.png){kind=icon}
.png){kind=icon}
返回
Optimizing Task Generation and Assignment in Crowdpicking
.png){kind=icon}
PRE
AI
DOI：10.1177/10591478251377850.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着全渠道运营在零售业中日益重要，以满足多样化的顾客期望，持续的服务和商业模式创新对于保持竞争优势至关重要。虽然有效的订单履行是全渠道成功的关键，但实体店中的人工拣选流程作为履行成本的主要驱动因素之一，仍存在显著的改进机会。本文聚焦于crowdpicking模式，这是一种通过利用店内现有顾客来管理实体店在线订单拣选作业的创新方法，提供了一种具有巨大潜力的商业模式。我们通过机器学习探索将订单实时分配给店内顾客，以识别有效的分配策略。这些策略与任务分解策略相结合，以降低拣选成本并增强crowdpicker作为关键资源的参与度。所提出的crowdpicking模型及其实时管理框架在真实数据上进行了测试。结果表明，一个管理良好的crowdpicking系统可将订单拣选成本降低20%以上，并为设计此类系统的管理者提供可操作的见解。