峰值事件与供应链优化技术

像Prime Day这样的活动如何帮助某机构应对疫情

峰值事件如何帮助某机构应对疫情

某机构的供应链优化技术(SCOT)科学团队利用过去的经验并改进现有工具，来应对“持续了两年的峰值”。

作者：Stephen Zorio，2022年7月11日，阅读时间6分钟

7月12日至13日，数百万某机构Prime会员访问了某机构商店，抢购从电视到服装等各种商品的优惠。顾客将Prime Day视为一年一度的大型促销活动。供应链管理者则称之为峰值事件——这需要提前规划，以确保人们能够购买到他们想要的折扣商品，并尽快收到货物。

史上最大的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，超过以往任何一届Prime Day活动。今年也是某机构销售合作伙伴（其中大部分是中小型企业）参与度最高的一届Prime Day，他们在某机构商店的销售额增长超过了某机构的零售业务。了解更多

某机构供应链优化技术(SCOT)团队的科学家们花费多年时间构建和优化流程，以应对像Prime Day、黑色星期五、情人节以及其他顾客寻找特定折扣商品的各种峰值事件。该团队的算法有助于确定储存哪些产品、储存多少、在何处以及如何储存，以及将产品送达顾客的最佳路径。但是，当一个“峰值事件”是无计划的并且持续超过两年时，会发生什么？

COVID-19疫情引发了一系列需求高峰、供应链中断和劳动力短缺，自2020年初以来，这些问题以不同的强度持续存在。SCOT团队当时已在运用最先进的机器学习、数学建模和优化工具。这些工具在应对疫情方面发挥了重要作用。这场危机也促使人们重新审视如何调整这些工具以管理新常态。

另一种类型的峰值

即使在疫情前平淡无奇的一天，管理某机构庞大网络中的库存也是一项艰巨任务，吸引了那些对挑战的复杂性、海量数据以及在全球范围内影响客户的机会感兴趣的科学家的加入。

例如，需求预测团队的科学家们以这样或那样的形式从事这项工作已超过15年，不断优化算法，以确保某机构备有足够多的顾客想要的产品。

作为一个规划挑战，像Prime Day这样的活动看似可控。毕竟，某机构设定了日期、挑选了产品并确定了折扣。但即使是像今年已是第八届的Prime Day这样有计划的活动，也带来了其自身的挑战。

“（Prime Day的）预测有一种特殊的结构。它处于一年中与其他年份不同的那一周。” —— Abhishek Gupta

“预测有一种特殊的结构。它处于一年中与其他年份不同的那一周，”领导SCOT内部需求预测科学团队的Abhishek Gupta解释道。预测团队不仅要考虑Prime Day本身的异常性，还要考虑Prime Day内部的细微差别。

“理解促销属性与一年中时间之间的相互作用就是一个挑战，”Gupta说。“Prime Day的具体日期以及可用的促销类型每年都在变化。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，本质上是训练网络识别数据中的模式，例如节假日期间仙女灯销量的上升。

大规模仿真平台

预测之后的所有决策——容量规划、采购、 placement、存储和配送——都被整合到一个大规模、分布式的仿真系统中，该系统帮助SCOT团队在需求波动时管理库存。

“这可以说是世界上最大的仿真平台。底层动态非常复杂，并且有许多决策者……” —— Yan Xia

“这可以说是世界上最大的仿真平台，”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，并且有许多决策者。不可能通过一组数学方程来捕捉。”Xia和同事是管理某机构多层全球配送网络中各种物理容量约束的专家。像Prime Day或节假日这样的峰值事件会带来潜在的约束挑战，例如在顾客需求激增时，某机构能否在正确的地点存储正确数量的库存。在这些情况下，需要在库存选择上做出权衡，以最好地保护客户体验。

到2019年，某机构的科学家们已经开发出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。在黑色星期五前夕，Xia的团队会在几周内运行该工具，以帮助确定假日高峰期的库存。

“当疫情袭来时，一切都改变了。我们到处都受到严重限制，不得不将这种工具推向极限，以解决团队从未遇到过的与容量相关的问题，”Xia说。“我们从一个可能每年有八周需要为两个国家解决容量问题，发展到可能每年五十二周需要为十几个国家解决容量问题——而且粒度比以往精细得多。”因此，随着容量挑战变得越来越普遍，团队致力于改进ACC工具，并开发新的控制系统，以更全面、自动地管理容量。

采样的预测能力

“疫情就像一次持续了两年的峰值，”库存规划与控制部门软件开发总监Keith Zackrone说。“我们用来规划峰值事件的机制，正是让我们能够在疫情期间良好运作、为客户做出合理权衡的能力。”

对于ACC工具来说，这意味着要重新设计以实现“热启动”，Xia说，即利用历史数据滚动更新容量控制输入，而不是像以前那样每次都从头开始。

某机构配送中心流程undefined此处为视频播放器占位符，描述配送中心流程

团队还开始对库存样本进行仿真。这使他们能够根据不到总量5%的样本来预测更大规模的库存流动将如何对控制信号做出反应，而不是试图一次性模拟某机构在任何特定时间库存的数亿件商品。“我们现在在采样方面非常高效，”Xia说。“这对我们来说意义重大，使我们能够在市场内如此多不同类型的容量上——并且在跨市场上——执行这一操作。”

SCOT团队还调整了其库存控制软件，使其更加关注客户需求，这意味着它可以优先考虑客户急需的物品（例如，婴儿食品），而其他可以容忍轻微延迟的物品（例如，相机镜头）则次之。这种敏感性使团队能够在更广泛的产品类别中优化系统。

“现在我们已经从疫情的高峰期走出，我们有机会迈向第二代，”Zackrone说。“我们可以微调这些在疫情期间构建的模型，并真正研究如何将其应用于更广泛的产品选择。”

疫情和持续的供应链问题凸显了完美水晶球的不存在，但它们帮助SCOT团队强化了用于应对诸如Prime Day等峰值事件和日常客户需求的算法。

“如果我们能预测得更好，那么我们就能购买正确的数量，并将其投放到我们的配送中心网络中，”Gupta解释道。“这确保了以最高效的方式将正确的产品送到正确的客户手中。”

研究领域

运筹学与优化 | 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 DayFINISHED