[논문 리뷰] Order-optimal Correlated Rounding for Fulfilling Multi-item E-commerce Orders

Will Ma|arXiv (Cornell University)|2022. 07. 11.

Optimization and Search Problems인용 수 4

한 줄 요약

이 논문은 다중 품목 전자상거래 주문의 유통센터(FC) 사용 수를 최소화하면서도 변동 확률 제약을 충족시키는 새로운 상관 라운딩 기법을 제안한다. 시간 확장된 스케일에서 포아송 과정을 활용해 FC 선택을 모델링함으로써, 순서 최적의 보장을 $\alpha = \ln(q) + 1$ 로 달성하며, 이는 이전의 $\alpha \approx q/4$ 보다 향상된 것으로, 집합 커버 문제와의 연결을 통해 최적성도 입증한다.

ABSTRACT

We study the dynamic fulfillment problem in e-commerce, in which incoming (multi-item) customer orders must be immediately dispatched to (a combination of) fulfillment centers that have the required inventory. A prevailing approach to this problem, pioneered by Jasin and Sinha (2015), is to write a ``deterministic'' linear program that dictates, for each item in an incoming multi-item order from a particular region, how frequently it should be dispatched to each fulfillment center (FC). However, dispatching items in a way that satisfies these frequency constraints, without splitting the order across too many FC's, is challenging. Jasin and Sinha identify this as a correlated rounding problem, and propose an intricate rounding scheme that they prove is suboptimal by a factor of at most $\approx q/4$ on a $q$-item order. This paper provides to our knowledge the first substantially improved scheme for this correlated rounding problem, which is suboptimal by a factor of at most $1+\ln(q)$. We provide another scheme for sparse networks, which is suboptimal by a factor of at most $d$ if each item is stored in at most $d$ FC's. We show both of these guarantees to be tight in terms of the dependence on $q$ or $d$. Our schemes are simple and fast, based on an intuitive idea -- items wait for FC's to ``open'' at random times, but observe them on ``dilated'' time scales. This also implies a new randomized rounding method for the classical Set Cover problem, which could be of general interest. We numerically test our new rounding schemes under the same realistic setups as Jasin and Sinha (2015) and find that they improve runtimes, shorten code, and robustly improve performance. Our code is made publicly available.

연구 동기 및 목표

• 다중 품목 전자상거래 주문 당 사용되는 고유한 유통센터 수를 최소화하면서도 마진널 운송 확률 제약을 준수하는 문제를 해결한다.
• Jasin과 Sinha(2015)가 제안한 이전의 상관 라운딩 기법($\alpha \approx q/4$ 보장)을 개선하여 주문 크기 $q$ 에 대한 의존도를 줄인다.
• 대규모 실시간 전자상거래 유통 시스템에 적합한 단순하고 효율적인 방법을 개발한다.
• 문제를 집합 커버 문제의 랜덤라이즈드 라운딩 문제와 연결하여 새로운 보장의 이론적 최적성(tightness)을 입증한다.
• 실제 동적 유통 환경에서의 경험적 검증을 통해 성능 향상과 실행 시간 단축을 입증한다.

제안 방법

• 유통센터가 시간 확장된 스케일에서 '열리기'를 기다리는 방식으로 포아송 시계 기반 메커니즘을 사용해 FC 선택의 정적 상관관계를 유도한다.
• 시간 확장 기법을 활용해 포아송 과정의 비율을 조정하여 각 FC 선택의 마진널 확률이 입력 분포 $u_{ki}$ 와 일치하도록 한다.
• 두 가지 기법을 도입한다: 일반적인 경우에 사용하는 'Dilate' 기법($\alpha = \ln(q) + 1$ 보장), 그리고 희박한 네트워크에 적합한 'ForceOpen' 기법($\alpha = d$ 보장, $d$ 는 각 품목이 저장된 최대 FC 수).
• 라운딩 메커니즘은 각 FC 가 사용될 확률이 $\alpha \cdot y_k$ 이하가 되도록 보장하며, 과도한 사용을 최소화한다. 여기서 $y_k = \max_i u_{ki}$ 이다.
• 이론적 분석을 통해 집합 커버 문제의 랜덤라이즈드 라운딩과의 유사성을 통해 $\ln(q)+1$ 보장이 최적임을 입증한다.
• 경험적 평가에서는 Jasin과 Sinha(2015)의 동적 유통 시뮬레이션을 활용해 네트워크 희박성과 주문 크기의 변화에 따라 다섯 가지 알고리즘 간 성능을 비교한다.

실험 결과

연구 질문

• RQ1 전자상거래 유통에서 상관 라운딩 기법을 통해 주문 크기 $q$ 에 대한 FC 사용 보장 의존도를 선형($q/4$)에서 로그($\ln q + 1$)로 감소시킬 수 있는가?
• RQ2 각 품목이 최대 $d$ 개의 유통센터에 저장되는 희박한 네트워크에서, 증명 가능한 최적성, 단순성, 효율성을 갖춘 라운딩 기법이 존재하는가?
• RQ3 새로운 상관 라운딩 기법은 동적 주문 도착 상황에서 이전 방법 대비 성능, 실행 시간, 내성에 있어 어떻게 비교되는가?
• RQ4 제안된 방법은 기존 집합 커버 문제의 랜덤라이즈드 라운딩 기법과 연결되어 향상시킬 수 있는가?
• RQ5 이론적 개선 사항이 재고 제약 조건이 존재하는 실제 동적 유통 환경에서 실질적인 성과로 이어지는가?

주요 결과

• 제안된 'Dilate' 기법은 $\alpha = \ln(q) + 1$ 보장을 달성하며, $q$ 에 대한 의존도 측면에서 이전의 $\alpha \approx q/4$ 보다 뚜렷한 개선을 보였다.
• 'ForceOpen' 기법은 각 품목이 최대 $d$ 개의 유통센터에 저장되는 경우 $\alpha = d$ 보장을 달성하며, 이 보장이 최적임을 입증했다.
• 수치 실험에서 Dilate 기법은 $p_{\text{carry}} = 0.25$ 에서 평균 손실을 5.6%로 줄였고, $p_{\text{carry}} = 0.50$ 에서는 12.6%로 감소시켜 Myopic, Independent, JS 기법을 모두 능가했다.
• Dilate 및 ForceOpen 기법은 JS 방법 대비 10배 빠른 성능을 보였으며, 평균 실행 시간을 약 160초에서 약 15~20초로 단축시켰다.
• Dilate 기법을 사용할 경우 $p_{\text{carry}} = 0.25$ 에서 주문당 평균 고유 유통센터 수는 1.22로 감소하였으며, Independent 기법의 1.31보다 뚜렷이 낮았다.
• 이론적 보장인 $\ln(q)+1$ 이 경험적으로도 검증되었으며, 더 큰 복잡도를 가진 네트워크에서는 이론적 기대를 초월하는 성능 향상을 보였다.