23948sdkhjf

Amazon: Bruker maskinlæring for å redusere emballasjen med 915.000 tonn

Siden 2015 har Amazon redusert sin utgående emballasje med 33 prosent. Hvilket er synonymt med hele 915.000 tonn som tilsvarer 1,6 milliarder fraktbokser. Hvordan er dette mulig i en verden hvor det blir stadig mer e-handel? Svaret er teknologi i form av maskinlæring, skriver Joakim Stolpe, Sales Manager Nordics, Amazon Web Services I dette leserinnlegget.

DEBATT OG INNLEGG:
Med mindre bruk av emballasje i hele forsyningskjeden reduseres volumet per forsendelse samtidig som frakten blir mer effektiv. Sluttresultatet er en dramatisk reduksjon i karbonutslippet. Det hele høres kanskje for godt ut til å være sant. Men fakta er at dette er fullt mulig ved bruk av teknologi.

For å få til denne enorme reduksjonen ble det bygget en maskinlæringsløsning som er drevet av Amazon SageMaker. Hensikten med løsningen er å fremskaffe innsikt for å kunne ta mer bærekraftige beslutninger om bruk av emballasje samtidig som kundeopplevelsen styrkes.

I praksis betyr dette at det er tatt i bruk en maskinlæringsalgoritme bygget på terabytes med produktdata fra produktbeskrivelser til tilbakemeldinger fra kunder. I samarbeid med Amazon Web Services renses og katalogiseres dataene for utvinning – eller såkalt «mining». Maskinlæringsalgoritmen bruker deretter dataene for å identifisere den beste emballasjen som gir minst avfall. De mest effektive maskinlæringsmodellene identifiserer til og med emballasje som ikke krever emballasje i det hele tatt – som for eksempel bleier. Andre modeller kan se på en spesifikk produktkategori som for eksempel leker for å identifisere gjenstander der tilstanden til originalemballasjen er viktig.

Så hvorfor er dette så viktig? Amazon selger og sender hundrevis av millioner med ulike produkter hvert eneste år. Det sier seg selv at det er enorme mengder emballasje i omløp for å få til denne operasjonen. Ved å bruke maskinlæring har beslutningsgrunnlaget for millioner av produkter blitt skalert. Hvilket igjen gjør det mulig å identifisere gjenstander som for eksempel kan pakkes i en polstret papirkonvolutt eller i en papirpose fremfor den tradisjonelle emballasjen. Det handler enkelt og greit om ta mer bærekraftige valg. For eksempel veier en polstret konvolutt 75 prosent mindre enn en boks med tilsvarende størrelse samtidig som plassbruken reduseres med 40 prosent. Noe som igjen betyr færre lastebiler på veien.

Det som også er interessant med prosjektet er de positive ringvirkningene. Kundene merker endringene og gir positive tilbakemeldinger. I tillegg jobber nå tusenvis av leverandører sammen med Amazon for å forbedre egen emballasje for å redusere sløsing og designe bedre emballasje for å nå utslippsmålene.

Ved å bruke maskinlæring har beslutningsgrunnlaget for millioner av produkter blitt skalert. Hvilket igjen gjør det mulig å identifisere gjenstander som for eksempel kan pakkes i en polstret papirkonvolutt eller i en papirpose fremfor den tradisjonelle emballasjen. Foto: Colourbox

Til syvende og sist handler det om skape logistikk som er så bærekraftig som mulig. Riktig bruk av teknologi betyr i praksis at emballasjen enkeltvis kan tilpasses sendinger av pakker og som samtidig tåler påkjenningen netthandelslogistikken medfører. Med andre ord styres emballasjens størrelse og utforming av produktet som skal fraktes og beskyttes. En 2 centimeter kortere eske kan bety at du får plass til dobbelt så mange esker på en pall, som igjen for eksempel betyr en halvering av bilene på veien.

Joakim Stolpe

Artikkelen er en del av vårt tema om Debatt og innlegg.

Kommenter artikkelen
Tips redaksjonen
Anbefalte artikler

Send til en kollega

0.078