亚马逊声称其AI驱动的包装选择器将产品损坏率降低了24％

亚马逊每年向全球客户运送数十亿种产品，但是在交付这些产品之前，必须仔细包装以免产生与损坏相关的成本。人工智能和机器学习在其中起着不可估量的作用-一篇技术论文描述了在亚马逊生产环境中部署的系统，该系统会自动为产品分配包装类型，以优化包装和运输开销。共同作者报告说，通过将损害率降低24%，可以在新兴市场节省数千万美元的成本。

如果亚马逊的系统以开源形式发布，它将使无数面临同样困境的电子商务公司受益，随着大流行病加速在线购物的普及，这种困境可能会变得更加严重。根据对10,000个零售商进行的Signifyd调查，与大流行前的基准相比，5月底的店内购买量飙升了248%。

像亚马逊这样的零售商使用很多包装类型来将物品从仓库运送到客户，这在运输过程中提供的保护程度各不相同。坚固的包装可提供更多保护，从而减少与包装相关的损坏，但由于材料和运输成本较高，因此价格更高。

例如，亚马逊使用聚乙烯袋，定制包装，瓦楞T形文件夹和碳盒(仅举几例)，它们都有多种尺寸，如小，中，大和特大。归因于包装的损坏发生在运输过程中或员工在运输过程中的搬运过程中，并且经常导致虚假的客户赔偿和退货成本—更不用说对客户关系的不利影响了。

亚马逊的系统采用两阶段方法进行包裹选择。模型首先考虑可用包装材料和类型以及历史装运数据(包括产品尺寸，重量，易碎性以及有害物质和液体的存在)，计算每种产品在运输过程中造成损坏的可能性。为确保模型保持稳健，考虑到很少有出货量(少于0.6%)通常会引起与包装相关的损坏，请在历史数据后附加以下内容：

对于每个损坏的货件，还会有其他带有相同产品和其他劣质(较不牢固)包装的货件，也被视为已损坏。这反映出这样的观念，即如果某批产品的某一包装类型的产品受损，则在保护性较差的包装类型中很可能会受损。

对于每宗没有包装相关损坏的货运，人为地会运送更多具有相同产品和其他更具防护性的包装类型的货运，而这些包装被认为没有损坏。

在亚马逊包装选择框架的第二阶段，另一种模型考虑了在选择保护性包装和解决具有较高运输途中损坏可能性的次优选择之间进行权衡的问题。除其他变量外，它权衡包装材料成本，运输成本(包括净运输和按订单中所有产品计算的总运输成本)，包装量，一段时间内产品的销售速度(新产品除外)。产品)，以及由第一个模型确定的传输中损坏概率。最终的结果是选择包装类型，最大程度地减少了运输成本，确保产品贴合舒适，并将损坏的可能性保持在因业务限制而确定的允许公差内。

在将系统部署到现实世界之前，研究人员提供了2019年三个月期间的“第一阶段”模型装运数据，并为人为的劣质和优质包装类型增加了1亿个示例。然后，他们向“第二阶段”软件包推荐模型提供了一个语料库，其中包含大约10万个类别中的250,000种产品，这些产品在Amazon中具有活跃的购买历史，并且具有某些业务规则，例如：

某些产品由于尺寸或重量而无法运输，即使在最大的容器中也是如此。

如果液体和危险产品不在特定的容器中，则不允许在某些国家/地区运输。

属于某些类别(例如，成人娱乐)的“敏感”产品如果没有任何包装，就无法在某些国家/地区发送。

亚马逊表示，在生产过程中，该产品在运送13万种产品的过程中，使每次运输的运输成本降低了5%。此外，由于运输损坏而无法交付给客户的产品的“可销售性”提高了3.5%，唯一的负面影响是运输耗材的材料成本增加了2%。

"在很多情况下,损害的程度取决于运输的距离,空中或地面运输方式,道路沿线的质量,处理的快递合作伙伴,仓库的位置,甚至一年的时间在雨季[s],更多的保护与水或湿气可能需要一些产品,”合著者。“保护包装可以推荐给那些特别受重视的客户，或者那些过去有过不好的配送经历的客户。展望未来，我们想强调的是，预测最佳包装类型不仅基于产品，但使用前面提到的几个附加因素，有关一个项目的具体发货给客户。此外，我们还想评估收到损坏产品对顾客消费模式的因果影响，并将其纳入我们的优化算法中。”