Data-driven řízení toku palet v cross-docku

Marek Doležel

Diplomová práce

Data-driven pallet flow management in a cross-dock

Anotace:

Diplomová práce se zaměřuje na zlepšení procesů v cross-docích prostřednictvím aplikovaného strojového učení a shlukové analýzy. Práce zkoumá dataset rozdělený podle kilometráže: pro zásilky do 83 km (15 % palet) byla použita shluková analýza a pro zásilky nad 83 km (85 % palet) byl aplikován model XG Boost v rámci strojového učení. Tento postup vedl ke zvýšení efektivity procesů, s ročním zlepšením o 53,45 % v paletometrech ve srovnání se stávajícím systémem. Práce také poukazuje na možné výhody přechodu od fixních hranic zón k dynamicky měnícím se zónám, což by mohlo vést k dalšímu snížení variabilních nákladů a celkové potřebné ploše pro cross-docking. Zjištění z této práce nabízejí model pro zlepšení operací nejen pro konkrétní cross-dock v FM Lodz, ale mají potenciál pro aplikaci v širším měřítku v logistickém odvětví, což by mohlo přinést značné úspory a zlepšení efektivity.

Abstract:

The thesis focuses on improving processes in cross-docks through the application of machine learning and cluster analysis. The study examines a dataset divided by kilometrages: for shipments up to 83 km (15 % of pallets), cluster analysis was used, and for shipments over 83 km (85 % of pallets), the XG Boost model was applied within the scope of machine learning. This approach led to an increase in process efficiency, with an improvement of 53,45 % in pallet-meters compared to the existing system. The work also points out the potential benefits of transitioning from fixed zone boundaries to dynamically changing zones, which could lead to further reductions of costs and the overall area needed for cross-docking. The findings from this work offer a model for improving operations not just for the specific cross-dock in FM Lodz, but also have the potential for application on a broader scale in the logistics sector, which could bring significant savings and efficiency improvements.

Klíčová slova

Cross-dock, Strojové učení, Shluková analýza, Klastr, Design zón, Optimalizace procesů, XG Boost

Keywords

Process optimisation, Machine learning, XG Boost, Cluster analysis, Cluster, Zone design, Cross-dock

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 17. 12. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 23. 2. 2024
• Vedoucí: Jan Zouhar
• Oponent: Ondřej Sokol

Vysoká škola ekonomická v Praze

Magisterský studijní program:
Data & Analytics for Business Management