Amazon envía miles de millones de productos a clientes en todo el mundo cada año, pero antes de que esos productos se puedan entregar, deben empaquetarse con cuidado para evitar incurrir en costos relacionados con daños. La inteligencia artificial y el aprendizaje automático juegan un papel invaluable en esto: un describe un sistema implementado en producción en Amazon que asigna automáticamente tipos de empaque a los productos, optimizando los gastos generales de empaque y transporte. Los coautores informan que generó decenas de millones en ahorros de costos en los mercados emergentes al reducir la tasa de daños en un 24%.

Si el sistema de Amazon se lanzara en código abierto, podría beneficiar a las innumerables empresas de comercio electrónico que se enfrentan al mismo dilema, que probablemente se agravará a medida que el pandemia acelera la adopción de las compras en línea. Según un Signifyd encuesta de 10,000 minoristas, las compras en las tiendas se dispararon un 248% a fines de mayo en comparación con un punto de referencia anterior a la pandemia.

Los minoristas como Amazon utilizan muchos tipos de embalaje para enviar artículos desde los almacenes a los clientes, que varían en el grado de protección ofrecida durante el tránsito. Los paquetes robustos brindan más protección, lo que resulta en un número reducido de daños relacionados con el paquete, pero son más costosos debido a los altos costos de material y transporte.

Por ejemplo, Amazon utiliza bolsas de polietileno, paquetes personalizados, cajas de carpetas en T de cartón corrugado y cajas de carbón (por nombrar algunas), todas las cuales vienen en varios tamaños, como pequeñas, medianas, grandes y extragrandes. Los daños atribuibles al embalaje ocurren durante el tránsito o la manipulación por parte de un asociado durante el envío, y a menudo resultan en una compensación al cliente inflada y costos de envío de devolución, sin mencionar los efectos adversos en las relaciones con los clientes.

El sistema de Amazon adopta un enfoque de dos etapas para la selección de paquetes. En primer lugar, un modelo calcula las probabilidades de daños en tránsito para cada producto, teniendo en cuenta los tipos y materiales de embalaje disponibles junto con los datos históricos de envío, incluidas las dimensiones, los pesos, las fragilidades del producto y la presencia de materiales y líquidos peligrosos. Para garantizar que el modelo siga siendo sólido dado que muy pocos envíos (menos del 0.6%) suelen sufrir daños relacionados con el embalaje, los datos históricos se adjuntan con esto:

• Por cada envío dañado, hay envíos adicionales con el mismo producto y otros tipos de embalaje inferiores (menos robustos), que también se consideran dañados. Esto refleja la noción de que si un envío de un producto se daña con un tipo de empaque en particular, es probable que se dañe en tipos de empaque menos protectores.
• Por cada envío sin daños relacionados con el paquete, hay artificialmente más envíos con el mismo producto y otros tipos de embalaje más protectores que se consideran intactos.

En la segunda etapa del marco de selección de paquetes de Amazon, otro modelo considera la compensación entre elegir empaques de protección y conformarse con una opción inferior con una mayor probabilidad de daños en tránsito. Entre otras variables, sopesa el costo del material de embalaje, los costos de transporte (incluidos los costos de envío neto y total calculados para todos los productos en un pedido), el volumen del paquete, la velocidad de ventas del producto durante un período de tiempo (excepto en el caso de productos nuevos). productos), y la probabilidad de daño en transmisión determinada por el primer modelo. El resultado final es una elección de tipo de empaque que minimiza los costos de envío, asegura que los productos se ajusten perfectamente y mantiene el potencial de daño dentro de una tolerancia permitida determinada por las limitaciones comerciales.

Antes de implementar el sistema en el mundo real, los investigadores alimentaron los datos de envío del modelo de "etapa uno" de un período de tres meses en 2019, que aumentaron con los tipos de empaque inferiores y superiores inducidos artificialmente para 100 millones de ejemplos. Luego alimentaron el modelo de recomendación de paquetes de "etapa dos" con un corpus que contiene aproximadamente 250,000 productos en más de 10 categorías con historial de compras activo en Amazon, con ciertas reglas comerciales como:

• Ciertos productos no se pueden enviar debido a su tamaño o peso, incluso en los contenedores más grandes.
• No se permite el envío de productos líquidos y peligrosos en ciertos países si no están en un contenedor determinado.
• Los productos "sensibles" que pertenecen a determinadas categorías (es decir, entretenimiento para adultos) no se pueden enviar en determinados países sin ningún embalaje.

En producción, Amazon dice que en el transcurso de los envíos de 130,000 productos, el sistema redujo los costos de transporte por envío en un 5%. Además, la “capacidad de venta” de los productos no entregados a los clientes debido a daños en tránsito mejoró en un 3.5%, siendo el único impacto negativo que el costo del material de envío de los suministros aumentó en un 2%.

“En muchos escenarios, el alcance de los daños depende de la distancia enviada, el modo de transporte aéreo o terrestre utilizado, la calidad de las carreteras a lo largo de la ruta, el manejo por parte de los socios de mensajería, la ubicación de los almacenes o incluso el tiempo del año como durante… la [s] estación [es] de los monzones, es posible que algunos productos necesiten más protección contra el agua o la humedad ”, escribieron los coautores. “Los envases protectores podrían recomendarse para clientes específicos que son muy valorados o que han tenido experiencias de entrega negativas en el pasado. En el futuro, nos gustaría enfatizar en predecir el tipo de empaque óptimo basado no solo en el producto, sino utilizando varios factores adicionales mencionados anteriormente relacionados con un envío específico de un artículo a un cliente. Además, nos gustaría estimar el impacto causal de recibir productos dañados en los patrones de gasto del cliente y tenerlo en cuenta en nuestro algoritmo de optimización ".

Fuente: http://feedproxy.google.com/~r/venturebeat/SZYF/~3/KRasek8fYNo/