Optimización del picking para aumentar la rentabilidad omnicanal con Databricks

Optimización del picking para aumentar la rentabilidad omnicanal con Databricks

  • Big Data
  • agosto 4, 2022
  • No Comment
  • 19
  • 11 minutes read


Consulte nuestro nuevo Acelerador de soluciones de optimización de preparación de pedidos para obtener más información y descargar los cuadernos.

La demanda de compras en línea, retiro en la tienda (BOPIS), entrega en la acera y entrega a domicilio el mismo día está obligando a los minoristas a utilizar las tiendas locales como centros de cumplimiento rápido. Muchos minoristas, tomados por sorpresa en los primeros días de la pandemia, se apresuraron a adoptar y ampliar la disponibilidad de estos servicios, utilizando el inventario y la infraestructura existentes para entregar los productos a tiempo. A medida que los compradores regresan a las tiendas, las solicitudes de estos servicios no disminuyen, y encuestas recientes muestran que las expectativas de más opciones y más rápidas seguirán creciendo en los próximos años. Como resultado, los minoristas se preguntan cuál es la mejor manera de ofrecer estas capacidades a largo plazo.

El mayor desafío al que se enfrentan la mayoría de los minoristas en la actualidad no es hacer llegar los productos a los clientes a tiempo, sino mantener la rentabilidad. Se estima que los márgenes se reducen entre 3 y 8 puntos porcentuales en cada pedido realizado en línea para permitir una respuesta rápida. El costo de enviar a un miembro del personal a los estantes de las tiendas para recoger los artículos de cada pedido es la razón principal, y como los costos de mano de obra solo aumentan (y los clientes muestran poco interés en pagar una prima por lo que se considera cada vez más como servicios básicos), los minoristas están comenzando a sentirse limitado.

Se propusieron como soluciones conceptos tales como almacenes automáticos y tiendas oscuras, que están optimizados para la eficiencia del picking. Sin embargo, la inversión inicial requerida, así como la viabilidad de dichos modelos en todos los mercados excepto en los más grandes, ha llevado a muchos a centrar su atención en continuar utilizando las tiendas existentes. De hecho, Walmart, el minorista más grande del mundo, anunció recientemente su compromiso en esta dirección, aunque con algunos cambios en la tienda diseñados para mejorar la eficiencia de sus esfuerzos.

El diseño de la tienda es intencionalmente ineficiente

En los modelos de cumplimiento propuestos por Walmart y muchos otros, la huella de la tienda existente es un componente central de una estrategia de cumplimiento rápido. En el más simple de estos modelos, los trabajadores recorren el diseño de la tienda recogiendo artículos para pedidos en línea, que luego se empaquetan y envían desde el mostrador o una trastienda. En modelos más sofisticados, los artículos de alta demanda se organizan en un área de cumplimiento de trastienda, lo que limita la necesidad de enviar trabajadores a la tienda donde cae la productividad de recolección.

Se pretende la disminución de la productividad del picking en tienda. En un escenario minorista tradicional, el minorista utiliza la mano de obra gratuita proporcionada por el cliente para aumentar el tiempo de permanencia. Al dirigir al cliente de un extremo a otro de la tienda para seleccionar los artículos que se necesitan con frecuencia durante una visita, el minorista aumenta la exposición del comprador a los bienes y servicios disponibles. De esta forma, el minorista aumenta la probabilidad de que haya una compra de seguimiento.

Para los empleados encargados de recoger pedidos en nombre de los clientes, la compra impulsiva simplemente no es una opción, y los largos plazos de entrega solo aumentan los costos de cumplimiento. Como señala un analista, “el asesino de la productividad en el entorno de una tienda son los viajes”. Las decisiones de diseño de la tienda que maximizan el potencial del comprador personal están en desacuerdo con los responsables del cumplimiento omnicanal.

Los compradores lo saben, pero es posible que los recolectores no

La mayoría de los compradores reconocen la ineficiencia inherente a la mayoría de los diseños de las tiendas. Los compradores frugales suelen llevar una lista de artículos para comprar y, a menudo, modifican la clasificación de los artículos en la lista para minimizar el ir y venir entre departamentos y pasillos. El conocimiento de la ubicación del producto, así como los requisitos únicos de manejo de artículos específicos, asegura un flujo más eficiente a través de la tienda y minimiza el potencial de viajes repetidos para reemplazar artículos dañados en tránsito.

Pero ese conocimiento, acumulado a través de años de experiencia y familiaridad con los artículos que se compran, puede no estar disponible para un recolector que a menudo trabaja como trabajador ocasional como parte de un trabajo ocasional de tiempo parcial recogiendo pedidos para otros. Para estos trabajadores, la lista de artículos a recoger puede no proporcionar pistas sobre un orden óptimo, lo que requiere que el trabajador recorra la tienda y recoja los artículos en el orden presentado.

Optimizar las secuencias de recolección puede ayudar

En un trabajo reciente titulado El modelo de retail compra online recogida en tienda: estrategias de optimización del picking y packing en tiendapietri y otros. examinó la eficiencia de varias optimizaciones de orden de recolección para una tienda de comestibles real con un diseño como el que se muestra en la Figura 1.

Figura 1. El diseño de una tienda dividida en quince zonas diferentes desde las que se recogen los pedidos.
Ilustración 1. El diseño de una tienda dividida en quince zonas diferentes desde las que se recogen los pedidos.

Usando pedidos históricos, los autores cambiaron el orden de selección de artículos con varios objetivos, como minimizar el tiempo de entrega general y minimizar el daño del producto. Compararon esto con el orden de clasificación predeterminado proporcionado a los recolectores, que se basaba en el orden en que los artículos se colocaron originalmente en el carrito de compras en línea. Su objetivo no era identificar el mejor enfoque para todos los escenarios minoristas, sino proporcionar un marco para evaluar diferentes enfoques que otros podrían emular al buscar formas de mejorar la eficiencia de recolección.

Con este objetivo en mente, recreamos partes de su trabajo usando los 3,3 millones de pedidos en el registro de Instacart asociado con el diseño de la tienda provisto, ya que el historial de pedidos de propiedad que usan los autores del periódico no está disponible para nosotros. Si bien los conjuntos de datos históricos difieren, encontramos que el impacto relativo de los diferentes enfoques de secuenciación en los tiempos de cosecha refleja con precisión los hallazgos de los autores (Figura 2).

Figura 2. El tiempo promedio de recolección (segundos) asociado con pedidos usando diferentes estrategias de optimización.
Figura 2 El tiempo promedio de selección (segundos) asociado con pedidos que usan varias estrategias de optimización.

Los databricks pueden hacer que la optimización sea más eficiente

Al evaluar estrategias de optimización, es una práctica común aplicar diferentes algoritmos a un conjunto de datos históricos. Las configuraciones y escenarios anteriores se pueden utilizar para evaluar el impacto de las estrategias de optimización antes de aplicarlas en el mundo real. Dichas evaluaciones pueden ayudar a las empresas a evitar resultados inesperados y evaluar el impacto de pequeñas desviaciones en los enfoques, pero su realización puede llevar mucho tiempo.

Pero al paralelizar el trabajo, los días o incluso las semanas que a menudo se dedican a evaluar un enfoque pueden reducirse a horas o incluso minutos. La clave es identificar unidades de trabajo discretas e independientes dentro del conjunto de evaluación más grande y luego usar la tecnología para distribuirlas en una gran infraestructura informática.

En la optimización de selección discutida anteriormente, cada pedido representa una unidad de trabajo de este tipo, ya que el orden de los artículos en un pedido no tiene relación con el orden de los demás. En el extremo de las cosas, podríamos ejecutar ajustes en los 3,3 millones a la vez para hacer nuestro trabajo increíblemente rápido. Por lo general, podemos aprovisionar una cantidad menor de recursos y distribuir subconjuntos de la cantidad mayor a cada nodo de cómputo, lo que nos permite equilibrar el costo de implementar la infraestructura con el tiempo para realizar nuestro análisis.

La fortaleza de Databricks en este escenario es que facilita mucho el aprovisionamiento de recursos en la nube. Al cargar nuestros pedidos históricos en un marco de datos de Spark, se distribuyen instantáneamente entre los recursos implementados. Si asignamos más o menos recursos, el marco de datos se reequilibrará sin ningún esfuerzo adicional de nuestra parte.

El truco entonces es aplicar la lógica de optimización a cada pedido. Una función definida por el usuario (UDF) de Pandas nos permite aplicar de manera eficiente bibliotecas de código abierto y lógica personalizada a cualquier orden. Los resultados se devuelven al marco de datos y luego se pueden almacenar y analizar más. Para ver cómo se realizó esto en el análisis anterior o cómo se implementó en su organización, consulte nuestro Acelerador de soluciones de preparación de pedidos optimizada.



Related post

Sunrun ahora ofrece cargadores para vehículos eléctricos

Sunrun ahora ofrece cargadores para vehículos eléctricos

Conducir bajo el sol. conducir a la luz del sol. Este es el sueño que se ha hecho realidad para millones…
puede tesla [TSLA] ¿Alcanzar una capitalización de mercado de 2 billones de dólares para 2025?

puede tesla [TSLA] ¿Alcanzar una capitalización de mercado de…

Las acciones de Tesla se han polarizado desde la salida a bolsa inicial del fabricante de automóviles, pero después de que…
Myst ahora es completamente jugable con Quest Hand Tracking

Myst ahora es completamente jugable con Quest Hand Tracking

Hannah Gamiel, directora de desarrollo de Cyan, detalló la actualización de seguimiento manual del estudio para Myst on Quest. La nueva…

Leave a Reply

Tu dirección de correo electrónico no será publicada.