Page Header

Man-Hour Forecasting of Picking Activity of Put-to-Store Operation

Ladda Panpurk, Oran Kittithreerapronchai


เนื่องจากความผันผวนของความต้องการและปริมาณการใช้แรงงานคนในคลังสินค้า การจัดการกิจกรรมหยิบสินค้าที่มีประสิทธิภาพต้องการความถูกต้องของข้อมูลและการเตรียมแรงงานที่น่าเชื่อถือ การเตรียมแรงงานที่ไม่มีประสิทธิภาพหมายถึงค่าใช้จ่ายแรงงานที่สูงจากการว่างงานหรือค่าล่วงเวลาเช่นเดียวกับบริษัทกรณีศึกษา บริษัทฯให้บริการโลจิสติกส์เฉพาะสำหรับศูนย์กระจายสินค้าอุปโภคบริโภค รวมถึง พุต-ทู-สโตร์ (Put-to-Store) กิจกรรมย้อนกลับของรูปแบบการหยิบทั่วไปซึ่งพนักงานรวบรวมสินค้าหลายชนิดโดยการกระจายสินค้าตามจำนวนและชนิดตามต้องการในพื้นที่ชั่วคราวของสาขา นอกเหนือจาก
ความไม่ถูกต้องของการพยากรณ์จำนวนกล่องที่รับเข้าแล้ว การวิเคราะห์แสดงให้เห็นว่าการเตรียมแรงงานที่ไม่มีประสิทธิภาพเกิดจากแบบพยากรณ์ (Forecasting Model) ที่ไม่พิจารณาสัดส่วนสินค้า จำนวนสินค้าในระบบพุต-ทู-สโตร์ แรงงานในอดีต และประสิทธิผลของพนักงาน ดังนั้นการศึกษานี้จึงนำเสนอและเปรียบเทียบแบบพยากรณ์ซึ่งครอบคลุมปัจจัยดังกล่าวเพื่อทำนายชั่วโมงแรงงานที่ต้องการรายสัปดาห์ การเปรียบเทียบแบบพยากรณ์ด้วยชุดข้อมูลเรียนรู้พบว่า สมการถดถอยให้ความแม่นยำสูงกว่าแต่ไม่ยืดหยุ่น เมื่อเปรียบเทียบกับแบบพยากรณ์อนุกรมเวลา นอกจากนี้แบบพยากรณ์สมการถดถอยที่นำเอาข้อมูลแรงงานในอดีตและปริมาณสินค้าในระบบพุต-ทู-สโตร์ มาใช้เป็นปัจจัยอิสระมีความแม่นยำสูงโดยไม่เกิดการ โอเวอร์ ฟิตติ้ง (Overfitting) ของแบบพยาการณ์ซึ่งเหมาะในการใช้วางแผนแรงงานของบริษัทฯด้วยค่า MAPE 5.95% และ 1.85% ของชุดข้อมูลเรียนรู้และชุดข้อมูลทดสอบตามลำดับ

Because of the demand fluctuations and its labor intensive in a warehouse, the management of an effective picking activity requires an accurate and reliable workforce preparation. The ineffective preparation equates to high labor costs from idle workers or excessive overtime. Similarly, the company in this case provides dedicated logistics operations in a consuming product distribution center, including put-tostore, a reverse of a general picking activity in which an operator consolidates many items by repeatedly dropping specific quantities of an individual item into a buffer area corresponding to an ordered store. In addition to the inaccurate forecasting of incoming cartons, the analysis also reveals that the ineffective preparation is caused by a simple workforce forecasting model that neglects mixture of items, quantity of pending items, historical workforce, and productivity of operators. As a result, this study proposes and compares forecasting models that incorporate such factors to predict weekly required man-hour. With training dataset, the model comparison reveals that linear regression models are more accurate. Nevertheless, they are less flexible than time-series models. In addition, the regression model that combines both historical workforce and pending items provides high accuracy and suitable for the workforce planning without overfitting with MAPE of 5.95% and 1.85% during training and testing dataset, respectively.


[1] J. Gu, M. Goetschalckx, and L. F. McGinnis, “Research on warehouse operation: A comprehensive review,” European Journal of Operational Research, vol. 177, no. 1, pp. 1–21, 2007.

[2] Kasikorn Reserch Center. (2019, November). Retail Trade, 2020: Growing 2.8%...Weak Purchasing Power Continues to Dampen Business (Current Issue No.3052). [Online]. (in Thai). Available: https://www.kasikorn Pages/z3052.aspx

[3] R. De Koster, T. Le-Duc, and K. J. Roodbergen, “Design and control of warehouse order picking: A literature review,” European Journal of Operational Research, vol. 182, no. 2, pp. 481–501, 2007.

[4] O. Kittithreerapronchai, Warehouse and Warehousing management. Bangkok: Industrial Engineering Chulalongkorn University, 2018 (in Thai).

[5] J. J. Bartholdi and S. T. Hackman, (2017, August). Warehouse & Distribution Science. (Release 0.98) [Online]. Available: https:// wh-sci-0.98.1.pdf

[6] J. Y. Shiau and J. A. Huang, “Wave planning for cart picking in a randomized storage warehouse,” Applied Sciences, 2020.

[7] S. De Leeuw, and V.C.S Wiers, “Warehouse manpower planning strategies in times of financial crisis: evidence from logistics service providers and retailers in the Netherlands,” Production Planning & Control, vol. 26, no. 4, pp. 328–337, 2015.

[8] T. Gilsa, K. Ramaekers, A. Caris, and M. Cools, “The use of time series forecasting in zone order picking systems to predict order pickers’workload,” International Journal of Production Research, vol. 55, no. 21, pp. 6380– 6393, 2017.

[9] M. Defraeye and I. V. Nieuwenhuyse, “Staffing and scheduling under nonstationary demand for service: A literature review,” Omega, vol. 58, pp. 4–25, 2016.

[10] N. R. Sanders and L. P. Ritzman, “Using warehouse workforce flexibility to offset forecast errors,” Journal of Business Logistics, vol. 25, no. 2, pp. 251–269, 2004.

[11] J. O. Ong and D. T. Joseph, “A review of order picking improvement method,” J@ti Undip: Jurnal Teknik Industri, vol. 4, no. 3, pp. 135–138, 2014.

[12] T. Gilsa, K. Ramaekers, A. Caris, and R. De Koster, “Designing efficient order picking systems by combining planning problems: State-of-the-art classification and review,” European Journal of Operational Research, vol. 267, no. 1, pp. 1–15, 2018.

[13] P. Komkul, “Forecasting cassava starch price in Thailand by using time series model,” The journal of KMUTNB, vol. 27, no. 4, pp. 805–820, 2017 (in Thai).

[14] S. Cherdchoogam and V. Rungreunganan, “Forecasting thee price of natural rubber in Thailand using the ARIMA model,” Applied Sciences, vol. 9, no. 4, pp. 271–277, 2020.

[15] C. Sermpongpan, “Forecasting of cement consumption in Thailand,” M.S. thesis, Faculty of Commerce and Accountancy, Thammasat University, Bangkok, 2017 (in Thai).

[16] E. E. Holmes, M. D. Scheuerell, and E. J. Ward, (2021, July). Applied time series analysis for fisheries and environmental data. [Online]. Available: atsa-labs/

[17] M. J. Crawley, Statistics: An Introduction Using R. 1st ed. Wiley, 2005.

Full Text: PDF

DOI: 10.14416/j.kmutnb.2023.09.002

ISSN: 2985-2145