Optimering av lager för second-hand varor med hjälp av Maskininlärning

Warehouse management and organisation often use the popularity of items to assign placements in the warehouse and predict sales. However, when dealing with only unique second-hand items another solution is needed. This master's thesis therefore aims to identify influential features for customers buying items together and use this information to optimise Sellpy's warehouse management. Through data analyses, three features were identified as most influential: brand, demography, and type. These features were used to create a K-Means clustering model to group items in the warehouse, and the resulting model was evaluated against a demography baseline and random. Additionally, a second K-Means model was trained using the selected features and the age of items to differentiate between fast-moving and slow-moving items. The results of the analyses showed that the demography baseline performed the best when picking only one order at a time, while the K-Means models performed equally well when picking multiple orders simultaneously. Furthermore, organising items in the warehouse based on the K-Means clustering algorithm could significantly improve efficiency by reducing walking distances for warehouse workers compared to the random approach used today. In conclusion, this thesis highlights the importance of data analysis and clustering in optimising warehouse management for Sellpy. The identified influential features and K-Means clustering models provide a solid foundation for enhancing Sellpy's warehouse management.Lagerhantering och organisation använder ofta varors popularitet för placering i lagret och för att uppskatta försäljning. Men när det handlar om unika second-hand varor måste en annan lösning användas. Därför kommer denna masteruppsats att ha som mål att identifiera inflytelserika egenskaper för när kunder köper flera saker samtidigt och använda detta för att optimera Sellpys lagerhantering. Genom dataanalyser identifierades tre egenskaper som mest de inflytelserika: demografi, märke och typ av vara. Dessa egenskaper användes för att träna en K-Means klustringsmodell för att gruppera sakerna i lagret, och den framtagna modellen utvärderades mot en förutbestämd gruppering som endast använde demografi samt mot slumpmässigt gruppering. Utöver det så tränades ytterligare en K-Means modell med de inflytelserika egenskaper samt åldern på varorna för att särskilja saker som säljs snabbt och saker som säljs långsamt. Resultatet av analyserna visade att den förutbestämda demografigrupperingen presterade bäst när endast en order skulle plockas, medan K-Means modellerna presterade lika bra när flera ordrar skulle plockas samtidigt i en plocklista. Att organisera lagret baserat på K-Means klustringsalgoritmen skulle kunna förbättra effektiviteten avsevärt genom att minska gångavstånden för lagerarbetare jämfört med det slumpmässiga tillvägagångssättet som används idag. Sammanfattningsvis så har denna uppsats visat vikten av dataanalys och klustring för optimering av lagerhantering för Sellpy. De identifierade inflytelserika egenskaperna och K-Means klustringsmodellen ger en bra grund för att förbättra Sellpys lagerhantering