Warehouse Location Optimization — 仓储选址优化：多仓库布局最优化决策
Skill-Warehouse-Location-Optimization · 18-物流履约
causalexperimentforecastingoptimization供应链与补货客服与VOCWF-A 智能补货WF-C 客服分诊
年化 ROI¥15-40 万
实现难度⭐⭐⭐☆☆
业务视角
适用角色物流负责人 / 供应链负责人 · 客服负责人 · 运营负责人
适用平台FBA vs FBM vs 第三方海外仓 · 美国本土最后一公里 · 跨境退货逆向物流
什么情况下用物流时效不稳定，差评里大量「收货太慢」，影响 DSR 评分；退货率高，处理成本吃掉大量利润；旺季物流爆仓
成功是什么样的物流时效提升 20-30%，物流相关差评减少 40%，退货成本可控，旺季履约稳定不崩溃
业务痛点
1. 解决的问题
月均2000单60%在美东用加州单仓发货运费Zone 7-8超贵——混合整数规划选址优化找到美东+美西双仓最优方案，配送成本降低15-25%年化节省10-30万元
2. 核心算法逻辑
单仓 vs 多仓的权衡：
3. 业务应用场景
业务问题：月均 2000 单，60% 在美东，40% 在美西。目前只使用加州 FBA 仓，东岸订单运费 Zone 7-8 很贵。是否应该在新泽西开第二个仓？如果是，每个仓应该备多少货？
数据要求： - 过去 12 个月订单数据（订单邮编 + 金额） - 各 FBA 仓的仓储成本（月租+人工） - 运费区表（按起点邮编×终点邮编）
预期产出： - 最优仓库数量和位置 - 各仓库服务的地理区域 - 总成本对比：单仓 vs 双仓 vs 三仓 - 库存分配建议：各仓备货比例
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 配送成本降低 15-25%（单仓→双仓）：月节省 ¥2-8 万（依规模）
- 时效提升（平均区数降低）：减少因配送慢导致的退货和差评
- 避免错误选址（人工直觉 vs 量化优化）：避免 $20,000/年 的冗余成本
- 年化综合 ROI：¥15-40 万
- 实施难度：⭐⭐⭐☆☆（贪心算法实现简单；生产级用 PuLP/Gurobi MIP；需要历史订单地理分布数据；约 3-4 周）
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
Warehouse Location Optimization
仓储选址优化：贪心 + 局部搜索求解
生产环境建议: pip install scipy pulp (混合整数规划)
"""
import numpy as np
from dataclasses import dataclass, field
from collections import Counter
@dataclass
class WarehouseCandidate:
"""候选仓库"""
warehouse_id: str
name: str
zip_code: str
monthly_fixed_cost: float # 月固定成本（租金+人工）
lat: float
lon: float
max_capacity_units: int = 100000
@dataclass
class CustomerZone:
"""客户需求区域"""
zone_id: str
representative_zip: str
monthly_demand: float # 月订单量
lat: float
lon: float
def haversine_distance(lat1, lon1, lat2, lon2):
"""计算两点间球面距离（km）"""
R = 6371
dlat = np.radians(lat2 - lat1)
dlon = np.radians(lon2 - lon1)
a = np.sin(dlat/2)**2 + np.cos(np.radians(lat1)) * np.cos(np.radians(lat2)) * np.sin(dlon/2)**2
return R * 2 * np.arcsin(np.sqrt(a))
def compute_shipping_cost(distance_km: float, weight_lb: float = 3.0) -> float:
"""
估算运费（基于距离的简化模型）
FBA Zone 1-8 对应 0-500km, 500-1000km, ...
"""
zone = min(8, int(distance_km / 500) + 1)
base_rates = {1: 5.0, 2: 6.5, 3: 7.5, 4: 8.5, 5: 9.5, 6: 11.0, 7: 13.0, 8: 15.5}
return base_rates[zone] * max(1, weight_lb / 3)
def solve_facility_location_greedy(
candidates: list[WarehouseCandidate],
customers: list[CustomerZone],
max_warehouses: int = 3,
weight_lb: float = 3.0,
) -> dict:
"""
贪心 + 局部搜索求解设施选址问题
"""8. 论文来源
- 2406.15678