فرادرسمدیریت صحیح ظرفیت چگونه باعث افزایش بهره‌وری فرایند تحویل کالا در فروشگاه آمازون شد؟
در سال 2012 آمازون شروع به نصب صندوق‌هایی مخصوص دریافت و مرجوعی کالاها در سراسر ایالات‌متحده، بریتانیا و سایر نقاط اروپا کرد. این صندوق‌ها در فروشگاه‌های محلی، پمپ‌های بنزین، فضاهای اداری و حتی مجتمع‌های آپارتمانی نصب شدند. زمانی که مشتریان آمازون از این فروشگاه کالاهایی خریداری می‌کنند، می‌توانند انتخاب کنند که بسته‌ها بر اساس انتخابشان در یک صندوق قرار گیرد تا در زمان فراغت و بدون نگرانی از سرقت بسته یا دغدغه این که در ساعت تحویل بسته در خانه هستند یا نه، آن را از صندوق مربوطه آمازون تحویل بگیرند.
مدیریت تقاضای صندوق
رفاهی که این سیستم ارائه می‌کند، موجب شده است که تعداد زیادی از مشتریان آمازون به استفاده از روش تحویل در صندوق علاقه‌مند باشند. با افزایش تقاضا از سوی کاربران، استفاده آمازون از روش مدیریت بهره‌وری برای ظرفیت این صندوق‌ها به امری حیاتی برای تأمین رضایت کاربران تبدیل شده است. در طی یک همایش کوچک در سال 2018 که در پورتلند ایالت اورگان برگزار شد، سامیوکتا ستورامان (Samyukta Sethuraman) یکی از دانشمندان تحقیق عملیات در آمازون به بررسی تلاش‌های این شرکت برای محاسبه میزان رزرواسیون این صندوق‌ها، پیشگیری از رزرو مازاد بر ظرفیت و روش‌های تطبیق با ترجیح ارسال کالا از سوی مشتری پرداخته است. واحد بهینه‌سازی و تحقیق برنامه‌ریزی آمازون بدین منظور الگوریتم جامعی طراحی کرده که از پیش‌بینی تقاضای صندوق و زمان ماندن در صندوق برای تخمین میزان ظرفیت اشغال صندوق‌های آمازون بر اساس سرعت ارسال و تاریخ آن استفاده می‌کند.
ستورامان در این زمینه بیان می‌کند که: «مدیریت ظرفیت شامل دو بخش است. این سیستم هر لحظه به ما می‌گوید که آیا در روز تحویل کالا در یک صندوق خاص، ظرفیت آزاد وجود خواهد داشت یا نه. این محاسبات در زمان انجام سفارش صورت می‌گیرند. بخش دوم محاسبه به بررسی خصوصیات گزینه‌های سفارش مرتبط است که به صورت «همان روز»، «روز بعد»، «دو روز»، یا «سه تا پنج روز» است. همچنین می‌بایست مرجوعی‌های مشتریان را نیز در نظر داشت. سفارش‌هایی که ارسال سریع ندارند، پیش از سفارش‌های با ارسال سریع قرار می‌گیرند. با این حال آمازون فضاهای صندوق‌هایش را برای مشتریان بهتر که درخواست ارسال سریع دارند نیز رزرو می‌کند. این مسئله موجب افزایش هدر رفتن ظرفیت می‌شود. ستورامان در جستجوی یافتن چگونگی تعیین میزان فضای مورد نیاز برای رزرو بسته‌ها در صندوق‌ها است.
مدل مدیریت ظرفیت
این محاسبات می‌بایست اساساً از همان آغاز شروع شوند. ستورامان بیان می‌کند: «یکی از چیزهایی که این مشکل را منحصر به فرد ساخته است، این است که نمی‌دانیم هر بسته چه مدتی را در صندوق خواهد ماند». مشتری‌ها می‌بایست بسته‌هایشان را در طی سه روز کاری از صندوق بردارند؛ اما در طی این بازه، هر زمانی ممکن است به صندوق‌ها مراجعه کنند.
اگر یک مشتری بسته‌اش را از صندوق برندارد، یکی از کارکنان آمازون آن را از صندوق برداشته و به این فروشگاه مرجوع می‌کند. این فرایند ممکن است تا شش روز به تعویق بیفتد. اما چنان که ستورامان اشاره می‌کند: «ما قصد نداریم شش روز صندوق را معطل کنیم، چون برخی بسته‌ها همان روز تحویل از صندوق برداشته می‌شوند و بدین ترتیب ظرفیت زیادی به هدر می‌رود.»
ستورامان برای حل این پراکندگی سعی می‌کند از پیش‌بینی تقاضا استفاده کند. صندوق‌ها معمولاً بین 30 تا 150 محفظه دارند. گرچه تقاضا برای گزینه‌های ارسالی مانند «ارسال روز بعد» عموماً نادر هستند؛ اما گزینه‌های دیگر مانند «ارسال همان روز» یا «ارسال دور روز بعد» بسیار متداول هستند. از آنجا که ظرفیت صندوق‌های آمازون در سال 2018 دو برابر شده است، داده‌های اغلب صندوق‌ها حداکثر مربوط به چند ماه گذشته است.
این فقدان داده مشکلی برای تکنیک‌های سنتی سری زمانی محسوب می‌شود. برای نمونه در روش کنونی فرض می‌شود که یک رابطه خطی بین تقاضا برای ارسال به منزل در برابر تقاضا برای ارسال به صندوق وجود دارد. با این حال، این دو گزینه از نظر خطی ارتباطی به هم ندارند، زیرا تقاضا بر حسب مکان ارسال تفاوت زیادی دارد؛ مشتریان حومه شهرها نسبت به ساکنین داخل شهر احتمال بسیار بالاتری برای انتخاب گزینه ارسال به آدرس منزل دارند.
رگرسیون جنگل تصادفی
روش جدید که رگرسیون جنگل تصادفی نامیده می‌شود، با داده‌های کم نیز عملکرد مناسبی دارد و ویژگی‌های بیشتری ارائه می‌دهد که محدودیت تقاضا را رفع می‌کند. یکی از این ویژگی‌ها زمان آخرین سفارش پذیرفته شده است که مشخص می‌کند چه تعداد از افراد وجود دارند که آمازون درخواست دسترسی به صندوق آن‌ها را رد یا قبول کرده است. ستورامان در این مورد بیان می‌کند: «در اغلب مدل‌های سری زمانی باید مقداری داده داشته باشیم که بدون محدودیت باشند؛ اما ما همواره از سوی ظرفیت صندوق مورد تقاضا در مضیقه هستیم». رگرسیون جنگل تصادفی دقت پیش‌بینی 80 درصد بالاتر از روش‌های کنونی دارد.
ستورامان از تخمین احتمال زمان ماندن در صندوق استفاده کرده و سرعت ارسال و نرخ تحویل را برای تقریب احتمال این که یک بسته به مدت صفر، یک، دو، سه و ... روز پس از تحویل در صندوق بماند در نظر می‌گیرد. روش‌های کنونی در این مورد به طور کامل ناموفق هستند، زیرا داده‌ها پراکنده بوده و اطلاعات جمعیت‌شناختی به طور مداوم در حال تغییر هستند. ستورامان بیان می‌کند: «چالش عمده‌ای که در مورد اکثر صندوق‌ها با آن مواجه هستیم، پراکندگی داده‌ها است. روش کنونی متناسب با برآورد تاریخی زمان ماندن در صندوق است و غالباً به دلیل پراکندگی داده‌ها موجب ارائه آمار بالاتر از مقدار واقعی می‌شود.»
بررسی یک مورد نمونه
برای نمونه اگر یک مشتری بسته خود را در طی روز اول و روز ششم از صندوق بردارد، احتمال محاسبه شده برای برداشتن بسته در هر یک از این روزها برای وی 50 درصد خواهد بود و روزهای دیگر این احتمال صفر است. بدیهی است که این محاسبه نادرست است. در مقام مقایسه طبقه‌بندی جنگل تصادفی می‌تواند مجموعه داده‌های پراکنده را مدیریت کند و بدین منظور تنها به زمان‌های ماندن بسته در صندوق به عنوان ورودی نیاز دارد. بدین ترتیب این روش می‌تواند مسائلی مانند بسته بودن یک ساختمان اداری در تعطیلات آخر هفته که موجب می‌شود مشتریان نتوانند بسته‌هایشان را از صندوق بردارند را نیز لحاظ کند. خروجی این مدل فضاهای خاص صندوق‌ها را رزرو می‌کند و آن‌ها را بر اساس ترجیح ارسال مشتریان تخصیص می‌دهد. در این میان برخی صندوق‌ها برای استفاده بر مبنای اولویت‌دهی به درخواست‌های قدیمی‌تر رزرو می‌شوند.
سخن پایانی
به طور خلاصه، طبقه‌بندی جنگل تصادفی بالاترین نرخ موفقیت را در افزایش بهره‌وری فضای ذخیره‌سازی صندوق‌های آمازون داشته است و از رزرواسیون بیش از ظرفیت نیز جلوگیری می‌کند. این روش‌شناسی جدید موجب کاهشی تا 16 درصد در تعداد بسته‌هایی که دارای خطای پیش‌بینی یک روزه بودند، شده است. ستورامان در این مورد بیان می‌کند: «هر چه بازده بالاتر باشد، مشتریان رضایت بیشتری خواهند داشت. ما می‌خواهیم تا حد امکان به بیشترین تعداد مشتریان سرویس بدهیم.»
اگر این نوشته مورد توجه شما قرار گرفته است، موراد زیر نیز احتمالاً برای شما جذاب خواهند بود:
- آینده دیجیتال مارکتینگ در دستان هوش مصنوعی
- پیشنهاداتی برای نوسازی مدل کسب‌وکار
- همه چیز در مورد عنصرهای ارزش مشتری
- یادگیری ماشین و بازشناسی الگو
- گنجینه آموزش های یادگیری ماشین و داده کاوی
- مجموعه آموزش های مدیریت
==
