拥有一个动态高效的仓库，快速响应任何拣选需求是一个具有挑战性的目标。然而，有时最明显的问题是最重要的问题，在复杂的研讨会上很少有人告诉他们（所有关于指定顾问的问题，超级用户和流程所有者）

这类明显问题的一个很好的例子是，当运输主管简单地问他/她在某一天需要多少人来提货时。或者说另一点：他/她并没有在前面的好时机问这个问题，但当他/她看着挑选队列时，他/她只注意到："哦，我的挑选者在哪里？"如果遗留系统以某种方式支持资源规划，情况可能会更加尴尬。

EWM中缺少此数据可能有某些原因。在大多数部署中，只在提货/打包时间之前短时间创建交付是一种很好的做法，在CD场景中，交付通常在需要的当天创建。如果交货期短，最好是提货或调整数量，个人大数据，第二天重新开始。但是，此行业最佳实践不允许执行拣选人员的计划。在今天的系统中，如果WO的LSD在未来（例如WO是明天的），贵阳大数据，也不可能限制队列中的WT处理。

对于MTO或CD场景，云服务器好，我们可以对未检查的交付实施文档流，我们可以得到未来的提货单。这相当于从VBEP和EKET表中提取数据。这可能会有所帮助，但不能提供采摘所需的实时性。每个项目的平均拣货时间在这里会有所帮助，但目前该值未存储在系统中的任何位置，我们需要在外部进行处理。在补货场景中，我们被蒙在鼓里，直到MRP运行生成STO。

另一方面，EWM提供了非常灵活的工具，大数据分析是什么专业，在WT存在时，如何根据不同的资源类型、水平和垂直距离计算、资源速度，处理持续时间和仓单准备时间。然而，当没有仓库请求和没有可用库存时，当前不可能使用此逻辑。没有模拟功能，在SAP之外模拟此工具意味着复制所有仓库逻辑。

再看一下投影算法，有许多手动输入，如拣货HU的数量或拣货的货盘数量。对于采摘本身，我们并不真正需要知道什么样的运输方式，或什么尺寸的卡车将到达。这里的目的是使存货可供装载。基于客户和/或合并组（目前用于包装验证和基本重量/体积数据）的托盘化粗略确定足以用于预测目的。该算法也可以使用过去的数据。

因此回到源文档，实现这一点的一个好方法是合并一个新的预期发货逻辑，它可以绕过交货创建约束，还可以包括平均补货需求。出于计划目的，此类文件将允许根据当前内部仓库配置和假设在其固定仓位或最合适的收货仓位中提供库存来计算和预测出站处理时间。

预期的发货信息将为内部资源提供数据计划，固定货位管理和内部开槽。这里的主要好处是仓库优化，即了解特定日期需要多少全职员工，以及动态确定固定仓位，这将对准时装运KPI产生重大影响。

考虑到EWM配置的灵活性，这个想法很可能作为一个咨询解决方案，由自定义增强功能

，淘客app开发