Explosive Storage Policy Design & Optimization for E-commerce IFWs (NJIT)

Khám phá cách thiết kế và tối ưu hóa hệ thống lưu trữ hiệu quả cao trong các trung tâm kho bãi thông minh của thương mại điện tử để tăng tốc độ xử lý đơn hàng.

• Tác giả: Sevilay Onal
• Người hướng dẫn: Dr. Das
• Trường học: New Jersey Institute of Technology
• Chuyên ngành: Industrial Engineering
• Đề tài: Design and optimization of an explosive storage policy in internet fulfillment warehouses
• Loại tài liệu: dissertation
• Năm xuất bản: 2017
• Địa điểm: Newark, NJ

Tóm tắt

I. Bí quyết cải thiện Tổng quan về Chính sách Lưu trữ Hàng hóa Bùng nổ trong IFWs

Sự phát triển vượt bậc của thương mại điện tử (TMĐT) đã tạo ra những thay đổi sâu sắc trong cách thức vận hành kho bãi, đặc biệt là tại các kho hàng thực hiện đơn hàng điện tử (IFWs). Không còn là mô hình lưu trữ số lượng lớn cho các điểm bán lẻ, IFWs ngày nay đối mặt với nhu cầu xử lý hàng triệu đơn hàng cá nhân, đòi hỏi việc chia nhỏ lô hàng lớn thành nhiều đơn vị nhỏ lẻ. Hiện tượng này được gọi là sự bùng nổ hàng hóa (bulk explosion) hoặc lưu trữ hàng hóa phân tách, đặt ra thách thức lớn về thiết kế và tối ưu hóa chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs). Nghiên cứu của Sevilay Onal (2017) đã nhấn mạnh rằng các phương pháp kho bãi truyền thống không còn phù hợp, cần có những mô hình cấu trúc mới với các mục tiêu vận hành đổi mới để đáp ứng nhu cầu hoàn thiện đơn hàng tức thời và sự bùng nổ hàng hóa. Bài viết này sẽ đi sâu vào cách thức thiết kế và tối ưu hóa các chính sách lưu trữ này, giúp các doanh nghiệp TMĐT nâng cao hiệu suất và giảm thiểu chi phí.

1.1. Khái niệm và tầm quan trọng của kho hàng thực hiện đơn hàng điện tử IFWs

Kho hàng thực hiện đơn hàng điện tử (IFWs) là các cơ sở được xây dựng và thiết kế độc quyền cho việc bán hàng trực tuyến, đóng vai trò trung tâm trong chuỗi cung ứng của các nhà bán lẻ internet. Khác với kho truyền thống di chuyển số lượng lớn đến các điểm bán lẻ, IFWs tập trung vào việc xử lý các đơn hàng cá nhân trực tiếp từ người tiêu dùng cuối. Chức năng chính của IFWs là thực hiện đơn hàng (fulfillment), bao gồm nhận hàng, lưu trữ, chọn hàng, đóng gói và vận chuyển. Tầm quan trọng của IFWs thể hiện ở khả năng hỗ trợ tốc độ và sự chính xác trong chuỗi cung ứng TMĐT. Hiệu quả của một IFW ảnh hưởng trực tiếp đến trải nghiệm khách hàng, chi phí vận hành và khả năng cạnh tranh của doanh nghiệp. Việc thiết kế và tối ưu hóa kho hàng TMĐT không chỉ là một lợi thế mà còn là yêu cầu bắt buộc để duy trì hoạt động kinh doanh bền vững trong kỷ nguyên số.

1.2. Sự chuyển dịch và nhu cầu chính sách lưu trữ hàng hóa bùng nổ

Nền kinh tế internet đã tạo ra những tác động đáng kể đến thiết kế và vận hành chuỗi cung ứng bán lẻ. Sự gián đoạn của các điểm bán lẻ vật lý dẫn đến những mô hình và cơ hội mới trong việc hoàn thiện đơn hàng. Trước đây, phần lớn tài liệu về hoàn thiện đơn hàng dựa trên việc vận chuyển số lượng lớn từ nhà phân phối đến nhà bán lẻ. Tuy nhiên, trong mô hình mới, các nhà bán lẻ vật lý gần như bị loại bỏ hoàn toàn, và quá trình chia nhỏ hàng hóa bùng nổ (bulk break-up) diễn ra ở cấp độ kho hàng (Onal, 2017). Điều này đòi hỏi một chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) mới, có khả năng quản lý hiệu quả số lượng SKU lớn và tần suất lấy hàng cao. Nhu cầu về hoàn thiện đơn hàng ngay lập tức và sự bùng nổ hàng hóa đã thúc đẩy sự cần thiết phải có các mô hình cấu trúc mới với một bộ mục tiêu vận hành mới, nhằm đáp ứng sự phức tạp và quy mô của hoạt động TMĐT.

II. Đối mặt thách thức Những vấn đề cốt lõi trong Tối ưu hóa Kho hàng TMĐT

Việc quản lý các kho hàng thực hiện đơn hàng điện tử (IFWs) ngày nay đòi hỏi nhiều hơn là chỉ đơn thuần lưu trữ hàng hóa. Với sự gia tăng chóng mặt về số lượng đơn đặt hàng và sự đa dạng của các mặt hàng (SKU), các doanh nghiệp phải đối mặt với nhiều thách thức về chi phí, hiệu suất và khả năng mở rộng. Nhu cầu thiết kế và tối ưu hóa chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) trở nên cấp thiết hơn bao giờ hết để duy trì lợi thế cạnh tranh. Các vấn đề này bao gồm việc cân bằng giữa tốc độ xử lý đơn hàng và chi phí vận hành, tối ưu hóa không gian lưu trữ, và giảm thiểu rủi ro phát sinh từ các lỗi vận hành. Một chiến lược lưu trữ không hiệu quả có thể dẫn đến chậm trễ giao hàng, tăng chi phí lao động, và ảnh hưởng tiêu cực đến trải nghiệm khách hàng.

2.1. Quản lý hàng tồn kho và tốc độ xử lý đơn hàng bùng nổ

Một trong những thách thức lớn nhất trong IFWs là quản lý hàng tồn kho hiệu quả đồng thời đáp ứng tốc độ xử lý đơn hàng ngày càng cao. Khi hàng hóa bùng nổ (bulk explosion) diễn ra, tức là các lô hàng lớn được chia nhỏ thành vô số đơn hàng cá nhân, số lượng vị trí lưu trữ cần thiết tăng lên đáng kể. Điều này gây áp lực lớn lên không gian kho bãi và quy trình lấy hàng. Tốc độ lấy hàng chậm có thể dẫn đến tình trạng tắc nghẽn, tăng thời gian hoàn thiện đơn hàng, và cuối cùng là sự không hài lòng của khách hàng. Ngoài ra, việc xác định vị trí lưu trữ tối ưu cho từng SKU trở thành một bài toán phức tạp, đòi hỏi sự cân nhắc giữa tần suất lấy hàng, kích thước sản phẩm và mối quan hệ giữa các mặt hàng. Để giải quyết vấn đề này, các doanh nghiệp cần một chính sách lưu trữ hàng hóa bùng nổ linh hoạt và có khả năng thích ứng cao, giảm thiểu thời gian di chuyển và tối đa hóa năng suất của nhân viên.

2.2. Chi phí vận hành và rủi ro trong vận hành kho hiện đại

Chi phí vận hành kho hàng là một yếu tố then chốt ảnh hưởng đến lợi nhuận của các nhà bán lẻ trực tuyến. Chi phí này bao gồm chi phí nhân công, thuê không gian, năng lượng, và bảo trì thiết bị. Với việc tối ưu hóa kho hàng TMĐT kém hiệu quả, các chi phí này có thể tăng vọt. Ví dụ, một quy trình lấy hàng không được tối ưu có thể làm tăng quãng đường di chuyển của nhân viên, dẫn đến tăng chi phí lao động và giảm hiệu suất. Hơn nữa, việc quản lý hàng tồn kho không chính xác có thể dẫn đến tình trạng hết hàng (stock-out) hoặc tồn kho quá mức (overstock), cả hai đều gây ra tổn thất đáng kể. Rủi ro trong vận hành kho hiện đại còn bao gồm sai sót trong việc đóng gói, thất lạc hàng hóa, hoặc hư hỏng trong quá trình xử lý. Do đó, việc áp dụng một chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) được thiết kế và tối ưu hóa cẩn thận là cần thiết để giảm thiểu các chi phí không cần thiết và hạn chế tối đa các rủi ro hoạt động, đảm bảo dòng chảy hàng hóa diễn ra trơn tru.

III. Giải pháp đột phá Thiết kế chiến lược sắp xếp hàng hóa tối ưu cho IFWs

Để đối phó với những thách thức phức tạp của việc quản lý lưu trữ hàng hóa bùng nổ trong kho hàng thực hiện đơn hàng điện tử (IFWs), các doanh nghiệp cần áp dụng những chiến lược thiết kế và sắp xếp hàng hóa tiên tiến. Thay vì dựa vào các phương pháp truyền thống, việc đổi mới trong cách tiếp cận chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) là chìa khóa để nâng cao hiệu quả và khả năng cạnh tranh. Các giải pháp này không chỉ tối ưu hóa không gian mà còn cải thiện tốc độ và độ chính xác trong quá trình hoàn thiện đơn hàng. Việc tích hợp công nghệ thông tin vào các quy trình này cũng đóng vai trò quan trọng, mở ra những cơ hội mới cho sự tự động hóa và ra quyết định dựa trên dữ liệu, giúp IFWs thích ứng linh hoạt hơn với sự biến động của thị trường TMĐT.

3.1. Các phương pháp lưu trữ tiên tiến Từ truyền thống đến hiện đại

Các phương pháp lưu trữ trong kho hàng đã phát triển đáng kể để đáp ứng yêu cầu của TMĐT. Từ các chiến lược truyền thống như lưu trữ theo tần suất (ABC) hoặc theo kích thước, đến các phương pháp hiện đại hơn. Lưu trữ theo tần suất (ABC) phân loại hàng hóa dựa trên tần suất lấy hàng, đặt các mặt hàng có tần suất cao ở vị trí dễ tiếp cận nhất. Tuy nhiên, với sự bùng nổ hàng hóa và số lượng SKU lớn, các chiến lược phức tạp hơn được yêu cầu. Các hệ thống lưu trữ ngẫu nhiên (random storage) có thể được kết hợp với các thuật toán tối ưu hóa vị trí động, cho phép hàng hóa được đặt ở bất kỳ vị trí trống nào để tối đa hóa sử dụng không gian. Điều này đặc biệt hữu ích khi số lượng SKU và khối lượng đơn hàng biến động liên tục. Mục tiêu chính của việc thiết kế chính sách lưu trữ hàng hóa bùng nổ là giảm thiểu quãng đường di chuyển của người lấy hàng và tối đa hóa thông lượng của kho.

3.2. Vai trò của công nghệ thông tin trong tối ưu hóa kho hàng TMĐT

Công nghệ thông tin (IT) đóng vai trò không thể thiếu trong việc tối ưu hóa kho hàng TMĐT, đặc biệt là trong việc triển khai các chính sách lưu trữ hàng hóa bùng nổ. Hệ thống quản lý kho (WMS) hiện đại sử dụng thuật toán phức tạp để xác định vị trí lưu trữ tối ưu cho từng mặt hàng, dự đoán nhu cầu và quản lý tồn kho theo thời gian thực. Các công nghệ như mã vạch, RFID, và hệ thống định vị thời gian thực (RTLS) giúp theo dõi chính xác vị trí và tình trạng của hàng hóa. Ngoài ra, việc sử dụng trí tuệ nhân tạo (AI) và học máy (ML) cho phép phân tích dữ liệu lớn để đưa ra các quyết định chiến lược về bố trí kho, tối ưu hóa lộ trình lấy hàng và dự báo nhu cầu. Việc áp dụng các công nghệ này không chỉ cải thiện hiệu quả hoạt động mà còn giảm thiểu sai sót do con người, từ đó nâng cao chất lượng dịch vụ và giảm chi phí vận hành tổng thể của IFWs.

IV. Nâng cao hiệu suất Phương pháp tối ưu hóa vị trí và quy trình lấy hàng

Hiệu suất hoạt động của các kho hàng thực hiện đơn hàng điện tử (IFWs) phụ thuộc rất nhiều vào việc tối ưu hóa quy trình lấy hàng và vị trí lưu trữ hàng hóa. Khi đối mặt với sự bùng nổ hàng hóa và nhu cầu hoàn thiện đơn hàng nhanh chóng, việc áp dụng các phương pháp lấy hàng thông minh trở nên cực kỳ quan trọng. Các nghiên cứu đã chỉ ra rằng việc lựa chọn chiến lược định tuyến và tổ chức khu vực lấy hàng có thể ảnh hưởng lớn đến thời gian và chi phí vận hành. Mục tiêu chính là giảm thiểu quãng đường di chuyển, tăng số lượng mặt hàng được lấy trong mỗi chuyến đi, và cân bằng tải công việc giữa các nhân viên lấy hàng. Thiết kế và tối ưu hóa chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) đòi hỏi sự kết hợp giữa lý thuyết và thực tiễn để tạo ra một hệ thống hoạt động hiệu quả.

4.1. Phân vùng Zoning và gộp lô Batching để cải thiện luồng công việc

Phân vùng (Zoning) là một cách tiếp cận phổ biến để tối ưu hóa quy trình lấy hàng trong IFWs. Theo phương pháp này, khu vực lấy hàng được chia thành nhiều khu vực nhỏ hơn, và mỗi nhân viên lấy hàng được phân công phụ trách một khu vực cụ thể. Điều này giúp giảm quãng đường di chuyển của từng nhân viên, cho phép họ làm quen hơn với các mặt hàng trong khu vực được chỉ định và giảm tắc nghẽn giao thông trong kho (De Koster et al.). Speaker (1975) đã mô tả việc sử dụng phân vùng trong lấy hàng số lượng lớn. Gộp lô (Batching) là quá trình nhóm nhiều đơn hàng cá nhân lại với nhau để lấy hàng trong một chuyến đi duy nhất. Bằng cách gộp lô, nhân viên có thể lấy nhiều mặt hàng cho các đơn hàng khác nhau cùng lúc, giảm số lần di chuyển và tăng hiệu quả. Các chiến lược này kết hợp giúp tối ưu hóa kho hàng TMĐT bằng cách cải thiện luồng công việc, tăng năng suất lấy hàng và giảm thời gian hoàn thiện đơn hàng.

4.2. Các chiến lược định tuyến Routing strategies hiệu quả trong hoàn thiện đơn hàng trực tuyến

Định tuyến lấy hàng là một yếu tố then chốt quyết định hiệu quả của quá trình hoàn thiện đơn hàng trực tuyến. Các hệ thống quản lý kho thường áp dụng một hoặc nhiều trong số các phương pháp định tuyến nổi tiếng như 'chiến lược hình chữ S' (S-shape strategy), 'chiến lược quay đầu' (Return strategy) và 'chiến lược zig-zag' (Moeller, 2011). Chiến lược hình chữ S yêu cầu người lấy hàng đi qua tất cả các lối đi, trong khi chiến lược quay đầu tối ưu hóa việc quay trở lại lối đi chính sau khi lấy hàng. Petersen (1997) đã bổ sung các phương pháp định tuyến tổng hợp và tối ưu, so sánh chúng trong một kho lưu trữ ngẫu nhiên. Các nghiên cứu của Petersen (1999) và Le-Duc and De Koster (2004) cũng đề xuất phương pháp lối đi theo lối đi và phương pháp tổng hợp kết hợp S-shape và return. Việc lựa chọn chiến lược định tuyến phù hợp là một phần không thể thiếu của chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs), đảm bảo việc di chuyển hiệu quả nhất cho nhân viên và giảm thiểu thời gian lấy hàng.

V. Hướng tới tương lai Ứng dụng và triển vọng của Chính sách Lưu trữ Hàng hóa Bùng nổ

Trong bối cảnh nền kinh tế số không ngừng phát triển, việc liên tục cải tiến chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) là điều kiện tiên quyết để các doanh nghiệp duy trì lợi thế cạnh tranh. Các nghiên cứu hiện tại đã đặt nền móng cho việc phát triển các mô hình phức tạp hơn, cho phép các nhà bán lẻ và nhà nghiên cứu tối ưu hóa các vấn đề cụ thể trong bối cảnh này. Việc áp dụng các mô hình phân tích định lượng tiên tiến và tích hợp các công nghệ mới không chỉ giải quyết các thách thức hiện tại mà còn mở ra những khả năng mới cho việc quản lý chuỗi cung ứng bán lẻ trong tương lai. Sự đổi mới liên tục trong thiết kế và vận hành kho hàng là yếu tố then chốt để đáp ứng nhu cầu ngày càng tăng của người tiêu dùng và sự biến động của thị trường TMĐT toàn cầu.

5.1. Mô hình phân tích định lượng và tác động đến chuỗi cung ứng

Nghiên cứu của Onal (2017) đã phát triển các mô hình mới cho phép nghiên cứu chi tiết và liên tục về cấu trúc hoạt động và ra quyết định của IFWs. Những mô hình phân tích định lượng này là cần thiết cho cả nhà bán lẻ đa kênh truyền thống và nhà bán lẻ thuần túy trực tuyến để phù hợp với nền kinh tế mới. Các nhà nghiên cứu học thuật cũng có thể xây dựng và tối ưu hóa các vấn đề cụ thể trong bối cảnh này. Ví dụ, việc sử dụng các mô hình toán học để dự đoán nhu cầu, tối ưu hóa vị trí lưu trữ và lập kế hoạch lộ trình lấy hàng có thể giúp các doanh nghiệp đưa ra quyết định dựa trên dữ liệu, giảm thiểu rủi ro và tăng cường hiệu quả. Tác động của các mô hình này đến quản lý chuỗi cung ứng bán lẻ là rất lớn, giúp cải thiện khả năng phản ứng, giảm chi phí và nâng cao mức độ hài lòng của khách hàng trong bối cảnh lưu trữ hàng hóa bùng nổ.

5.2. Công nghệ mới và sự phát triển của quản lý chuỗi cung ứng bán lẻ

Tương lai của quản lý chuỗi cung ứng bán lẻ và chính sách lưu trữ hàng hóa bùng nổ trong kho thương mại điện tử (IFWs) sẽ được định hình bởi sự phát triển không ngừng của công nghệ. Các xu hướng như tự động hóa robot, kho hàng thông minh (smart warehouses), Internet of Things (IoT), và blockchain sẽ cách mạng hóa cách thức vận hành kho bãi. Robot tự động có thể thực hiện các nhiệm vụ lấy hàng, vận chuyển và sắp xếp, giảm sự phụ thuộc vào lao động thủ công và tăng tốc độ xử lý. IoT cung cấp dữ liệu thời gian thực về vị trí hàng hóa và tình trạng kho, cho phép quản lý chính xác hơn. Blockchain có thể tăng cường tính minh bạch và bảo mật trong toàn bộ chuỗi cung ứng. Sự tích hợp của các công nghệ này sẽ tạo ra các IFWs linh hoạt hơn, phản ứng nhanh hơn và hiệu quả hơn, sẵn sàng đối mặt với bất kỳ mức độ bùng nổ hàng hóa nào, từ đó tiếp tục thúc đẩy sự tăng trưởng của thương mại điện tử.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ kỹ thuật công nghiệp của tác giả Sevilay Onal, được thực hiện tại Khoa Kỹ thuật Cơ khí và Công nghiệp thuộc Viện Công nghệ New Jersey (New Jersey Institute of Technology – NJIT) dưới sự hướng dẫn của Giáo sư Sanchoy Das, tập trung vào đề tài thiết kế và tối ưu hóa chính sách lưu trữ bùng nổ (explosive storage policy) trong các kho xử lý đơn hàng trực tuyến (Internet Fulfillment Warehouses – IFWs).

Thư mục trích dẫn:
Onal, S. (2017). Design and optimization of an explosive storage policy in internet fulfillment warehouses (Doctoral dissertation, New Jersey Institute of Technology). NJIT Electronic Theses and Dissertations, Paper 21.

Tính cấp thiết và khoảng trống nghiên cứu

Trong bối cảnh thương mại điện tử phát triển, tỷ trọng doanh số bán lẻ trực tuyến tại Hoa Kỳ tăng từ 2,8% năm 2006 lên 7,5% năm 2015 (Bộ Thương mại Hoa Kỳ, 2015), nhưng chưa đến 20% lượng đơn hàng được xử lý từ các kho IFW chuyên dụng. Phần lớn các nhà bán lẻ truyền thống (brick-and-mortar) khi mở rộng sang bán lẻ đa kênh vẫn áp dụng các phương pháp lưu kho truyền thống vốn được thiết kế để vận chuyển hàng hóa khối lượng lớn (bulk) đến các điểm bán lẻ trung gian. Khi loại bỏ các mắt xích trung gian, toàn bộ quy trình phân tách hàng hóa thành từng đơn vị lẻ (unit-level) được dồn vào kho fulfillment.

Khoảng trống nghiên cứu được tác giả xác định bao gồm:

• Các tài liệu nghiên cứu về thương mại trực tuyến thời điểm đó chủ yếu tập trung vào khía cạnh bán lẻ, tiếp thị, niềm tin khách hàng và giá cả (Brynjolfsson et al., 2013; Verhoef et al., 2015; Chen và Leteney, 2000), trong khi các nghiên cứu định lượng về tối ưu hóa vận hành vật lý tại kho fulfillment còn hạn chế (Acimovic và Graves, 2015).
• Các mô hình quản trị kho truyền thống giả định tối ưu hóa thời gian di chuyển (travel time) là mục tiêu cốt lõi, nhưng chưa xây dựng mô hình toán học giải quyết trực tiếp mục tiêu rút ngắn thời gian xử lý đơn hàng thực tế (order fulfillment time) từ lúc phát sinh đơn đến khi xuất xưởng trong môi trường kho hỗn loạn (chaotic warehouse).
• Kiến thức vận hành thực tế của các kho fulfillment quy mô lớn (điển hình là Amazon) mang tính độc quyền, thiếu các mô hình giải tích mô tả và chuẩn tắc công khai cho cộng đồng nghiên cứu và doanh nghiệp.

Mục tiêu và câu hỏi nghiên cứu

Luận án xác định ba mục tiêu nghiên cứu cụ thể:

1. Mục tiêu 1: Xây dựng mô hình mô tả (descriptive) và chuẩn tắc (prescriptive) để kiểm soát dòng sản phẩm và dòng quyết định trong IFW, xác định các biến điều khiển, tham số và mối quan hệ của chúng với chỉ số thời gian hoàn thành đơn hàng.
2. Mục tiêu 2: Sử dụng phân tích mô phỏng để kiểm chứng lợi thế hiệu năng của chính sách lưu trữ bùng nổ thông qua các thuật toán lưu trữ và lấy hàng cơ sở (hoặc tham lam), chứng minh thời gian hoàn thành đơn hàng là một hàm lồi của tỷ lệ bùng nổ $\Psi_o$ và phụ thuộc vào kích thước danh sách lấy hàng $\bar{K}$.
3. Mục tiêu 3: Phát triển các thuật toán heuristic lấy hàng nâng cao (Bin Weighted Order Fillability – BWOF) nhằm giải quyết bài toán quy hoạch nguyên hỗn hợp (MIP) phi đắt (NP-hard) để cực tiểu hóa thời gian xử lý đơn hàng.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Quy trình nhập kho (inbound/stocking) và quy trình lấy hàng (order picking) trong các kho xử lý đơn hàng trực tuyến (IFW).
• Phạm vi không gian: Mô hình mô phỏng và khảo sát thực địa dựa trên hoạt động của các trung tâm xử lý đơn hàng của Amazon, cụ thể là cơ sở SDF8 tại Indiana (diện tích 1,2 triệu feet vuông, lưu trữ 30 triệu SKU gồm 90% hàng may mặc, 5% giày dép, 5% phụ kiện) cùng dữ liệu tổng thể từ mạng lưới 141 cơ sở phân phối (tổng diện tích 91,9 triệu feet vuông tính đến tháng 5/2017).
• Phạm vi thời gian: Số liệu vận hành, cấu trúc ngành và các tài liệu khảo sát được thu thập và phân tích trong giai đoạn từ 2012 đến 2017.

---

Tổng quan tài liệu và vị trí của luận án

Tác giả hệ thống hóa các nhóm nghiên cứu liên quan đến thiết kế kho, chính sách lưu trữ và thuật toán lấy hàng:

Các hướng nghiên cứu nền tảng

1. Thiết kế kho và bài toán bố trí mặt bằng (Facility Layout Problem):

   • Nghiên cứu khởi đầu của Cahn (1948) về mô hình sức chứa cố định; Bellman (1956), Moder và Thornton (1965) về hiệu quả sử dụng diện tích sàn và góc nghiêng pallet; Francis (1967), Berry (1968), White và Francis (1971), Roberts và Reed (1972), Levy (1974), Bassan et al. (1980) về xác định kích thước kho tối ưu và chi phí xử lý vật liệu.
   • Các khảo sát toàn diện của Rouwenhorst et al. (2000), Gu et al. (2007, 2010), De Koster et al. (2007) phân loại quyết định kho hàng thành ba cấp độ: chiến lược (5 năm), chiến thuật (2 năm) và vận hành (1 năm).
   • Thiết kế lối đi phi truyền thống: Ozturkoglu (2011) với thiết kế chevron, leaf và butterfly; Lerher et al. (2013) về tối ưu hóa đa mục tiêu trong hệ thống lưu trữ/truy xuất tự động (AS/RS); Ekren et al. (2015) về hệ thống lưu trữ dạng con thoi (SBS/RS).

2. Chính sách phân bổ vị trí lưu trữ (Storage Location Assignment Problem - SLAP):

   • Phân loại chính sách: Lưu trữ chuyên dụng (dedicated storage), lưu trữ ngẫu nhiên (randomized storage - RSP), và lưu trữ theo nhóm/phân lớp (class-based storage) (Frazelle, 1990, 2002; Petersen, 1997; De Koster et al., 2007).
   • Lưu trữ chia sẻ (shared storage) và mức dưới tải đơn vị (less-than-unit-load): Goetschalckx và Ratliff (1990), Hackman và Rosenblatt (1990), Frazelle et al. (1994) về bài toán vùng lấy hàng phía trước và vùng dự trữ (forward-reserve problem); Malmborg và Al-Tassan (1996, 1998, 2000) về đánh giá hiệu năng lưu trữ ngẫu nhiên cho tải dưới đơn vị.

3. Thuật toán định tuyến và lấy hàng (Order Picking Algorithms):

   • Bản chất bài toán là dạng đặc biệt của bài toán người du lịch (TSP) (Karp et al., 1985; Ratliff và Rosenthal, 1983; Goetschalckx và Ratliff, 1988).
   • Các phương pháp heuristic định tuyến kinh điển: S-shape (traversal), Return, Midpoint, Largest Gap, Composite và phân vùng (Zoning/Batching) (Hall, 1993; Petersen, 1997, 1999, 2002; Roodbergen và De Koster, 2001; Moeller, 2011).

Hướng nghiên cứu	Các tác giả tiêu biểu	Trọng tâm lý thuyết / Mô hình
Bố trí mặt bằng kho	Cahn (1948), Francis (1967), Berry (1968), Bassan et al. (1980), Gu et al. (2007)	Tối ưu hóa không gian, chi phí xử lý vật liệu, luồng sản phẩm.
Hệ thống AS/RS	Hausman et al. (1976), Graves et al. (1977), Bozer & White (1984), Ekren et al. (2015)	Tối ưu hóa chu kỳ lệnh đơn/kép, hệ thống con thoi, lưu trữ theo lớp.
Chính sách lưu trữ	Frazelle (1990), Malmborg & Al-Tassan (1996, 2000), Petersen (1997)	Phân bổ ngẫu nhiên, lưu trữ chia sẻ, bài toán forward-reserve.
Thuật toán lấy hàng	Ratliff & Rosenthal (1983), Hall (1993), De Koster et al. (2007)	Định tuyến heuristic (S-shape, Return, Midpoint), giảm quãng đường di chuyển.

Vị trí và khoảng trống luận án giải quyết

Trong khi các nghiên cứu trước đây chủ yếu tập trung vào vận chuyển hàng nguyên pallet/thùng (unit-load) và tối ưu hóa thời gian di chuyển nội bộ, luận án của Onal định vị nghiên cứu vào cấu trúc kho IFW nơi các SKU được lưu trữ phân tán (explosive), trộn lẫn trong hàng vạn ngăn chứa kiểu tổ ong (beehive bins), và hướng trực tiếp tới mục tiêu rút ngắn tổng thời gian hoàn thành đơn hàng (dưới 4 giờ để giao hàng trong ngày).

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án thiết lập khung phân tích dựa trên 6 yếu tố phân biệt mang tính cấu trúc giữa kho truyền thống và IFW:

1. Chính sách lưu trữ bùng nổ (Explosive storage policy): Một lô hàng bulk SKU khi nhập kho được phân tách thành $E$ lô nhỏ (mỗi lô không chứa quá 10% tổng số lượng nhập), sau đó lưu trữ ngẫu nhiên vào $E$ vị trí ngăn chứa khác nhau trên toàn bộ diện tích kho mà không có ràng buộc vị trí cố định.
2. Hệ thống ngăn chứa tổ ong số lượng lớn (Very large number of beehive storage locations): Sử dụng các giá kệ chia nhỏ thành hàng trăm nghìn ngăn chứa kích thước nhỏ.
3. Ngăn chứa trộn lẫn SKU (Bins with commingled SKUs): Nhiều loại SKU khác nhau được xếp chung trong cùng một ngăn chứa.
4. Mục tiêu đáp ứng đơn hàng tức thì (Immediate order fulfillment): Xử lý đơn hàng liên tục theo thời gian thực thay vì gom lô lớn, hướng tới mốc thời gian hoàn thành dưới 4 giờ.
5. Tuyến đường lấy hàng ngắn với lượt lấy đơn lẻ (Short picking routes with single unit picks): Lấy từng sản phẩm đơn vị với quãng đường ngắn nhất.
6. Khối lượng giao dịch lớn dưới sự kiểm soát kỹ thuật số toàn diện (High transaction volumes with total digital control): Sử dụng mã vạch, máy quét cầm tay, đèn báo vị trí (pick-to-light) và kiểm soát hoàn toàn bằng phần mềm quản lý kho.

Tác giả đưa ra chỉ số tỷ lệ bùng nổ $\Psi_o$ để đo lường mật độ phân tán:

• Trong kho lưu trữ ngẫu nhiên truyền thống (RSP): $\Psi_o < 0.01$.
• Trong kho IFW: phạm vi hoạt động thực tế là $\Psi_o > 0$ (thường từ $0.1$ đến $0.8$).

Khung phân tích luồng vận hành IFW:

Phương pháp nghiên cứu

Luận án kết hợp các phương pháp định lượng và mô hình hóa toán học:

• Quan sát thực địa (Observational Studies): Khảo sát cấu trúc vận hành vật lý tại trung tâm fulfillment của Amazon (cơ sở SDF8).
• Quy hoạch nguyên hỗn hợp (Mixed Integer Programming - MIP): Mô hình hóa bài toán gộp đơn và chọn vị trí ngăn chứa để tối ưu hóa danh sách lấy hàng (NP-hard).
• Thuật toán heuristic:
  • Uniform Random Stocking List Algorithm: Thuật toán phân bổ ngẫu nhiên đồng đều phục vụ chính sách lưu trữ bùng nổ.
  • Narrow Band Order Picking (NBOP) Algorithm: Thuật toán lấy hàng theo dải hẹp làm giải pháp cơ sở.
  • Bin Weighted Order Fillability (BWOF) Heuristic: Thuật toán tính trọng số khả năng đáp ứng đơn hàng của từng ngăn chứa, gồm Heuristic 1 (Highest Maximum Fillable Factor) và Heuristic 2 (Amplified Maximum Fillable Factors).
• Mô phỏng hướng dữ liệu (Data-driven Simulation): Xây dựng trên nền tảng cơ sở dữ liệu Microsoft Access kết hợp lập trình VBA (Visual Basic for Applications) và giải tối ưu bằng OpenSolver.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 giới thiệu sự chuyển dịch từ chuỗi cung ứng truyền thống sang thương mại điện tử, trình bày mô hình trung tâm fulfillment của Amazon và phân tích ba phân hệ chính: (i) Inbound (nhập hàng), (ii) Picking & Packing (lấy hàng và đóng gói), và (iii) Outbound (xuất hàng). Luận án tập trung vào hai phân hệ đầu. Tác giả nêu bật việc Amazon áp dụng robot Kiva Systems từ năm 2012 với giá trị 775 triệu USD để tự động hóa di chuyển các kệ hàng (pod) về trạm làm việc. Chương này đặt ra bài toán, mục tiêu nghiên cứu và ý nghĩa thực tiễn của việc xây dựng các mô hình giải tích cho IFW.

Chương 2: Tổng quan tài liệu (Literature Review)

Chương 2 tổng thuật các tài liệu học thuật theo bốn trụ cột:

1. Thiết kế lưu trữ kho hàng: Phân tích luồng sản phẩm, các bài toán bố trí mặt bằng, và hệ thống lưu trữ/truy xuất tự động (AS/RS).
2. Trung tâm xử lý đơn hàng trực tuyến: Đánh giá mô hình bán lẻ của Amazon, bán lẻ đa kênh (omni-channel) và các chiến lược mở rộng thị trường theo ma trận Ansoff.
3. Chính sách lưu trữ ngẫu nhiên: Đánh giá bài toán SLAP, các chính sách lưu trữ đơn vị tải và dưới đơn vị tải, bài toán forward-reserve và lưu trữ chia sẻ.
4. Thuật toán lấy hàng trong kho: Tổng quan về định tuyến (S-shape, return, midpoint, largest gap), phân vùng (zoning), gom lô (batching) và các mô hình ước tính thời gian di chuyển.

Chương 3: Kho xử lý đơn hàng trực tuyến (Internet Fulfillment Warehouses)

Chương 3 xây dựng mô hình giải tích cho IFW. Tác giả làm rõ 6 đặc trưng cấu trúc khác biệt giữa kho truyền thống và IFW, giải thích cơ chế biến toàn bộ diện tích kho thành một "khu vực lấy hàng nhanh phía trước" (forward picking area). Chương này thiết lập:

• Hàm mục tiêu hiệu năng: Cực tiểu hóa thời gian hoàn thành đơn hàng (Order Fulfillment Time).
• Thuật toán nhập kho: Uniform Random Stocking List Algorithm.
• Thuật toán lấy hàng cơ sở: Narrow Band Order Picking (NBOP) Algorithm.

Chương 4: Mô phỏng vận hành IFW (Simulation of IFW Operations)

Chương 4 thiết kế mô hình mô phỏng dựa trên cơ sở dữ liệu MS Access/VBA nhằm xử lý khối lượng dữ liệu giao dịch lớn. Tác giả tạo lập các bảng thực thể, quan hệ và sơ đồ điều khiển logic cho IFW.

Các tham số mô phỏng chính:
- Số lượng SKU độc nhất: 1.000 - 30.000
- Số lượng vị trí ngăn chứa (bins): Hàng chục nghìn ngăn
- Tỷ lệ bùng nổ khảo sát: Ψo = 0.1, 0.3, 0.5, 0.8
- Kích thước danh sách lấy hàng: K̄ = 5 đến 17 điểm dừng

Phân tích hiệu năng chỉ ra rằng:

• Thời gian hoàn thành đơn hàng có dạng hàm lồi theo tỷ lệ bùng nổ $\Psi_o$.
• Khi tăng tỷ lệ bùng nổ từ mức thấp lên $\Psi_o = 0.8$, thuật toán NBOP giúp giảm thời gian hoàn thành đơn hàng từ 7% đến 16%.
• Kích thước danh sách lấy hàng tối ưu cho thuật toán NBOP được xác định tại $\bar{K} = 13$.

Chương 5: Thuật toán lấy hàng nâng cao cho IFW (Advanced Order Picking Algorithms for IFWs)

Chương 5 xây dựng mô hình Quy hoạch nguyên hỗn hợp (MIP) để tìm kiếm cụm đơn hàng và ngăn chứa tối ưu nhằm lập danh sách lấy hàng. Do không gian biến quyết định (tích của số đơn hàng đang chờ và số vị trí tồn kho khả dụng) quá lớn khiến bài toán NP-hard không thể giải trực tiếp trong thời gian thực, tác giả phát triển kỹ thuật thu hẹp không gian biến thông qua:

1. Loại trừ đơn hàng không phù hợp (order elimination).
2. Tiền lựa chọn ngăn chứa (bin pre-selection).
3. Phương pháp gán trọng số ngăn chứa (bin weighing method).

Tác giả đề xuất thuật toán Bin Weighted Order Fillability (BWOF) với hai biến thể (Heuristic 1 và Heuristic 2). Thử nghiệm trên 45 bài toán mẫu quy mô nhỏ (120 đơn hàng) bằng OpenSolver cho thấy:

• BWOF đạt nghiệm tối ưu ở 28 trường hợp.
• BWOF đạt nghiệm sai lệch trong vòng 10% so với tối ưu ở 5 trường hợp.
• Tổng cộng khoảng 75% trường hợp tìm thấy nghiệm tối ưu hoặc gần tối ưu (sai số $< 10%$) chỉ trong vài giây.

Khi đưa vào mô phỏng quy mô lớn, thuật toán BWOF giúp cải thiện vượt trội so với NBOP:

Kích thước danh sách lấy hàng ($\bar{K}$)	Mức giảm thời gian hoàn thành đơn hàng của BWOF
$\bar{K} = 13$	Giảm 18%
$\bar{K} = 15$	Giảm 27%
$\bar{K} = 17$	Giảm 39%

Ghi chú: Mức cải thiện trung bình của BWOF so với NBOP dao động từ 12% đến 35%, và đạt tới 50% ở các danh sách lấy hàng quy mô lớn. Đặc biệt, khi áp dụng BWOF, điểm tối ưu của tỷ lệ bùng nổ $\Psi_o$ giảm từ $0.8$ xuống $0.5$, giúp giảm chi phí lao động và thời gian xử lý trong khâu nhập kho.

Chương 6: Kết quả đạt được và hướng nghiên cứu tương lai (Accomplishments and Future Work)

Chương cuối đúc kết toàn bộ các kết quả đạt được về mặt mô hình hóa, thực nghiệm mô phỏng và tối ưu thuật toán, đồng thời vạch ra các hướng mở rộng cho nghiên cứu tiếp theo.

---

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và khoa học

1. Khái niệm hóa chính sách lưu trữ bùng nổ: Luận án định nghĩa chính thức chính sách lưu trữ bùng nổ (Explosive Storage Policy) và đưa ra công thức tính tỷ lệ bùng nổ $\Psi_o$, thiết lập cơ sở lý thuyết cho việc phân tán hàng hóa trong các kho hàng thương mại điện tử.
2. Nhận diện 6 đặc trưng cấu trúc của IFW: Hệ thống hóa sự khác biệt cốt lõi giữa kho hàng truyền thống và kho fulfillment, chứng minh rằng sự kết hợp giữa lưu trữ phân tán, ngăn chứa tổ ong trộn lẫn SKU và điều khiển số hóa có tác dụng biến toàn bộ kho hàng thành một khu vực lấy hàng nhanh (forward picking area).
3. Mô hình hóa toán học cho IFW: Xây dựng mô hình MIP cho bài toán lấy hàng trong môi trường kho hỗn loạn và chứng minh tính chất hàm lồi của thời gian hoàn thành đơn hàng theo tỷ lệ bùng nổ.

Đóng góp về mặt thực tiễn và giải pháp kỹ thuật

1. Thuật toán heuristic BWOF: Cung cấp thuật toán lấy hàng nhanh có khả năng giải quyết bài toán NP-hard trong vài giây với độ chính xác cao (75% trường hợp đạt hoặc gần đạt tối ưu trong khoảng 10%).
2. Tối ưu hóa chi phí vận hành tổng thể: Phát hiện việc sử dụng thuật toán BWOF cho phép hạ tỷ lệ bùng nổ tối ưu từ $\Psi_o = 0.8$ xuống $\Psi_o = 0.5$. Điều này mang lại lợi ích kinh tế kép: vừa rút ngắn thời gian lấy hàng từ 18% đến 39%, vừa giảm chi phí lao động và thời gian thao tác trong quá trình nhập hàng (do không phải chia nhỏ lô hàng quá mức).

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các nội dung được trình bày trong luận án, các hạn chế và định hướng nghiên cứu tiếp theo bao gồm:

Hạn chế

• Dữ liệu xây dựng mô hình ban đầu dựa trên các quan sát thực địa trực quan tại cơ sở của Amazon mà không có quyền truy cập trực tiếp vào mã nguồn điều khiển độc quyền hoặc cơ sở dữ liệu vận hành nội bộ.
• Các thử nghiệm so sánh nghiệm tối ưu chính xác của mô hình MIP mới chỉ thực hiện trên tập bài toán quy mô nhỏ (120 đơn hàng) do giới hạn về thời gian giải toán của các bộ công cụ quy hoạch nguyên đối với không gian biến số lớn.

Hướng nghiên cứu tiếp

• Mở rộng mô hình để tích hợp toàn diện sự tương tác giữa hệ thống lấy hàng thủ công và hệ thống robot tự hành (như Kiva Systems/Amazon Robotics).
• Nghiên cứu cơ chế điều chỉnh động tỷ lệ bùng nổ $\Psi_o$ theo sự biến động của nhu cầu theo mùa hoặc đặc tính quay vòng của từng nhóm SKU cụ thể.
• Mở rộng thuật toán BWOF cho các mô hình mạng lưới đa kho fulfillment và xử lý đơn hàng đa kênh (omni-channel order routing).

---

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu cho các nhóm đối tượng:

• Nghiên cứu sinh và Giảng viên ngành Kỹ thuật Công nghiệp, Quản lý Chuỗi cung ứng và Vận trù học: Tham khảo phương pháp xây dựng mô hình MIP cho bài toán kho hỗn loạn, phương pháp thiết kế mô phỏng hướng dữ liệu bằng MS Access/VBA, và các kỹ thuật rút gọn không gian biến quyết định cho bài toán NP-hard.
• Kỹ sư vận hành và Quản lý logistics tại các doanh nghiệp E-commerce: Ứng dụng nguyên lý lưu trữ bùng nổ và thuật toán BWOF trong việc cấu hình hệ thống WMS (Warehouse Management System), cân đối giữa thời gian nhập kho và thời gian lấy hàng để đạt mục tiêu giao hàng trong ngày (same-day delivery).
• Các phần nội dung đáng tham khảo nhất:
  • Chương 3 (Mô hình hóa 6 đặc trưng cấu trúc IFW và chỉ số $\Psi_o$).
  • Chương 5 (Công thức MIP, phương pháp thu hẹp không gian biến và mã giả thuật toán BWOF Heuristic 1 & 2).

---

Câu hỏi thường gặp

1. Chính sách lưu trữ bùng nổ (Explosive Storage Policy) được định nghĩa như thế nào trong luận án?

Chính sách lưu trữ bùng nổ được định nghĩa là quy trình trong đó một lô hàng SKU dạng bulk khi nhập kho được phân tách thành $E$ lô lưu trữ nhỏ sao cho không có lô nào chứa quá 10% tổng số lượng hàng vừa nhận. Sau đó, $E$ lô hàng này được lưu trữ ngẫu nhiên vào $E$ vị trí ngăn chứa khác nhau trên toàn bộ kho mà không chịu ràng buộc phân vùng cố định trước.

2. Tỷ lệ bùng nổ $\Psi_o$ khác nhau như thế nào giữa kho truyền thống và kho IFW?

Tỷ lệ bùng nổ $\Psi_o$ là chỉ số đo lường mật độ phân tán của hàng hóa. Trong các kho áp dụng chính sách lưu trữ ngẫu nhiên truyền thống (Randomized Storage Policy), tỷ lệ này rất nhỏ với $\Psi_o < 0.01$. Ngược lại, trong kho xử lý đơn hàng trực tuyến (IFW), phạm vi hoạt động của tỷ lệ bùng nổ là $\Psi_o > 0$, với các mức thử nghiệm điển hình trong luận án từ $0.1$ đến $0.8$.

3. Thuật toán BWOF (Bin Weighted Order Fillability) đạt hiệu năng như thế nào so với nghiệm tối ưu và thuật toán cơ sở NBOP?

Trong các bài toán thử nghiệm quy mô nhỏ (120 đơn hàng), thuật toán BWOF tìm được nghiệm tối ưu chính xác ở 28 trên 45 trường hợp và đạt sai số dưới 10% ở 5 trường hợp (khoảng 75% trường hợp đạt hoặc gần tối ưu chỉ trong vài giây). Trong mô phỏng quy mô lớn, BWOF giúp giảm thời gian hoàn thành đơn hàng so với thuật toán NBOP lần lượt là 18% (với $\bar{K}=13$), 27% (với $\bar{K}=15$), và 39% (với $\bar{K}=17$).

4. Việc áp dụng thuật toán BWOF mang lại lợi ích gì cho khâu nhập kho (stocking)?

Khi sử dụng thuật toán lấy hàng cơ sở NBOP, tỷ lệ bùng nổ tối ưu là $\Psi_o = 0.8$. Tuy nhiên, khi chuyển sang thuật toán nâng cao BWOF, tỷ lệ bùng nổ tối ưu giảm xuống $\Psi_o = 0.5$. Mức giảm này giúp giảm bớt số lần phân tách lô hàng khi nhập kho, từ đó rút ngắn thời gian nhập hàng và giảm chi phí nhân công lưu trữ.

---

Kết luận

Luận án tiến sĩ của Sevilay Onal đã phân tích và mô hình hóa thành công hoạt động vận hành của kho xử lý đơn hàng trực tuyến (IFW) thông qua chính sách lưu trữ bùng nổ và mục tiêu hoàn thành đơn hàng tức thì. Bằng việc kết hợp mô hình quy hoạch nguyên hỗn hợp (MIP), công cụ mô phỏng hướng dữ liệu và thuật toán heuristic BWOF, nghiên cứu chứng minh thời gian hoàn thành đơn hàng là một hàm lồi theo tỷ lệ bùng nổ $\Psi_o$. Kết quả nghiên cứu cung cấp cơ sở định lượng giúp các nhà bán lẻ trực tuyến tối ưu hóa đồng thời quy trình lấy hàng và quy trình nhập kho nhằm đáp ứng yêu cầu giao hàng nhanh trong chuỗi cung ứng thương mại điện tử.

Trích đoạn nội dung tài liệu

New Jersey Institute of Technology Digital Commons @ NJIT Dissertations Electronic Theses and Dissertations Spring 2017 Design and optimization of an explosive storage policy in internet fulfillment warehouses Sevilay Onal New Jersey Institute of Technology Follow this and additional works at: https://digitalcommons.edu/dissertations Part of the Industrial Engineering Commons Recommended Citation Onal, Sevilay, "Design and optimization of an explosive storage policy in internet fulfillment warehouses" (2017).edu/dissertations/21 This Dissertation is brought to you for free and open access by the Electronic Theses and Dissertations at Digital Commons @ NJIT. It has been accepted for inclusion in Dissertations by an authorized administrator of Digital Commons @ NJIT. For more information, please contact digitalcommons@njit. Copyright Warning & Restrictions The copyright law of the United States (Title 17, United States Code) governs the making of photocopies or other reproductions of copyrighted material.

Under certain conditions specified in the law, libraries and archives are authorized to furnish a photocopy or other reproduction. One of these specified conditions is that the photocopy or reproduction is not to be “used for any purpose other than private study, scholarship, or research.” If a, user makes a request for, or later uses, a photocopy or reproduction for purposes in excess of “fair use” that user may be liable for copyright infringement, This institution reserves the right to refuse to accept a copying order if, in its judgment, fulfillment of the order would involve violation of copyright law. Please Note: The author retains the copyright while the New Jersey Institute of Technology reserves the right to distribute this thesis or dissertation Printing note: If you do not wish to print this page, then select “Pages from: first page # to: last page #” on the print dialog screen The Van Houten library has removed some of the personal information and all signatures from the approval page and biographical sketches of theses and dissertations in order to protect the identity of NJIT graduates and faculty. ABSTRACT DESIGN AND OPTIMIZATION OF AN EXPLOSIVE STORAGE POLICY IN INTERNET FULFILLMENT WAREHOUSES by Sevilay Onal This research investigates the warehousing operations of internet retailers.

The primary physical process in internet retail is fulfillment, which typically involves a large internet fulfillment warehouse (IFW) that has been built and designed exclusively for online sales and an accompanying parcel delivery network. Based on observational studies of IFW operations at a leading internet retailer, the investigations find that traditional warehousing methods are being replaced by new methods which better leverage information technology and efficiently serve the new internet retail driven supply chain economy. Traditional methods assume a warehouse moves bulk volumes to retail points where the bulks get broken down into individual items and sold. But in internet retail all the middle elements of a supply chain are combined into the IFW.

Specifically, six key structural differentiations between traditional and IFW operations are identified: (i) explosive storage policy (ii) very large number of beehive storage locations (iii) bins with commingled SKUs (iv) immediate order fulfillment (v) short picking routes with single unit picks and (vi) high transaction volumes with total digital control. In combination, these have the effect of organizing the entire IFW warehouse like a forward picking area. Several models to describe and control IFW operations are developed and optimized. For IFWs the primary performance metric is order fulfillment time, the interval between order receipt and shipment, with a target of less than four hours to allow for same day shipment.

Central to achieving this objective is an explosive storage policy which is defined as: An incoming bulk SKU is exploded into E storage lots such that no lot contains more than 10% of the received quantity, the lots are then stored in E locations anywhere in the warehouse without preset restrictions. The explosion ratio Ψo is introduced that measures the dispersion density, and show that in a randomized storage warehouse Ψ o <0.01, whereas in an IFW the likely range is Ψo>0. Specific research objectives that are accomplished: (i) Develope a descriptive and prescriptive model for the control of IFW product flows identifying control variables and parameters and their relationship to the fulfillment time performance objective, (ii) Use a simulation analysis and baseline or greedy storage and picking algorithms to confirm that fulfillment time is a convex function of E and sensitive to Ǩ, the pick list size. For an experimental problem the fulfillment time decrease by 7% and 16% for explosion ratios ranging between Ψo=0.8, confirming the benefits of an explosive strategy, (iii) Develope the Bin Weighted Order Fillability (BWOF) heuristic, a fast order picking algorithm which estimates the number of pending orders than can be filled from a specific bin location.

For small problems (120 orders) the BWOF performes well against an optimal assignment. For 45 test problems the BWOF matches the optimal in 28 cases and within 10% in five cases. For the large simulation experimental problems the BWOF heuristic further reduces fulfillment time by 18% for Ǩ =13, 27% for Ǩ =15 and 39% for Ǩ =17. The best fulfillment times are achieved at Ψo=0.5, allowing for additional benefits from faster storage times and reduced storage costs.

DESIGN AND OPTIMIZATION OF AN EXPLOSIVE STORAGE POLICY IN INTERNET FULFILLMENT WAREHOUSES by Sevilay Onal A Dissertation Proposal Submitted to the Faculty of New Jersey Institute of Technology in Partial Fulfillment of the Requirements for the Degree of Doctor of Philosophy in Industrial Engineering Department of Mechanical and Industrial Engineering May 2017 Copyright © 2017 by Sevilay Onal ALL RIGHTS RESERVED APPROVAL PAGE DESIGN AND OPTIMIZATION OF AN EXPLOSIVE STORAGE POLICY IN INTERNET FULFILLMENT WAREHOUSES Sevilay Onal Dr. Das, Dissertation Advisor Date Professor of Mechanical and Industrial Engineering, NJIT Dr. Athanassios Bladikas, Committee Member Date Professor of Mechanical and Industrial Engineering, NJIT Dr. Wenbo Cai, Committee Member Date Assistant Professor of Mechanical and Industrial Engineering, NJIT Dr.

Abdel Malek, Committee Member Date Professor of Mechanical and Industrial Engineering, NJIT Dr. Lazar Spasovic, Committee Member Date Professor of Civil and Environmental Engineering, NJIT BIOGRAPHICAL SKETCH Author: Sevilay Onal Degree: Doctor of Philosophy Date: May 2017 Undergraduate and Graduate Education: • Doctor of Philosophy in Industrial Engineering, New Jersey Institute of Technology, Newark, NJ, 2017 • Master of Science in Industrial Engineering, NYU Polytechnic School of Engineering, Brooklyn, NY 2012 • Bachelor of Science in Industrial Engineering, Istanbul University, Istanbul, Turkey, 2008 Major: Industrial Engineering Presentations and Publications: Onal, S. "Modelling and performance evaluation of explosive storage policies in internet fulfilment warehouses." International Journal of Production Research: 1-14.com/doi/full/10.1304663 Zhang, Onal and Das S. “Channel switching in a fixed period fast-fashion supply chain.” International Journal of Production Economics (Second review).

“Product Flows and Decision Models in Internet Fulfillment Warehouses with Explosive Storage." International Journal of Production Process and Control. “Fulfillment time performance of amazon relative to other online retailers: An empirical analysis” International Journal of Distribution and Logistics. (In Preparation) iv Onal and Das S., “Modelling and performance evaluation of explosive storage policies in internet fulfillment warehouses.” Conference Presentation, Institute for Operations Research and the Management Science Annual Conference, November 2016, Nashville, TN, United States. Onal and Das S., “Evaluating reorder strategies in supply chains with lead time disruption risk.” Conference Presentation, Production and Operations Management Society Annual Conference, May 2015, Washington, D.

Zhang, Onal and Das S., “A multi-channel fast fashion supply chain with switch control and replenishment policy.” Conference Presentation, Institute for Operations Research and the Management Science Annual Conference, November 2015, Philadelphia, PA, United States. Onal and Das S., “Optimization problems in the design and control of internet fulfillment warehouses.” Poster Presentation, Institute for Operations Research and the Management Science Annual Conference, November 2016, Nashville, TN, United States. Onal and Das, “Simulation analysis of chaotic storage policies in amazon class fulfillment centers.” Poster Presentation, NJIT Dana Knox Student Research Showcase, April 2016, Newark, NJ, United States. Onal and Das S., “Simulation analysis of chaotic storage policies in amazon class fulfillment centers.” Poster Presentation, Institute for Operations Research and the Management Science Annual Conference, November 2015, Philadelphia, PA, United States.

Onal and Das S., “Evaluating reorder strategies in supply chains with lead time disruption risk.” Poster Presentation, Production and Operations Management Society Annual Conference, May 2015, Washington, D. Onal and Das s., “Evaluating reorder strategies in supply chains with lead time disruption risk.” Poster Presentation, NJIT Dana Knox Student Research Showcase, April 2015, Newark, NJ, United States. v ACKNOWLEDGMENT I would like to express my sincere gratitude to my advisor Prof. Das for the continuous support of my Ph.

study and related research, for his patience, motivation, and immense knowledge. His guidance helped me in all the time of research and writing of this dissertation. I could not have imagined having a better advisor and mentor for my Ph. Besides my advisor, I would like to thank the rest of my dissertation committee: Prof.

Wenbo Cai, Prof. Abdel Malek, Prof. Athanassios Bladikas and Prof. Lazar Spasovic, for their insightful comments and encouragement, but also for the hard question which incented me to widen my research from various perspectives.

I would like to thank my family: my parents Emine and Naim, my sisters Fusun, Ozlem and Yesim as well as my brother Onur for supporting me spiritually throughout writing this dissertation and with life in general. Also, special thanks to one of my favorite professors Blair Williams who steered me on my journey in the US and my grandparents Sunullah, Refika, Mehmet Arif, Gulsum, and Uncle Tahir Dursun whose love and guidance made me the person I am today. vi This thesis is dedicated to my parents for their love, endless support and encouragement. vii TABLE OF CONTENTS Chapter Page 1 INTRODUCTION…………………………………………………………….2 Amazon Class Fulfillment Centers………………………………….4 Research Objectives and Accomplishments…………….1 Develop Descriptive And Prescriptive Models For The Control of IFW Operations…….2 Simulation confirmation of Performance Advantages of Explosive Storage Policy…………………………………… 9 1.3 Develop Advanced Order Picking Algorithms To Minimize Fulfillment Time…………………………………………….5 Research Significance……………………………………………… 11 2 LITERATURE REVIEW…………………………………………………….1 Warehouse Storage Design………………………………………….1 Product or Material Flows in the Warehouse Design……….2 Warehouse Design or the Facility Layout Problem….3 Automated Storage/Retrieval Systems…………………….2 Internet Fulfillment Centers………………………………………… 20 2.1 Amazon and E-retailing…………………….

22 viii Chapter TABLE OF CONTENTS R (Continued) Page 2.3 Random Storage Policy…………………………………………….1 The storage Location Assignment Problem……………….2 Unit-load, Less than Unit-Load Policies and Forward Reserve Problem…………………………………………….3 Shared Storage Policy and Some of the Other Widely Held Policies……………………………….4 Order Fulfillment Objective Research Significance…………….5 Warehouse Order Picking Algorithms………………………………… 28 2.2 Zoning and Batching………………….3 Travel Time Estimation and Probabilistic Approximation … 32 2.4 Recent Work and Further Reading……. 33 3 INTERNET FULFILLMENT WAREHOUSES……………………….2 Key IFW Structural Differentiators……………………………….1 Explosive Storage Policy………………………….2 Very Large Number of Beehive Storage Locations………… 43 3.3 Bins with Commingled SKUs………………………….4 Immediate Fulfillment Objective…………………………… 46 3.5 Short Picking Routes with Single Unit Picks……….6 High Transactions and Total Digital Control……………… 48 ix TABLE OF CONTENTS (Continued) Chapter Page 3.3 Modelling Fulfillment Operations…………………….1 Performance Objective – Minimize Fulfillment Time………… 51 3.2 Uniform Random Stocking List Algorithm…………………… 52 3.3 Narrow Band Order Picking Algorithm (NBOP)……….1 Categorization of Simulation Models………………………… 57 4.2 Steps of Creating a Simulation……………………………….3 Database Needs of a Simulation……………………………… 59 4.4 Input Data Generation……………………………………….5 Constructing the Database using MS Access………………… 65 4.3 Performance Analysis of Explosive Storage………………………….1 Effect of Increasing Explosion Ratios…………………….2 An Optimal Picking Parameter - Ǩ……………….3 Average Number of Stops in a Pick List…………………….4 Results and Conclusions…………………………………………………. 75 x TABLE OF CONTENTS (Continued) Chapter Page 5 ADVANCED ORDER PICKING ALGORITHMS FOR IFWs……….1 MIP Formulation of the Picking Problem………………………….2 Decision Variable Space………………………………………………… 79 5.3 Decision Variable Space Reduction…………………………………….1 Decision Variable Space Reduction…………………………… 81 5.2 Pre-Selection of Bins…………….3 Bin Weighing Method…………………….4 Bin Weighted Order Fillability Algorithms (BWOF)………………….1 Heuristic 1 – Highest Maximum Fillable Factor…….2 Heuristic 2 – Amplified Maximum Fillable Factors………….1 Factors and Factor Levels………………………………….2 Factors for Seed Algorithms………………………….6 Solving the MIP………………………………….2 Average Pick Time Behavior…………………………………. 98 xi TABLE OF CONTENTS (Continued) Chapter Page 5.8 Simulation Analysis of BWOF Algorithms………………….1 Generating Pick Lists Using BWOF Algorithms…………… 101 5.3 Economic Advantages of the BWOF Algorithm…………… 107 6 ACCOMPLISHMENTS AND FUTURE WORK………………………….1 Accomplishments and Significant Findings………………………… 109 6.2 Future Work………………………………………………………… 110 REFERENCES…………………………………………………………….