来决策聪明

可以搬走什么

在两级网络中,最昂贵的错误是分别优化仓库和补货。应根据预测和不确定性,将货架上有哪些商品和如何补货作为一个整体来决策。

后来呢

这些算法已在京东全网部署,提升了货架可用性并减少了缺货损失,赢得了2024年INFORMS Daniel H. Wagner奖。

资料来源

发现哪里写错了?告诉我们。

同一路聪明