新零售门店物流系统盘点：采购、仓储、配送、调度

传统门店物流系统

我国的零售生态一直处在较为落后的状态，便利店、超市不仅数量少，商品的陈列也与需求渐行渐远。消费者去门店购物，店主实现不知道消费者的诉求，无法实现科学备货，进货往往要经厂商和批发商，再到代理商，最后才到零售商手里。

由于供应链牛鞭效应，批发商静态发货，过于死板，常常没有规律，零售门店特别被动，无法及时补货满足客户需求。

关于订货有一个基本的公式可循，如下：

基础订货公式：订货量 = 前七天平均销售X 到货周期+满陈列量- 门店现有库存

早前信息化不畅通时，小作坊和夫妻店门店没有科学的规划，在产存销等系统方面极其薄弱。一个便利店经营除了要考虑门店前期销售情况、到货周期、货架陈列量、门店目前库存，还得对整个社区店的商圈、顾客群、天气（晴雨、温度）、节日、促销、计划（门店制定的销售计划）、可替代品等影响因素做全面的分析。

在整个零售体系中，小门店的订货显得异常被动，这是因为供应商每一次的配货是基于整个区域而执行的，严重忽视个体店的特殊情况，小店在盘存完存货以后，打电话问供应商要货，可如果急需，小门店只得去别的经销商拖货，最终造成账目混乱，缺货成本增加。

SKU的扩大，催生了超级卖场，连锁超市自带信息系统，提高了订单处理的生产力，信息系统功能涵盖了单品资料维护、供应商资料管理、促销、调价功能、商品分类管理。

下面笔者将对超市采购管理系统、仓储管理系统、配送管理系统等门店物流系统加以简析。

采购管理系统

该系统囊括供销合同管理、登记商品的供销合同管理、提供和供应商给的销售实绩、采购员也分析管理、促销商品的管理、自动补货系统诸多功能，采购集成了供应商和商品的存在状态和数据变化，初步实现了无纸化作业。

仓储管理系统

接到订单后，仓储系统立即启动，盘存整个库存商品，统计出入库数量，且科学分析库存时间、周转率，安排货物运输配送和退换货交接，门店此阶段关注大仓库存是否满足需求、供应商是否按时配货、商品到店时是否及时按计划陈列。

配送管理系统

配送管理系统兼具收货管理功能、货位管理功能、拣选配送管理功能、理货复核管理功能、路线规划功能，车辆定位跟踪功能，门店仅仅在停留执行层面，而有关优化的部分依旧没有很大的提升。

传统零售门店的这些软件系统从不同程度上给予了门店部分支持，可都只是停留在执行层上，将部分人工管理系统化、无纸化，却无法化解决策层和科学降本上的难题。

随着外卖的兴起，饿了么、美团外卖、百度外卖纷纷抓住移动互联网的红利，进行了一场别开生面的外卖大仗，一方面各方企业融资对用户疯狂补贴，另一方面借用互联网、大数据、人工智能等先进技术，科学规划安排运力，其中智能调度系统，更是企业追捧的重要对象。

O2O外卖智能调度

移动互联网的出现，将传统软件包裹在门店的严实外衣一点点扒去，城市中生活的年轻人崇尚的快节奏选品，变成传统门店奢侈的梦想，看起来触手可及，却与现实遥不可及。

大数据+移动互联网应用渐渐成为外卖平台提高效率，缩短用户等待时间的不二法门。

美团外卖的“超级大脑”

在过去一年多时间里，美团配送团队在机器学习、运筹优化、仿真技术等方面，持续发力，深入研究，并针对即时配送场景特点将上述技术综合运用，推出了用于即时配送的“超级大脑”O2O即时配送智能调度系统。

系统首先通过优化设定配送费以及预计送达时间来调整订单结构；在接收订单之后，考虑骑手位置、在途订单情况、骑手能力、商家出餐、交付难度、天气、地理路况、未来单量等因素，在正确的时间将订单分配给最合适的骑手，并在骑手执行过程中随时预判订单超时情况并动态触发改派操作，实现订单和骑手的动态最优匹配。

同时，系统派单后，为骑手提示该商家的预计出餐时间和合理的配送线路，并通过语音方式和骑手实现高效交互；在骑手送完订单后，系统根据订单需求预测和运力分布情况，告知骑手不同商圈的运力需求情况，实现闲时的运力调度。

在这一套调度流程中会遇到一个关键问题订单分配，下面就方案架构和关键要点来分析一下：

外卖订单的分配问题一般可建模为带有若干复杂约束的DVRP（Dynamic Vehicle Routing Problem）问题。这类问题一般可表述为：有一定数量的骑手，每名骑手身上有若干订单正在配送过程中，在过去一段时间（如1分钟）内产生了一批新订单，已知骑手的行驶速度、任意两点间的行驶距离、每个订单的出餐时间和交付时间（骑手到达用户所在地之后将订单交付至用户所需的时间），那么如何将这批新订单在正确的时间分配至正确的骑手，使得用户体验得到保证的同时，骑手的配送效率最高。

美团外卖每天产生巨量的订单配送日志、行驶轨迹数据。通过对配送大数据进行分析、挖掘，会得到每个用户、楼宇、商家、骑手、地理区域的个性化信息，以及有关各地理区块骑行路径的有效数据，那么订单智能分配系统的目标就是基于大数据平台，根据订单的配送需求、地理环境以及每名骑手的个性化特点，实现订单与骑手的高效动态最优匹配，从而为每个用户和商家提供最佳的配送服务，并降低配送成本。

即时配送订单分配问题的优化目标一般包括希望用户的单均配送时长尽量短、骑手付出的劳动尽量少、超时率尽量低，等等。一般可表达为：

除了要考虑时间、地段等约束外，有时还需要考虑部分订单只能由具备某些特点的骑手来配送（例如火锅订单只能交给携带专门装备的骑手等）、载具的容量限制等。

即时配送大数据平台实现对骑手轨迹数据、配送业务数据、特征数据、指标数据的全面管理和监控，并通过模型平台、特征平台支持相关算法策略的快速迭代和优化。

机器学习模块负责从数据中寻求规律和知识，例如对商家的出餐时间、到用户所在楼宇上下楼的时间、未来的订单、骑行速度、红绿灯耗时、骑行导航路径等因素进行准确预估，为调度决策提供准确的基础信息；而运筹优化模块则在即时配送大数据平台以及机器学习的预测数据基础上，采用最优化理论、强化学习等优化策略进行计算，做出全局最优的分配决策，并和骑手高效互动，处理执行过程中的问题，实现动态最优化。

达达-京东到家路径规划和派单算法

在10.22号举办的《中国python开发者大会》上，新达达配送算法团队负责人廖瑞奇首次分享了达达-京东到家在路径规划和派单算法方面的一些实践经验。

1）路径规划

在达达平台上，一个骑士可能会同时配送多个订单，如何规划骑士的配送路线，使得骑手的送货距离最短，优化骑士的配送效率，是平台要解决的一个核心问题。

对于单个骑手的路径规划问题，是一个典型的TSP问题： 

由于TSP是一个NP-hard问题，没有多项式时间内的确切解法。为了解决这个问题，新达达使用了启发式算法中的遗传算法，来快速获取骑士的较短配送路线，并且能够同时得到规划后的路线的最终配送距离。在待规划点超过10个以上的情况下，算法的运行时间也能保持在几毫秒，同时保证极高的准确性。 

有了这个基础算法，新达达就可以判断订单间的顺路情况，以及某个订单是否适合由某个骑士来配送。

2）订单指派

在新达达平台上，同时有订单的抢单和派单机制，来实现合理的订单分配。

在订单分配的过程中，不仅需要考虑顺路情况、配送效率等，也要考虑骑士的接单偏好、配送能力、活跃状况，以及订单分配的公平性等因素。

简单来说，订单指派是一个有限制的多目标优化问题，不仅需要考虑平台效率，也要考虑骑手的心理因素、运营的稳定性等。

目前，使用派单和抢单结合的方式，达达平台上绝大多数的订单，都能在发出后1分钟以内实现订单的合理分配。

科学的调度系统的确优化了运力安排，在资源配置的供需上达到了高度的协调，可门店缺货和爆仓的症结等依旧缠绕着线下，严重阻碍着坪效的提升。

智能门店系统

新零售时代，为了提高门店仓储物流能力，智能门店系统应声落地。

首先解决第一个问题，新零售新物流到底是什么，是不是说店仓一体，有了悬挂链就行?其实这只能算表面理解，新应该是基于大数据，基于移动互联网LBS的分析。

此外，品类的安排更加精细化。原来是一单一送，像生鲜外卖，虽然用户体验很好，可是没有考虑成本，商业化上并不成功。而基于线路、时序、客户需求、温层、区块以及整个POI的智能履约集单算法则实现了最优的订单履约成本。算法的优化，和架构的重新搭建，有利于门店实现多单配送。

智能店仓作业系统

店仓模式，意味着门店不单单只赋有店的属性，它其实更像一个物流中心。在过去，传统的门店不管货位，库存也做不到实时监测，智能的店仓作业系统，不仅知道货位在哪里，任务怎么派，并且还能对不同工种之间进行调动。

智能订货库存分配系统

销量的预测历来都是特别门店头疼的问题，智能订货库存分配系统是基于销量的后台数据而衡量商品体量的。

以盒马为例，一方面，盒马是基于全品类对标品做精选，缩小全品类的SKU数。另一方面，盒马会根据自己的历史数据和阿里的大数据，去做智能的订货和库存分配。达到库存周转、销售和顾客需求满足的最大化。

再根据每个门店周边盒马会员的需求，做智能化的商品选品和库存分配（理论上盒马APP可以做到千店千面），进一步提升库存周转和商品动销。

所以，这才是盒马门店既发挥大仓作用，又不是简单替代大仓，又实质以智能化驱动门店作为物流中心的全部秘密。

结合目前行业的趋势和有限的公开消息，笔者对门店物流系统做出些许大胆的预测和结论。门店已经不再是一个单一的终端销售体，它肩负了商业模式、商品结构、供应链的再造的任务，未来的仓库将离消费者越来越近，云仓和线下店的融合，必然离不开数字化系统工具。如何极速同步好仓储、配送、销量预测，将成为门店物流系统升级的重要一关。

此文系作者个人观点，不代表罗戈网立场

-END-