HKPA - 亚马逊持续学习与提升：最大限度减少瓦楞纸板浪费

到2022年底，亚马逊运送的所有纸箱包装中，约有90%将通过优化的纸箱套件交付给客户。而在北美，应用PackOpt技术每年可减少7%-10%的纸板浪费，总计每年可节省约6万吨纸板。在新加坡等新兴国家，PackOpt的效率更是该比例的2倍多。

虽然亚马逊致力于为每批货物生产尺寸合适的纸箱，但就目前而言，最大程度地减少浪费的解决方案是为每个配送中心提供一套有限的纸箱包装的选择。这些套件根据要履行的项目类型而有所不同。例如，一些FC专注于运送由机器人自动分类，并由亚马逊员工打包的单个或多个商品。

在北美，可分类FC运送的单件物品（除了一些例外）通常会在有限数量的纸箱尺寸中选择纸箱包装，并交付给客户。一起运输的多个物品被包装在一个纸箱中，该纸箱来自不同的纸箱套件，这些纸箱专为更大和更重的有效载荷而设计。另一种类型的FC，称为不可分类，处理时需要超大纸箱的较大物品，例如庭院家具，而这些FC需要另一套纸箱包装。

亚马逊在过去几年中越来越成功地解决的问题是：考虑到通常在特定亚马逊地区、市场或FC发货的商品，最佳的包装套装是什么？这个答案现在已经体现在一个名为PackOpt的开创性基于网络的工具中，该工具正被世界各地的亚马逊经理所接受。

加斯佩里诺说，要找到一套完美的纸箱包装非常困难，部分原因是纸箱包装的可能数量是巨大的。用最简单的术语来想像挑战，首先想像一个100+百万行深的矩阵，这些表示给定区域内一段时间内的出货量。同时，矩阵上大约20,000列中的每一列都代表一个不同维度的候选框，这些框可能成为一组框的一部分。

这是一个艰钜的挑战，至少从字面上看。「这个问题属于称为NP Hard的一类理论问题：本质上，没有人知道是否有一种真正有效的算法来解决它们，」帮助设计PackOpt优化框架（NP Hard）的首席研究科学家雷南·加西亚说与臭名昭著的「旅行推销员问题」属于同一类问题。

雷南·加西亚说，矩阵的庞大规模是一个挑战。「你需要构建的矩阵太大了，你甚至无法将它存储在内存中。」该团队以多种方式解决了这个计算易处理性问题。首先，为了简化问题，他们的方法在迭代改进的第一阶段之前将候选框尺寸的范围缩小到任何方向上的2英寸增量，将初始候选框集减少到数百个。

在使用优化器在这组「粗略」的框中发现最佳候选者后，它将以那些最佳前景为起点并再次搜索，这一次使用一英寸的尺寸增量，以此类推，朝着更精细的尺寸方向发展。「从理论上讲，无论您从哪里开始，该算法都会收敛到一个高质量的纸箱套件上「，雷南·加西亚说。

该团队还采用跨多个计算核心的进程并行化将问题分解为更小的块。「多核可以并行执行此操作，探索替代解决方案。他们每隔一段时间就会互相交流他们最好的解决方案。」其结果是：PackOpt可以在几分钟内解决以前需要数周计算时间的问题。

对于这次迭代，该团队添加了一种高性能算法，该算法可以非常快速地确定如何将要一起交付的不同项目配置为适合候选框，方法类似于3D俄罗斯方块。例如，PackOpt还知道，可折叠或可压缩的物品（例如衣服）可以很容易地插入其他更坚固的物品周围。

从理论上讲，这意味着将更多物品装入更合适的纸箱中。但它在实践中有效吗？「我们的一位同事内布·格塔内在亚马逊包装实验室设计并进行了研究，以量化由于尺寸和拟合算法优化而减少包装纸箱带来的影响，」加斯佩里诺说，「而且我们没有看到包装性能有任何下降。」

但创建一个聪明的算法，并不会自动转化为对现实世界的影响。「在解决这个优化问题和将优化的包装实际交付到我们客户的家门口之间，必须执行许多不同的步骤，」加斯佩里诺说，「我们需要世界各地的区域包装负责人，他们不是科学家，能够快速了解如何使用PackOpt并为自己看到它的经济价值，并最终成为包装优化的拥护者。」

易于使用对于推动该工具的大众化至关重要。「PackOpt的算法有大约25个不同的参数，它们本质上都是科学的，」加西亚说，「我们不希望用户担心这种事情，所以我们在幕后抽象了这些参数。」

加斯佩里诺及其团队还与AWS ProServe顾问合作设计和构建了一个简化的Web应用程序，以普及PackOpt的使用。由此产生的用户界面很简单，本质上需要两个指标——旨在优化其纸箱的区域的历史运输数据，以及当前套件中纸箱的尺寸。

「PackOpt然后将模拟您的产品在您当前的纸箱中的适合程度，提供总的纸板重量、纸箱利用率和包装体积，以及许多其他指标，并将这些指标与优化的纸箱套件进行比较，」帮助开发PackOpt网络工具的支持工程师克里斯·柯林斯说。

如果发现有显著的改进，就会有一个直接的商业和可持续性案例，可以用更合适尺寸的纸箱优化该套件。PackOpt还可以确定在给定套件中增加纸箱选项的数量是否会显著提高效率，并在团队部署套件后自动跟踪节省。

「开发节省跟踪功能，是为了帮助利益相关者以可扩展的方式量化他们优化的纸箱套件的影响，」柯林斯解释说，「此功能还可用于帮助利益相关者掌握优化包装套件的核心问题，因为他们知道如果节省的指标开始下降，它可能会向团队发出信号，需要重新优化当前的包装选择。」

PackOpt揭示的另一个关键指标是每次装运的空载量。柯林斯说：「可以理解的是，亚马逊客户收到的订单与商品本身相比，纸箱里的空间浪费太多了，这是一个热门话题，这是可以理解的。PackOpt 通过真正降低此类出货量来帮助改善我们的客户体验。」

PackOpt已被世界各地的履行中心所接受。在证明该工具在北美的运营有效性后，亚马逊日本首先表现出浓厚的兴趣并开发了自己的纸箱套件。「通过我们日本FC的产品与通过北美的产品不同，因此这两个地区的纸箱套件没有理由应该相同，」加斯佩里诺指出。

该工具的使用在区域层面迅速传播到世界各地。但这就是PackOpt的强大功能和灵活性，它越来越多地被亚马逊利益相关者以更细粒度的方式使用。科林斯说，「例如，在印度，客户的购买行为和购买的商品在全国范围内差异很大，因此亚马逊印度的经理们使用PackOpt为每个履行中心定制了定制的纸箱套件。」

「包装优化是亚马逊对气候承诺和代表客户减少浪费的承诺的关键部分，」包装优化业务负责人亚历克斯·哈特福德说，「在亚马逊这样规模的公司中，即使在材料减少方面看似很小的优化也会对碳排放产生重大影响，而且还会对亚马逊降低成本结构和推动亚马逊飞轮的能力产生重大影响。」

除了不同的亚马逊地区销售不同的产品外，一个给定地区的亚马逊目录中多达三分之一的商品可能会从一年到下一年发生变化，这意味着产品配置文件永远在变化。此外，新的包装类型，例如可回收的填充信封或塑料袋，也会影响最佳的纸箱包装。因此，PackOpt的监控任务正在进行中。

它的创造者设想这项技术如何有效地传播到更广泛的亚马逊。「亚马逊本身就是一个嵌套包装问题，对吧？」加西亚说，「你把需要交付的物品置于纸箱内，然后你把纸箱放在手提袋里，再把手提袋放在卡车里……我们有各种形状和大小的存储设施，我们需要优化所有这些的尺寸。」

事实上，仁南已经开始将底层的PackOpt概念应用到整个亚马逊的相关应用中。例如，他与Last Mile Transportation的同事合作，为分拣中心的包装重新设计Amazon Robotics货架。该团队开发了一个本地搜索框架来解决这种更具挑战性的嵌套包装变体，它生成的设计需要的货架减少33%，并导致更有效地利用宝贵的设施空间。