CN111144677A - 效率评估方法和效率评估*** - Google Patents

Abstract

本发明实施例提供一种效率评估方法和效率评估***，该效率评估方法包括：获得与评估对象相对应的多个仓储参数和评估指标；根据岗位内容划分与所述评估对象相对应的评估模型的模型种类；根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证；以及根据所述模型种类修改所述评估模型的多个配置参数，并计算出所述评估对象的工作效率。通过根据岗位内容划分模型种类，根据模型种类生成对应于一个评估对象的多个评估模型，对模型进行有效性验证后修改配置参数，再计算评估对象的工作效率，从而使得评估结果能够同时反映相同的工作岗位中的多种不同操作的工作效率，获得相对公平的评估结果。

Description

效率评估方法和效率评估***

技术领域

本发明涉及计算机技术领域，具体涉及一种效率评估方法和效率评估***。

背景技术

在仓库生产过程中，仓库管理人员需要评估每个员工的工作量，公平合理有效的评估方案在很大程度上能够调动员工的积极性。

对于仓库内上架岗的工作人员，目前主要按照有效工作时长内上架的商品件数来衡量其工作效率，例如一个员工一天工作总时间是7小时，有效工作时间长比如是6小时，在这6小时内上架了共6000件商品，那么此人的工作效率就是1000件/小时。然而仓库内不同的商品,存储和摆放的位置不同，作业人员的工作效率受到了如上架时的作业区域(零拣区和保管区)、所走的储区数、巷道数、商品放置的储位数、储位所在的层数、商品本身的重量、体积、商品是否危险品、易碎品等诸多因素的影响，简单的从一定时间内上架的件数来反应一个人的工作效率并不公平。例如，一个人将一整托排的商品直接存放在保管区的第一层比将其放置在零拣区不同储区不同层高的储位上所花费的时间要少的多，按照目前的人效计算逻辑，第一种上架方式的人效将远远大于第二种，但实际上采用第二种上架方式的工作人员付出的劳动更大，显然这种判断并不妥当。若只按上述方式来评估人效将有损公平，长此以往，一定程度上会造成员工的忠诚度降低、资源浪费等，最终降低整体的生产效率。

因此，发明人认为，上述的仓库人员工作效率评估方法有很大的局限性，利用有效时间内的上架件数来计算工作量存在不能公平合理地评估仓库人员的实际工作情况的问题。

发明内容

有鉴于此，本发明实施例提供一种效率评估方法和评估***，通过数据挖掘方法进行建模，最终给出合理的上架岗人效评估结果，避免了现有技术中采用单一的评估因素来评估工作人员的工作量导致的评估结果不公平的现象，以提高员工的工作积极性。

根据本发明第一方面，提供一种效率评估方法，包括：获得与评估对象相对应的多个仓储参数和评估指标；根据岗位内容划分与所述评估对象相对应的评估模型的模型种类；根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证；以及根据所述模型种类修改所述评估模型的多个配置参数，并计算出所述评估对象的工作效率。

优选地，根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证的步骤包括：根据所述多个仓储参数生成训练集；提取所述评估指标并分析所述评估指标与多个所述仓储参数之间的对应关系；根据所述对应关系选择模型类型；以及根据所述模型类型，采用所述仓储参数对所述评估指标进行拟合计算，对拟合结果进行有效性验证后输出多个所述评估模型。

优选地，所述模型类型为非线性模型。

优选地，根据所述模型类型，采用所述仓储参数对所述评估指标进行拟合计算，对拟合结果进行有效性验证后输出多个所述评估模型的步骤包括：获得所述评估指标的中位数；采用多个所述仓储参数和所述评估指标的中位数分别组合成非线性回归模型；计算所述评估模型中的未知的所述配置参数；以及验证所述评估模型的有效性。

优选地，所述模型种类包括零拣区上架模型、跨区上架模型和保管区上架模型。

优选地，所述评估指标为上架时间，包括零拣区上架时间，跨区上架时间，保管区上架时间。

优选地，所述仓储参数包括：一个上架任务单中的件数、SKU数、上架的巷道数和储位数。

优选地，所述效率评估方法还包括：根据工作岗位的操作流程设置多个环节；以及根据所述多个环节分别设置仓储参数。

优选地，所述效率评估方法还包括：数据预处理，去除所述多个仓储参数中的异常参数。

优选地，所述异常参数包括：仓库连续运营时间小于预定值的数据、连续工作时间小于预定值的数据和重复数据。

根据本发明第二方面，提供一种效率评估***，包括：数据获取单元，用于获得与评估对象相对应的多个仓储参数和评估指标；模型划分单元，用于根据岗位内容划分与所述评估对象相对应的评估模型的模型种类；模型验证单元，用于根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证；以及效率计算单元，用于根据所述模型种类修改所述评估模型的多个配置参数，并计算出所述评估对象的工作效率。

优选地，所述效率评估***还包括：数据准备单元，用于根据工作岗位的操作流程设置多个环节；参数设置单元，用于根据所述多个环节分别设置仓储参数；以及数据处理单元，用于去除所述多个仓储参数中的异常参数。

优选地，所述模型验证单元包括：准备单元，用于获得所述评估指标的中位数；拟合单元，用于采用多个所述仓储参数和所述评估指标的中位数分别组合成非线性回归模型；配置单元，用于计算所述评估模型中的未知的所述配置参数；以及检验单元，用于验证所述评估模型的有效性。

优选地，所述仓储参数包括：一个上架任务单中的件数、SKU数、上架的巷道数和储位数。

根据本发明第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如上述所述的效率评估方法。

根据本发明第四方面，提供一种效率评估装置，包括：存储器，用于存储计算机指令；处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现如上述所述的效率评估方法。

本发明的实施例具有以下优点或有益效果：根据岗位内容划分模型种类，根据模型种类生成与评估对象对应的多个评估模型，进行有效性验证后再修改配置参数，然后计算评估对象的工作效率，使得评估结果能够同时反映相同的工作岗位中的多种不同操作的工作效率，从而获得相对公平的评估结果。

本发明的另一优选实施例具有以下优点或有益效果：根据多个环节设置仓储参数，提高了评估模型的准确度；而且根据商品上架的操作方式划分模型种类，使评估对象的设置更能贴近实际操作，评估结果更为准确。

本发明的优选实施例具有以下优点或有益效果：根据仓储参数和评估指标拟合评估模型，在对评估模型进行有效性验证且验证通过后才输出最终的评估模型，使评估模型能更准确地评估人效。

附图说明

通过参照以下附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1示出了在第一实施例中的效率评估方法的流程图；

图2示出了在第二实施例中的汇总的效率评估方法的流程图；

图3示出了在第三实施例中的图1所示的步骤S103的具体流程图；

图4示出了在第四实施例中的图3所示的步骤S1034的具体流程图；

图5示出了在第五实施例中的效率评估***的结构图；

图6示出了在第六实施例中汇总的效率评估***的结构图；

图7示出了在第七实施例中的效率评估***的模型验证单元的结构图；

图8示出了在第八实施例中的效率评估装置的结构图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。

图1示出了在第一实施例中的效率评估方法的流程图，具体步骤S101-S103。

在步骤S101中，获得与评估对象相对应的多个仓储参数和评估指标。

在步骤S102中，根据岗位内容划分与评估对象相对应的评估模型的模型种类。

在步骤S103中，根据模型种类，采用仓储参数和评估指标分别建立多个评估模型，并对评估模型进行有效性验证。

在步骤S104中，根据模型种类修改评估模型的多个配置参数，并计算出评估对象的工作效率。

如背景技术中所述，利用有效工作时间内的上架件数的统计方式计算工作量不能合理地评估仓库上架岗人员的实际工作效率，因而在本实施例中，针对评估对象，采用评估模型进行评价。评估对象例如是仓库上架岗人员，针对不同的商品，在不同的位置上架的操作方式和上架路径不同，则对应不同的影响人效的仓储参数，所以可以针对一个评估对象设置多个不同的评估模型，然后进行配置参数的设置，再对模型进行有效性验证，确保模型的准确性，最后根据每个评估模型计算出不同的操作方式对应的不同的工作效率，进行组合后得出总的工作效率。用每个上架岗人员在一天内的有效上架时间来表征工作效率，使人效评估更为合理。

步骤S101中，首先在工作中获得与评估对象相对应的多个仓储参数，再确定一个评估指标，以此来表征工作效率。同一个工作岗位操作方式不相同，例如仓库上架岗，每个工作人员每次需要上架的商品不同，上架时的作业区域(零拣区和保管区)、所走的储区数、巷道数、商品放置的储位数、储位所在的层数、商品本身的重量、体积、商品也均不相同，难易程度不同，耗费时间和精力不同。所以不同类型的商品，其上架的时间不同。上述这些所有因素都会造成最后的工作效率的评估差异，因此对于不同的操作方式的评估对象，从这些能够影响工作效率的因素中选取部分或全部作为评估模型的仓储参数。

步骤S102中，然后根据上架岗人员工作时针对不同的商品上架的不同操作方式和不同的存放区域划分与评估对象相对应的模型种类。具体地，不同品类仓中商品存储布局不同，首先对模型进行品类仓粒度上的细分，品类仓包括了商超、3C、百货、小家电、生鲜等。有的品类仓(例如商超、3C仓库)，根据件型的不同可以分为小件仓(A仓)和中小件仓(B仓)，商品的件型会影响上架的效率，所以要对模型进行A/B仓的区分。一个容器内有多个不同的商品SKU，生成上架任务单号后可能被上架至仓库不同的存储区域内,一个上架任务单中的商品可能被全部上架至零拣区、零拣区和保管区都有和全部上架至保管区，模型需要对不同上架类型进行区分，所以据此进行初步划分，即根据商品的上架操作方式划分的模型种类包括：零拣区上架模型、跨区上架(零拣区和保管区)模型和保管区上架模型。然后结合商品的件型，如果需要对模型进行按照件型的划分，则分为6种。

步骤S103中，选择一个合适的模型类型，并将对应的仓储参数的数据代入到评估模型中，最终根据仓储参数和模型类型整理出适用于评估对象的不同操作方式的多个不同的评估模型，以获得不同操作方式对应的评估对象的工作效率；然后对得出的多个评估模型进行有效性的评估，利用已有的数据验证模型是否可行，如果可以，则输出最终的评估模型，如果有差错，再进行重新拟合。

步骤S104中，最后根据模型种类修改评估模型的多个配置参数，并分别计算工作效率，叠加后计算评估对象的总的工作效率。可以计算一个上架岗员工在一天内在不同的区进行商品上架的总的工作效率。

最终，在评估模型中综合了多个仓储参数的影响，可以计算每个验收岗人员实际验收的工作效率，从而获得一个相对较为公平的评估结果。

在本发明实施例中，根据岗位内容划分模型种类，根据模型种类生成与评估对象对应的多个评估模型，进行有效性验证后再修改配置参数，然后计算评估对象的工作效率，使得评估结果能够同时反映相同的工作岗位中的多种不同操作的工作效率，从而获得相对公平的评估结果。

图2示出了在第二实施例中的汇总的效率评估方法的流程图，包括在图1所示的步骤S101步骤之前执行的多个步骤的流程图，具体包括以下步骤。

在步骤S201中，根据工作岗位的操作流程设置多个环节。

在步骤S202中，根据多个环节分别设置仓储参数。

在步骤S203中，数据预处理，去除多个仓储参数中的异常参数。

在步骤S204中，获得与评估对象相对应的多个仓储参数和评估指标。

在步骤S205中，根据岗位内容划分与评估对象相对应的评估模型的模型种类。

在步骤S206中，根据模型种类，采用仓储参数和评估指标分别建立多个评估模型，并对评估模型进行有效性验证。

在步骤S207中，根据模型种类修改评估模型的多个配置参数，并计算出评估对象的工作效率。

步骤S204-S207与图1的步骤S101-S104相同，这里不再赘述，以下说明步骤S201-S204。

步骤S201中，根据工作岗位的操作流程设置多个环节。具体地，不同仓库的相同或不同的工作岗位都会涉及多个环节，以上架岗为例说明，为了确保所建立的模型能够准确反应出一名上架工作人员实际付出的劳动量，到不同品类仓如商超、3C、百货、生鲜仓等进行了实际现场调研，发现上架岗的员工的基本操作环节如下：

1、上架员通过手持PDA扫描待上架区内托排上商品所在的容器号，此时***将会自动生成一个待上架任务号，容器号与上架任务号绑定；

2、容器中的不同商品SKU根据仓库内的商品布局、临拣区SKU数量、安全储存、销量预测等关系已经给出了推荐的储区和储位，上架员同时结合仓库内实际情况选择上架区域和储位；

3、***给出第一个商品SKU的上架位置推荐，上架员找到合适的储区和储位后，扫描商品SKU号，将商品放入储位中，清点数量，确认与***中的件数无误后，点击确认，同时扫描储位号，完成商品SKU与储位的关联；

4、***自动给出该上架任务中第二个商品SKU的上架位置推荐，上架员重复3中的步骤，此过程直至该上架任务号的中全部商品上架完毕后停止。

通过分析商品上架的不同操作的各个环节，可知不同的商品上架时会安排至不同的区域，上架员不仅需要进行将商品上架动作(不同重量、体积商品的上架时间也会不同)，还需要大量时间进行寻找储位，此过程涉及到的有去不同储区不同巷道，此过程耗时不同，耗费的精力也不同。

在步骤S202中，根据多个环节分别设置仓储参数。那么通过分析验收操作的各个环节，结合根据操作方式不同，统计出每个环节中与评价工作效率相关的仓储参数，分别对应不同的模型设定最终的仓储参数。

和验收相关的多种参数例如是仓库信息、员工信息、上架任务号信息、上架信息和SKU基本信息等。仓库信息包括仓库名称(区分A/B仓)、品类名称等。其中品类名称包括例如生鲜、食品等。员工信息包括员工的ERP账号。上架任务号信息包括包含的SKU ID、件数。上架信息包括储区分类、储位号、储位所在的层数、巷道号、每个商品SKU上架时间。SKU基本信息包括商品SKU所属品类、长、宽、高、重量、是否易碎、是否危险品等。从上述参数中选定本实施例采用的多个仓储参数，例如订单SKU，一个任务单中的上架的件数，商品的总重量，巷道数。

在步骤S203中，数据预处理，去除多个仓储参数中的异常参数。为了最终得到的评估模型更高效，上述方法还包括：对于仓储参数的数据进行筛选。在某些情况下，由于***或人为操作或不规范等原因，在一定程度上会造成收集到的原始数据异常，其中包含数据重复、数据缺失、无效数据、脏数据等，如果不去除这些异常数据，一定程度上会影响评估模型的评估效果。所以在建立模型时需要对这些异常数据进行清洗处理，保留对建立模型有用的数据，去除多个仓储参数中的异常参数。

在一个实施例中，异常参数例如包括仓库连续运营时间小于预定值的数据、连续工作时间小于预定值的数据和重复数据。具体地，由于新仓的整理布局(如不断的扩仓面积)容易调整，导致同样的商品上架的时间不能稳定，其数据不能代表普遍的规律，所以要选择已经正常运营一段时间的仓库，这里需要设置一个阈值T，单位月，表示仓库连续运营时间，且建模数据要求是最近的T-3月，一般情况T＝6，需要仓库连续运营满6个月，用最近3个月的数据进行建模，连续运营时间小于6个月的数据需要去除。

另外，由于员工的操作熟练度直接影响了工作效率，仓库中平时会有临时工，临时工对应的仓储参数认为是异常参数，首先将临时工的数据删除；而正式验收人员，在工作的前N小时，其熟练程度也达不到要求，所以选择仓库内的正式上架员工的有效验收时间超过100小时的数据，连续工作时间小于100小时的数据剔除。

再者，由于库房管理等原因可能造成一段时间内共用ERP账号的情况，所以选择在相同的时间一个ERP账号只对应一个预检单号的数据，超出一个的，需要把两个预检单号对应的信息删除。类似的，对于上架任务单，在实际操作中，会有多个人对同一上架任务号中的商品进行同时上架操作，这时候任务号的上架时间会受到多种不可控的影响因素，需要将此上架任务号删除；有时候会出现跨天上架的情况，也需要删除；而对于其它***原因造成的脏数据，例如同一上架任务号同一SKU有多次相同的上架时间记录，或者上架时间、SKU号、件数、人员为空等数据，均需要删除。

图3示出了在第三实施例中的图1所示的步骤S103的具体流程图，具体包括以下步骤。

在步骤S1031中，根据多个仓储参数生成训练集。如前所述，和仓储相关的多种参数例如是仓库信息、员工信息、上架任务单信息、上架信息和SKU基本信息等。从中选定较为重要的仓储参数进行整合，成为一个训练集。在上架操作过程中，由于***只记录每个上架任务号中每个SKU的上架时间，所以相邻两个上架任务号，后一个任务号第一个上架记录时间与前一个任务号最后一个上架记录时间之间的时间差包括了上架员回去待上架区领取任务号的时间，并不属于上架的有效时间，故要删除上架任务号第一个上架任务所包含的信息。最终统计的数据粒度是上架任务号，去除第一个上架任务后，其它上架任务的SKU数、总件数、储位数、巷道数、上架商品的总重量、总体积、上架时间。其中上架时间＝任务单的最后一个上架记录时间-任务单第二个上架记录时间。

在步骤S1032中，提取评估指标并分析评估指标与多个仓储参数之间的对应关系。提取上架时间作为评估指标，在训练集中进行单因素分析，分别分析多个仓储参数与上架时间的关系，选择趋势最明显的特征作为重要的影响因素进行模型输入。由于在不同区域内的上架时间差别很大，所以分全在零拣区、跨区和全部在保管区上架三部分进行讨论。上架时间例如包括：零拣区上架时间，跨区上架时间，保管区上架时间。观察对上架时间的影响因素如上所述包括：SKU数、总件数、储位数、巷道数、上架商品的总重量、总体积(当有相同的SKU数或总件数或储位数或巷道数有不同的上架时间时，取时间的中位数代表，重量和体积转为分类字段，每个相同分类不同时间值也取中位值)。这里选取全部在零拣区上架为例说明，将每个影响因素与上架时间的关系作一张散点图，根据散点图分别分析SKU数、件数、巷道数和储位数与上架时间的关系。由图可知，所选因素与上架时间有明显的相关性，SKU数、巷道数与上架时间呈现线性的关系，件数和储位数与上架时间呈现指数函数的关系。同样，对于客退入库和备件库入库也进行类似分析。同时也分析各个因素之间的相关性，结果，大部分因素均与时间有明显的相关性，但本实施例不仅限于此。

在一个实施例中，评估模型包含一个至多个评估指标，并根据一个至多个评估指标得到工作效率的评估结果。例如，分别获得的多个评估指标包括第一SKU上架的平均耗时、第二SKU上架的平均耗时、第三SKU上架的平均耗时、……，将上述的平均耗时累加得到上架总耗时作为最终的评估指标，计算工作效率的评估结果。其中，第一、第二、第三仅用于标识不同的SKU，不代表优先级或重要程度的不同。例如，仅仅采用一个评估指标，评估指标例如是上架时间，上架时间＝任务单的最后一个上架记录时间-任务单第二个上架记录时间，以此作为计算工作效率的评估指标。

在步骤S1033中，根据对应关系选择模型类型。

从线性模型、非线性模型、树回归模型(随机森林、GBDR)等众多模型中选择一个模型，由于各种影响因素既有线性关系又有非线性关系，但是最终的模型是个多因素模型，不是单因素模型，所以本次例如选择使用非线性模型作为模型类型。可选地，非线性模型通过列文伯格(LM)算法结合梯度下降法、高斯牛顿法。

在步骤S1034中，根据模型类型，采用仓储参数对评估指标进行拟合计算，对拟合结果进行有效性验证后输出多个评估模型。选择非线性模型对上架时间进行拟合，将各种作为影响因素的仓储参数组合带入拟合模型，由于并非所有因素代入模型中都会有意义，所以要删除对模型无意义的仓储参数，然后选择模型的R方较大和在测试集中的MAPE最小的作为评估模型的输出。分别针对每一个评估模型都进行有效性的验证，不能通过验证的模型进行重新拟合，取通过有效性验证的评估模型作为对应于多个不同的模型种类的多个评估模型。

图4示出了在第四实施例中的图3所示的步骤S1034的具体流程图，具体包括以下步骤。

在步骤S401中，获得评估指标的中位数。获取每个上架单时长及件数等相关数据，并计算建模粒度下的上架时间的中位数，为建立模型做好准备。对应不同的模型种类有不同的评估模型以及上架时间，分别收集这些数据。

在步骤S402中，采用多个仓储参数和评估指标的中位数分别组合成非线性回归模型。

对每一种操作方式，均采用仓储参数对上架时间进行拟合，组成非线性回归方程，将各种作为影响因素的仓储参数组合带入拟合模型，由于并非所有因素代入模型中都会有意义，所以要删除对模型无意义的仓储参数，然后选择模型的R方较大和在测试集中的MAPE最小的作为模型的输出。

在步骤S403中，计算评估模型中的未知的配置参数。

根据已有的数据，计算非线性回归方程中的每个未知的配置参数或根据已有数据进行定义，不同的评估模型的配置参数不尽相同，修改配置参数，可以计算不同的模型种类对应的工作效率。

在步骤S404中，验证评估模型的有效性。

对输出的评估模型进行有效性的验证，利用已有的数据，代入评估模型中，看计算出的有效上架时间是否与已有数据吻合，或者效率评估是否准确。

在步骤S405中，判断多个评估模型的有效性验证是否通过。如果验证后，发现输出的模型未通过有效性验证，则返回步骤S402，如果验证通过则进入步骤S406。

验证通过后，得到不同的评估模型，例如，上架岗中，在计算盒有效性验证之后，最终得到的与评估对象对应的三种不同的评估模型如下：

全部在零拣区上架模型，Predtime1＝a+b*exp(-exp(c)*Qty^d)+e*Sku+f*Aisle

跨区上架模型，Predtime2＝a*Qty^b+c*Sku+d*Center+e

全部在保管区上架模型，Predtime3＝a*Qty^b+c*Sku+d，

此处是按照没有划分仓库种类进行计算得出的评估类型。其中，a，b，c，d，e，f为配置参数，不同的评估模型，配置参数不同，Qty，Sku，Aisle和Center分别代表一个上架任务单中的件数、SKU数、上架的巷道数和是否跨区(储位数)，当需要进行划分小件A仓和中小件B仓时，修改模型的配置参数即可得到6种模型，即小件A仓零拣区上架模型，小件A仓跨区上架模型，小件A仓保管区上架模型，中小件B仓零拣区上架模型，中小件B仓跨区上架模型，中小件B仓保管区上架模型。

在步骤S406中，进行人效评估。根据评估模型计算上架岗人员的工作效率，例如，食品母婴A仓上架单商品均在零拣区上架的模型结果是：predtime＝70.8776-170.8103*exp(-exp(-1.9952)*Qty^0.5708)+3.5467*tsku+82.8291*taisle，若有一个上架单，里面有40件,5个SKU，走了3个巷道，本次上架***记录时间是8分钟，模型评估有效的上架时间是282秒。

因为一个上架岗人员一天之内可能进行不同的商品的上架操作，一段时间在零拣区上架，一段时间在保管区上架，操作不同，对应的评估模型不同，对工作效率的计算不同，所以会分别按照每一段时间对应的不同的评估模型计算工作效率，叠加之后形成某一位上架岗人员的总的工作效率。

计算时，调整配置参数得到各自的工作耗时。此种方式可以使计算简洁方便，节省人力，对于需要处理大数据量的任务，尤其具有优势。

本实施例通过数据挖掘方法进行建模，最终给出合理的上架岗人效评估结果，即利用一个人一天的有效上架时长来衡量工作效率，而不是用一个人一天有效工作时长内上架的件数来衡量。

应该指出的是，虽然上述实施例并不能用于限制本发明。因为其他的参数或者其他的评估对象的划分，也可以实践本发明实施例提供的效率评估方法。

图5示出了在第五实施例中的效率评估***的结构图。

该效率评估***500，包括数据获取单元501、模型划分单元502、模型验证单元503和效率计算单元504。

数据获取单元501用于获得与评估对象相对应的多个仓储参数和评估指标；模型划分单元502用于根据岗位内容划分与评估对象相对应的评估模型的模型种类；模型验证单元503用于根据模型种类，采用仓储参数和评估指标分别建立多个评估模型，并对评估模型进行有效性验证；效率计算单元504用于根据模型种类修改评估模型的多个配置参数，并计算出评估对象的工作效率。

图6示出了在第六实施例中汇总的效率评估***的结构图。

该效率评估***600，除了包括上述的501-504之外，还包括数据准备单元601、参数设置单元602和数据处理单元603。

数据准备单元601用于根据工作岗位的操作流程设置多个环节；参数设置单元602用于根据多个环节分别设置仓储参数。

在一个实施例中，该效率评估***600还包括数据处理单元603，数据处理单元603用于去除多个仓储参数中的异常参数，保证评估的准确性。

在本实施例中，数据采集单元601针对评估对象进行了大量的数据采集，根据工作岗位的操作流程设置多个环节，参数设置单元602将收集到的数据经过处理存储为仓储参数。在建立评估模型之后进行工作效率的评估，因事先进行了数据的采集和预处理，使效率的评估方法更加具有科学性和可靠性；而且对评估对象的不同操作方式采用不同的参数的评估模型，使效率评估更加细致，更具有公平性和合理性；将每位需要评估的对象对应的仓储参数带入模型即可进行工作效率的评定，不仅使评估过程高效简洁，而且公开透明，可以很好地调动员工的积极性。

图7示出了在第七实施例中的效率评估***的模型验证单元503的结构图。

该模型验证单元503包括准备单元5031、拟合单元5032、配置单元5033和检验单元5034。准备单元5031用于获得评估指标的中位数；拟合单元5032用于采用多个仓储参数和评估指标的中位数分别组合成非线性回归模型；配置单元5033用于计算评估模型中的未知的配置参数；检验单元5034用于验证评估模型的有效性。根据仓储参数和评估指标拟合评估模型，在对评估模型进行有效性验证且验证通过后才输出最终的评估模型，使评估模型能更准确地评估人效；不同的评估模型对应不同的配置参数，修改配置参数，可以计算不同的模型对应的工作效率。

应该理解，本发明实施例的***和方法是对应的，因此，在***的描述中以相对简略的方式进行。图8示出了在第八实施例中的效率评估装置的结构图。图8示出的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围构成任何限制。

参考图8，该效率评估装置800包括通过总线连接的处理器801、存储器802和输入输出设备803。存储器802包括只读存储器(ROM)和随机访问存储器(RAM)，存储器802内存储有执行***功能所需的各种计算机指令和数据，处理器801从存储器802中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。存储器802还存储有以下的计算机指令以完成本发明实施例的效率评估方法规定的操作：获得与评估对象相对应的多个仓储参数和评估指标；根据岗位内容划分与评估对象相对应的评估模型的模型种类；根据模型种类，采用仓储参数和评估指标分别建立多个评估模型，并对评估模型进行有效性验证；以及根据模型种类修改评估模型的多个配置参数，并计算出评估对象的工作效率。

相应地，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述效率评估方法所规定的操作。

附图中的流程图、框图图示了本发明实施例的***、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。

***的各个模块或单元可以通过硬件、固件或软件实现。软件例如包括采用JAVA、C/C++/C#、SQL等各种编程语言形成的编码程序。虽然在方法以及方法图例中给出本发明实施例的步骤以及步骤的顺序，但是所述步骤实现规定的逻辑功能的可执行指令可以重新组合，从而生成新的步骤。所述步骤的顺序也不应该仅仅局限于所述方法以及方法图例中的步骤顺序，可以根据功能的需要随时进行调整。例如将其中的某些步骤并行或按照相反顺序执行。

根据本发明的***和方法可以部署在单个或多个服务器上。例如，可以将不同的模块分别部署在不同的服务器上，形成专用服务器。或者，可以在多个服务器上分布式部署相同的功能单元、模块或***，以减轻负载压力。所述服务器包括但不限于在同一个局域网以及通过Internet连接的多个PC机、PC服务器、刀片机、超级计算机等。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种效率评估方法，其特征在于，包括：

获得与评估对象相对应的多个仓储参数和评估指标；

根据岗位内容划分与所述评估对象相对应的评估模型的模型种类；

根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证；以及

根据所述模型种类修改所述评估模型的多个配置参数，并计算出所述评估对象的工作效率。

2.根据权利要求1所述的效率评估方法，其特征在于，根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证的步骤包括：

根据所述多个仓储参数生成训练集；

提取所述评估指标并分析所述评估指标与多个所述仓储参数之间的对应关系；

根据所述对应关系选择模型类型；以及

根据所述模型类型，采用所述仓储参数对所述评估指标进行拟合计算，对拟合结果进行有效性验证后输出多个所述评估模型。

3.根据权利要求2所述的效率评估方法，其特征在于，所述模型类型为非线性模型。

4.根据权利要求2所述的效率评估方法，其特征在于，根据所述模型类型，采用所述仓储参数对所述评估指标进行拟合计算，对拟合结果进行有效性验证后输出多个所述评估模型的步骤包括：

获得所述评估指标的中位数；

采用多个所述仓储参数和所述评估指标的中位数分别组合成非线性回归模型；

计算所述评估模型中的未知的所述配置参数；以及

验证所述评估模型的有效性。

5.根据权利要求1所述的效率评估方法，其特征在于，所述模型种类包括零拣区上架模型、跨区上架模型和保管区上架模型。

6.根据权利要求1所述的效率评估方法，其特征在于，所述评估指标为上架时间，包括零拣区上架时间，跨区上架时间，保管区上架时间。

7.根据权利要求1所述的效率评估方法，其特征在于，所述仓储参数包括：一个上架任务单中的件数、SKU数、上架的巷道数和储位数。

8.根据权利要求1所述的效率评估方法，其特征在于，还包括：

根据工作岗位的操作流程设置多个环节；以及

根据所述多个环节分别设置仓储参数。

9.根据权利要求1所述的效率评估方法，其特征在于，还包括：数据预处理，去除所述多个仓储参数中的异常参数。

10.根据权利要求9所述的效率评估方法，其特征在于，所述异常参数包括：仓库连续运营时间小于预定值的数据、连续工作时间小于预定值的数据和重复数据。

11.一种效率评估***，其特征在于，包括：

数据获取单元，用于获得与评估对象相对应的多个仓储参数和评估指标；

模型划分单元，用于根据岗位内容划分与所述评估对象相对应的评估模型的模型种类；

模型验证单元，用于根据所述模型种类，采用所述仓储参数和所述评估指标分别建立多个评估模型，并对所述评估模型进行有效性验证；以及

效率计算单元，用于根据所述模型种类修改所述评估模型的多个配置参数，并计算出所述评估对象的工作效率。

12.根据权利要求11所述的效率评估***，其特征在于，还包括：

数据准备单元，用于根据工作岗位的操作流程设置多个环节；

参数设置单元，用于根据所述多个环节分别设置仓储参数；以及

数据处理单元，用于去除所述多个仓储参数中的异常参数。

13.根据权利要求11所述的效率评估***，其特征在于，所述模型验证单元包括：

准备单元，用于获得所述评估指标的中位数；

拟合单元，用于采用多个所述仓储参数和所述评估指标的中位数分别组合成非线性回归模型；

配置单元，用于计算所述评估模型中的未知的所述配置参数；以及

检验单元，用于验证所述评估模型的有效性。

14.根据权利要求11所述的效率评估***，其特征在于，所述仓储参数包括：一个上架任务单中的件数、SKU数、上架的巷道数和储位数。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至10中任一项所述的效率评估方法。

16.一种效率评估装置，其特征在于，包括：

存储器，用于存储计算机指令；

处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现如权利要求1至10中任一项所述的效率评估方法。

Images