論文の概要: Playing hide and seek: tackling in-store picking operations while
improving customer experience
- arxiv url: http://arxiv.org/abs/2301.02142v1
- Date: Thu, 5 Jan 2023 16:35:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 14:45:57.152340
- Title: Playing hide and seek: tackling in-store picking operations while
improving customer experience
- Title(参考訳): 隠れて探す:顧客体験を改善しながら店内ピック操作に取り組む
- Authors: F\'abio Neves-Moreira and Pedro Amorim
- Abstract要約: 動的店内ピッカー問題ルーティング(diPRP)と呼ばれる新しい問題を定式化する。
この関連する問題 — diPRP — では、ピッカーが顧客の遭遇を最小限に抑えながら、オンライン注文を選択しようとします。
私たちの研究は、オフラインの顧客体験を危険にさらすことなく、小売店がオンライン注文の店内購入を拡大できることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The evolution of the retail business presents new challenges and raises
pivotal questions on how to reinvent stores and supply chains to meet the
growing demand of the online channel. One of the recent measures adopted by
omnichannel retailers is to address the growth of online sales using in-store
picking, which allows serving online orders using existing assets. However, it
comes with the downside of harming the offline customer experience. To achieve
picking policies adapted to the dynamic customer flows of a retail store, we
formalize a new problem called Dynamic In-store Picker Routing Problem (diPRP).
In this relevant problem - diPRP - a picker tries to pick online orders while
minimizing customer encounters. We model the problem as a Markov Decision
Process (MDP) and solve it using a hybrid solution approach comprising
mathematical programming and reinforcement learning components. Computational
experiments on synthetic instances suggest that the algorithm converges to
efficient policies. Furthermore, we apply our approach in the context of a
large European retailer to assess the results of the proposed policies
regarding the number of orders picked and customers encountered. Our work
suggests that retailers should be able to scale the in-store picking of online
orders without jeopardizing the experience of offline customers. The policies
learned using the proposed solution approach reduced the number of customer
encounters by more than 50% when compared to policies solely focused on picking
orders. Thus, to pursue omnichannel strategies that adequately trade-off
operational efficiency and customer experience, retailers cannot rely on actual
simplistic picking strategies, such as choosing the shortest possible route.
- Abstract(参考訳): 小売ビジネスの進化は新たな課題をもたらし、オンラインチャネルの需要増加に対応するために店舗やサプライチェーンを再発明する方法に関する重要な疑問を提起する。
最近omnichannelの小売業者が採用した措置の1つは、既存の資産を使ってオンライン注文を配信できる店舗内ピッキングによるオンライン販売の成長に対処することである。
しかし、オフラインの顧客体験を損なうというマイナス面もある。
小売店の動的顧客フローに適合するピックポリシーを実現するため、動的店内ピッカールーティング問題(diPRP)と呼ばれる新しい問題を定式化した。
関連する問題 - diprp - ピッカーは顧客との遭遇を最小限に抑えながら、オンライン注文を拾おうとする。
この問題をマルコフ決定プロセス(MDP)としてモデル化し,数学的プログラミングと強化学習コンポーネントを組み合わせたハイブリッドソリューションアプローチを用いて解いた。
合成インスタンスに関する計算実験は、アルゴリズムが効率的なポリシーに収束することを示唆している。
さらに,本手法を欧州の大手小売業者の文脈で適用し,選択した注文数と顧客が遭遇した顧客数に関する提案ポリシーの結果を評価する。
われわれの研究によると、小売業者はオフラインの顧客体験を損なうことなく、オンライン注文の店舗内ピッキングをスケールできるはずだ。
提案されたソリューションアプローチで学んだポリシーは、注文の選択のみに焦点を当てたポリシーと比較して、顧客の遭遇数を50%以上削減した。
このように、運用効率と顧客エクスペリエンスを適切にトレードオフする全チャネル戦略を追求するために、小売業者は、最短経路の選択など、実際の単純選択戦略に頼ることはできない。
関連論文リスト
- A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳(メタデータ) (2024-07-08T09:55:31Z) - Actions Speak What You Want: Provably Sample-Efficient Reinforcement
Learning of the Quantal Stackelberg Equilibrium from Strategic Feedbacks [94.07688076435818]
本研究では,量子スタックルバーグ平衡(QSE)学習のための強化学習を,リーダ・フォロワー構造を持つエピソディックマルコフゲームで研究する。
このアルゴリズムは, (i) 最大推定による量子応答モデル学習と (ii) リーダーの意思決定問題を解決するためのモデルフリーまたはモデルベースRLに基づく。
論文 参考訳(メタデータ) (2023-07-26T10:24:17Z) - Learning to Price Supply Chain Contracts against a Learning Retailer [3.7814216736076434]
データ駆動型サプライヤが直面するサプライチェーン契約設計問題について検討する。
サプライヤーも小売業者も市場の需要について不透明だ。
これらすべてのケースにおいて、私たちの価格ポリシーがサブリニアな後悔の限界につながることが示されています。
論文 参考訳(メタデータ) (2022-11-02T04:00:47Z) - No-Regret Learning in Two-Echelon Supply Chain with Unknown Demand
Distribution [48.27759561064771]
我々は[Cachon and Zipkin, 1999]で導入された2つのエケロンサプライチェーンモデルについて, 2つの異なる設定で検討する。
両設定の最適在庫決定に対する後悔と収束の両面において良好な保証を達成するアルゴリズムを設計する。
私たちのアルゴリズムは、オンライングラディエントDescentとOnline Newton Stepをベースとしています。
論文 参考訳(メタデータ) (2022-10-23T08:45:39Z) - MNL-Bandits under Inventory and Limited Switches Constraints [38.960764902819434]
我々は、データから顧客の選択を学習しながら、アソートを最適化する効率的な UCB ライクなアルゴリズムを開発した。
我々のアルゴリズムは、$O(Talpha)$スイッチが許される場合、サブ線形後悔境界$tildeOleft(T1-alpha/2right)$を達成できることを証明している。
論文 参考訳(メタデータ) (2022-04-22T16:02:27Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳(メタデータ) (2021-11-11T05:36:39Z) - OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。
提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
論文 参考訳(メタデータ) (2021-02-02T17:29:52Z) - Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。
本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
論文 参考訳(メタデータ) (2021-01-28T05:52:18Z) - Solving the Order Batching and Sequencing Problem using Deep
Reinforcement Learning [2.4565068569913384]
本稿では,注文数を最小限に抑えるため,倉庫内で注文のバッチ化と選択のタイミングを決定するために,Deep Reinforcement Learning (DRL) アプローチを提案する。
特に、この技術は、注文を個別に(ピック・バイ・オーダー)するか、または、他の注文(ピック・バイ・バッチ)とバッチで選択するか、他の注文をどちらで行うかを判断することを容易にする。
論文 参考訳(メタデータ) (2020-06-16T20:40:41Z) - Interpretable Personalization via Policy Learning with Linear Decision
Boundaries [14.817218449140338]
商品・サービスの効果的なパーソナライズは、企業が収益を改善し競争力を維持するための中核事業となっている。
本稿では政策学習のレンズを通してパーソナライズ問題を考察する。
本稿では、線形決定境界を持つポリシーのクラスを提案し、因果推論のツールを用いた学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-03-17T05:48:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。