亚马逊是美国和欧洲常见的网上购物平台。通常购物和配送过程都很顺利，但偶尔也有可能会延误。该公司尽最大努力减少这种延误和给客户带来的其他不便。公司致力于优化运输网络，寻找降低供应链风险的新解决方案，并实施最佳的配送方案。
尽管如此，仍有改进的空间，尤其是在高峰期（亚马逊会员日促销、黑色星期五、圣诞节等）。该公司致力于确保订单无论数量多少，都能按时且毫无问题地送达。
问题
一些延误是由履约中心卡车货场所存在的问题导致的。这些运输场地是卡车和拖车进出的地方。运输场地里人员往来、货物搬运，始终处于忙碌的动态之中。
问题在于（运输场地内的）混乱状况。这种情况可以和机场航班延误相类比。比如说，乘客们已经在飞机上等待起飞了，但突然飞行员告知遇到了天气问题，于是他们被迫在滑行道上停留几个小时。飞机数量不断增加，从而导致了排队等候。结果就是，多个目的地机场都出现了大量的航班延误情况。亚马逊的运输场地里也发生着同样的事情，而分析团队正在努力解决这一问题。
亚马逊的运输网络分为三个阶段：第一英里、中间英里和最后英里。
在第一英里阶段，亚马逊从供应商处接收货物，然后将其发往中间英里阶段。在中间英里阶段，货物被运输出去。一旦客户在亚马逊上点击“购买”，商品就会从履约中心调配出来，进行包装，然后被送往分拣中心，接着再运往配送站。离开配送站后，货物就进入了最后一英里阶段，最终送达客户手中。
运输网络优化的主要挑战在于中间英里。
(金色正方形表示本案例研究的核心流程)
在目前的亚马逊供应链部门中，有一个团队负责运输网络优化工作；他们安排货物的出发时间以及预计到达时间（ETA）。通常情况下，53 英尺长的拖车会多次承担货物运输任务。这有助于降低供应链风险，并按时交付货物。然而，由于缺乏对卡车运输场地的优化管理，还是有可能出现问题。
拖车到达场地后，一名运输工作人员会在警卫室确认相关信息。如果信息有效，拖车就会被允许进入。司机要么将拖车停在装卸码头停车场，要么使用外部场地让拖车临时停放。在一天结束时，拖车要么被卸空，要么被装载货物准备出发。运输工作人员会在警卫室核实信息，然后卡车驶离。
然而，货场的不同方面可能会导致运输网络系统出现运行问题，尤其是在客户需求增加的旺季。时候，亚马逊的办公部门会提前知晓一些变化情况，而有时候，这些变化却是在最后一刻才突然出现。因此，管理层需要一个快速的解决方案，以便在不打乱运输计划的前提下应对这些变化。
解决方案
四种不同时间表的示例
亚马逊的分析团队决定使用AnyLogic仿真建模来评估运输停车场所面临的风险。这样一来，他们就能够在对现有的运输网络优化方案进行调整之前，先对相关假设进行测试。
运输停车场调度模型
首先，分析人员创建了一个模型来直观呈现时间表的各种变化情况，并观察这些变化对运输停车场运营产生怎样的影响。
场景 1（Sc1）对于该场地而言运行顺畅，而场景 2、场景 3 和场景 4 则会导致大门处卡车堆积，从而影响交通流量。这一点成为了团队的一个核心指标，他们密切追踪该指标，以尽量减少外部排队车辆的积压情况。场景 1、场景 2、场景 3 和场景 4 是基于运输量、员工数量以及设备可用性而设定的场景，为客户提供了一个衡量标准。
该模型呈现了亚马逊停车场的运输流程。它依据特定场景引导卡车执行不同的操作。AnyLogic 模型能够同时运行多个时间表（调度安排），不过在这种情况下，团队将每次实验的时间表数量限制为 140 个。在参数变化实验中，经过对多个版本的时间表进行调整优化，改善了卡车停车场模型的运行情况，从整体上使运输网络的优化变得更加容易。
交通流模型
Traffic flow simulation
团队还使用AnyLogic物料搬运库创建了一个交通流模型，该模型包含运输工具和存储系统的建模元素。这个模型呈现了停车场的一个简化版本，其中绿色的元素代表卡车。入口处的货物在模型顶部，目前正在卸载，而出口处的装卸码头在模型底部，正在进行装货操作。
该模型还增加了一项安全功能。当运输车发现一辆卡车正在停车且阻塞了交通时，就会出现一个红色圆圈（警示标识）。
交通流模型的输出结果体现了交通停滞情况出现的次数，以及停车场内运输工具的平均速度。对亚马逊而言，安全是重中之重，公司总部希望了解停车场内的整体速度情况，这需要综合考虑在特定的调度安排和时间点下的最高时速、运输量、员工数量以及设备的可用情况。
红色安全圈表示卡车阻塞交通
结果
运输调度场景验证
场景验证指标（点击可放大查看）
这张表格展示了不同场景下的结果。借助卡车停车场调度的 AnyLogic 模型，分析团队想出了一个简单的技术解决方案。他们将该模型导出，这样亚马逊的所有办公部门都能使用它来进行参数变化实验。由于构建模型所使用的输入数据和信息都经过了验证，他们只需点击一下就能获取结果。
通过进行实验，能够快速地对网络流程做出改进。例如，倘若洛杉矶的一个分支机构在新的调度安排方面遇到问题，并且想要评估该场地的承载能力和运营能力，那么其分析团队就会利用从 AnyLogic 导出的模型来运行各种场景仿真。结构化的数据输出结果有助于他们规避潜在风险，并且弄清楚为什么某些方法可能不可行。
AnyLogic专业版可将这种模型导出为独立的Java应用程序。另外，AnyLogic 私有云可在线运行模型，并对访问限制进行完全控制。
交通流模型
凭借关于停车场内各个区域在不同调度安排下使用情况的统计数据，分析团队创建了一个亚马逊卡车停车场交通流模型。
点击可放大图表
根据该模型，研究小组得出了几个结论：
- 装卸口高利用率会影响大门处的排队情况：装卸口的利用率一直接近 95% 的最高阈值。当接近交通堵塞状态时，在按照调度计划运行 48 小时后，大门处的排队车辆数量大幅增加。
- 停车位出现车辆积压情况：尽管装卸口的利用率看起来尚可，但停车位上却出现了车辆积压现象。卡车数量的这种增加是由装卸口利用率的动态变化所导致的。许多卡车需要进入停车场，但由于排队的缘故而无法进入，从而在警卫岗亭前形成了一条长长的车队。
亚马逊没有在现实生活中测试运输网络优化的各种可能场景，而是在 AnyLogic仿真软件中对这些场景进行建模。这样一来，他们节省了时间和资金，避免了因采用不切实际的解决方案而产生的成本。
亚马逊运输服务部门的Jae Yong Lee在 2023年AnyLogic会议上介绍了该案例。如果您对其他亚马逊的案例感兴趣，可以查看仿真驱动的履约物流评估解决方案。它是关于仿真建模以及人工智能集成对履约物流转型所产生的影响。
幻灯片以PDF格式展示。
