Real time monitoring and optimization of the recirculation process inside Amazon's supply chain

El proyecto ofrece una solución a los fulfillment centers (FC) de Amazon, para monitorizar en tiempo casi real ("lead time" de una hora) y optimizar los clasificadores o "sorters" automáticos, encargados de redireccionar los paquetes a distintos contenedores y clasificarlos de manera automática antes de entrar en la cadena logística.
El fin de este proyecto es minimizar la recirculación de los paquetes en los "sorters", lo cual impide que nuevos paquetes accedan (tráfico de paquetes), y prevenir que un paquete llegue tarde al cliente final.
Un flujo de extremo a extremo que utiliza Python y SQL para extraer datos de los clasificadores y los transforma para hacerlos accesibles, así como un "dashboard" de control en QuickSight, ha sido creado. Para ello, acceso a distintas tablas contenidas en dos "clusters" se ha conseguido, para después optimizar un código existente de Python que extrae datos de ellas. Tras esto, se ha realizado una migración de la lógica a DataNet en forma de "query" de SQL, para finalmente alimentar a diario el "dashboard" de QuickSight que se ha construido, al encontrarse en desuso un "dashboard" existente de Power BI. El uso de este "dashboard" se ha demostrado.
Como último paso, se ha conducido un estudio de los clasificadores, para optimizar sus procesos y destacar sus mejores prácticas.
Cabe mencionar que la propuesta que se hace con esta solución es combinarla con una herramienta existente, Chute Optimizer, que predice el volumen esperado en las próximas dos horas; de esta manera, se espera una herramienta perfecta para la reducción de la recirculación.

The project offers a solution to Amazon’s fulfillment centers (FC) to monitor in almost real time (lead time of one hour) and optimize their automatic sorters, mechanisms in charge of guiding the packages into containers, and automatically classify them before entering the logistics network.
The aim of the project is to minimize the recirculation of packages on the sorters, which stops new packages to access the belt (package traffic), and to avoid delays in packages’ delivery times to end customers.
An end-to-end pipeline that uses Python and SQL to extract sorters’ data and transform it to make it accessible, as well as a QuickSight control dashboard for visualization, has been created. To achieve that, access to several tables contained in two cluster has been gained, to later optimize an existing Python code that extracts data from them. This has been followed by the migration of this logic to DataNet, as an SQL query, to finally feed the QuickSight dashboard daily, given that the existing Power BI one is deprecated.
As a last step, a study on these sorters has been conducted to optimize their processes and highlight best practices.
It is worth mentioning that the proposal given with this solution is to combine it with an existing tool, Chute Optimizer - it predicts the expected volume for the following two hours. This way, a perfect tool that boosts the reduction of recirculation is expected.