如何利用大促经验优化供应链技术应对疫情

某中心的供应链优化技术（SCOT）组织花费多年时间构建和完善流程，以处理像Prime Day这样的峰值事件。该组织的算法帮助确定要储存哪些产品、储存多少数量、在何处以及如何储存它们，以及将它们路由到客户的最佳方式。

运营研究与优化

像Prime Day这样的峰值事件如何帮助某中心应对疫情

SCOT科学团队利用过去的经验——并改进了现有工具——来应对“持续了两年的峰值”。

2022年7月12日和13日，数百万某中心Prime会员访问某中心商店，抢购从电视到衣服的各种优惠商品。顾客将Prime Day视为一年一度的大型促销活动。供应链经理则称其为峰值事件——这需要提前规划，以确保人们能够购买到他们想要的折扣产品，并尽快收到货。

有史以来最大的Prime Day活动
Prime会员购买了超过3亿件商品，节省了超过17亿美元，超过了以往任何一次Prime Day活动。今年也是某中心销售合作伙伴（其中大多数是中小型企业）有史以来最大的Prime Day活动，他们在某中心商店的销售增长超过了某中心的零售业务。

SCOT团队的科学家们花费多年时间构建和完善流程，以处理像Prime Day、黑色星期五、情人节以及所有其他顾客寻找特定折扣商品的场合。团队的算法帮助确定要储存哪些产品、储存多少数量、在何处以及如何储存它们，以及将它们路由到客户的最佳方式。但是，当一个“峰值事件”是计划外的并且持续两年多时会发生什么？

COVID-19大流行引发了一系列需求激增、供应链中断和劳动力短缺，这些情况自2020年初以来以不同的强度持续存在。SCOT团队已经在使用机器学习、数学建模和优化方面的最先进工具。这些工具在疫情应对中发挥了重要作用。这场危机也引发了对这些工具如何进行调整以管理新常态的审视。

一种不同的峰值
即使在新冠疫情前的普通日子里，管理某中心庞大网络中的库存也是一项吸引科学家的任务，他们被挑战的复杂性、海量的数据以及在全球范围内产生客户影响的机会所吸引。

例如，需求预测团队的科学家们以某种形式进行这项工作已经超过15年，不断完善有助于确保某中心储备足够客户所需产品的算法。

作为一个规划挑战，像Prime Day这样的事件可能看起来是可控的。毕竟，某中心设定了日期、挑选了产品并设置了折扣。但是，即使是像Prime Day这样现已进入第八年的计划内活动，也带来了自身的挑战。

“预测有其特殊的构建方式。这是一年中与其他任何年份都不同的一周，” SCOT内部需求预测科学团队的负责人Abhishek Gupta解释道。预测团队不仅要考虑Prime Day本身的反常情况，还要考虑Prime Day内的细微差别。

“仅仅理解交易属性与一年中时间的相互作用就是一个挑战，” Gupta说。“Prime Day的日期以及可用的交易类型每年都在变化。这不像万圣节，我们知道每个人都会寻找服装。”

在疫情之前，Gupta的团队已经在使用深度学习模型进行时间序列预测，本质上是教导网络识别数据中的模式，例如假日期间串灯的销量上升。

一个大规模模拟平台
所有跟随预测的决策——产能规划、采购、存放位置、仓储和履约——都合并到一个大规模、分布式的模拟系统中，帮助SCOT团队在需求波动时管理库存。

“这可以说是世界上最大的模拟平台，” SCOT库存规划与控制团队的首席应用科学家Yan Xia说。“底层动态非常复杂，并且有很多决策者。不可能通过一组数学方程来捕捉。”

Xia及其同事是管理某中心多层全球履约网络中各种物理容量限制的专家。像Prime Day或假日这样的峰值事件会带来潜在的限制挑战，例如当客户需求激增时，某中心能否在正确的位置储存正确数量的库存。在这些情况下，需要在携带哪些库存以最好地保障客户体验方面做出权衡。

到2019年，某中心的科学家们已经开发了一种获得专利的自适应容量控制（ACC）工具，正是为这些场合设计的。在黑色星期五来临之前，Xia的团队会运行该工具几周，以帮助确定假日抢购的库存。

“当新冠疫情袭击我们时，这一切都改变了。我们在各地都受到严重限制，我们必须将该工具推向极限，以解决团队以前从未遇到过的容量相关问题，” Xia说。“我们从每年可能为两个国家解决八周的容量问题，转变为每年可能为十几个国家解决52周的容量问题——而且比以前要精细得多。”

因此，随着容量挑战变得更加普遍，团队致力于改进ACC工具并开发新的控制系统，以更全面、更自动地管理容量。

采样的预测能力
“疫情就像持续了两年的峰值，” 库存规划与控制部门的软件开发总监Keith Zackrone说。“我们用来规划峰值事件的机制确实是我们能够在大流行期间运营并做出对客户有利的权衡的能力所在。”

对于ACC工具来说，这意味着为“热启动”而重新设计，Xia说，使用历史数据在滚动基础上更新容量控制输入，而不是像以前那样每次都从头开始。

团队还开始对库存样本运行模拟。这使他们能够预测更大的库存流将如何响应基于不到总数5%的控制信号，而不是试图模拟某中心在任何给定时间储存的数亿件商品。

“我们现在在采样方面非常有效，” Xia说。“对我们来说，能够在市场内部跨这么多不同类型的容量以及跨市场执行这一点，是一件大事。”

SCOT团队还调整了其库存控制软件，使其更加了解客户需求，这意味着它可以优先处理客户需要快速获得的物品（例如婴儿食品），而不是那些可以容忍轻微延迟的物品（例如相机镜头）。这种敏感性使团队能够跨更多产品类别优化系统。

“既然我们已经度过了疫情的高峰期，我们有机会转向第二代，” Zackrone说。“我们可以微调我们在疫情期间建立的这些模型，并真正研究如何将其提供给更广泛的产品选择。”

疫情和持续的供应链问题突显出，永远没有完美的水晶球，但它们帮助SCOT团队加强了用于满足像Prime Day这样的峰值事件和日常客户需求的算法。

“如果我们能更好地预测，那么我们就能购买正确的数量，并将其分布在我们遍布各地的履约中心网络中，” Gupta解释道。“这确保了正确的产品，以最有效的方式送达正确的客户。”

研究领域

运营研究与优化
对话式AI

标签

供应链优化技术（SCOT）
库存规划
注意力机制
冠状病毒（COVID-19）
Prime Day
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）