Dịch: Đoàn Nguyễn Mộng Kiều

Ngày dịch: 07/07/2025

Tác giả: Guvenc Sahin, Songyi Yang, Bharathi Srinivasan, Kanishk Gautam, Adik Moon, and Arturo Garcia

Ngày đăng: 17/12/2024

Delivery Hero là một trong những doanh nghiệp dẫn đầu toàn cầu trong lĩnh vực giao đồ ăn và thương mại nhanh (q-commerce), cung cấp dịch vụ giao hàng theo yêu cầu tại gần 70 quốc gia. Không chỉ giới hạn trong giao đồ ăn truyền thống tại hơn 50 quốc gia, Delivery Hero còn tiên phong trong lĩnh vực q-commerce – giao hàng nhanh các mặt hàng thiết yếu như thực phẩm, đồ gia dụng, và nhu yếu phẩm hàng ngày – tại phần lớn các thị trường mà họ hoạt động.

Thông qua việc tận dụng mạng lưới đối tác địa phương, các dark store (của hàng nhỏ tại địa phương chuyên phục vụ đơn hàng trực tuyến), và công nghệ tiên tiến, Delivery Hero đáp ứng nhu cầu ngày càng cao của người tiêu dùng về tốc độ và sự tiện lợi trong mua sắm hàng ngày. Chiến lược hướng tới tương lai này giúp củng cố vị thế của Delivery Hero trong bối cảnh q-commerce đang phát triển nhanh chóng trên toàn cầu.

Một trong những yếu tố then chốt ảnh hưởng đến hiệu quả của mô hình q-commerce là quá trình vận chuyển trung gian – tức là việc di chuyển hàng hóa từ các trung tâm phân phối đến các dark store. Quá trình này tác động trực tiếp đến tốc độ bổ sung hàng hóa và hiệu quả quản lý tồn kho tại các điểm giao hàng cuối cùng.

Để giải quyết bài toán này, Delivery Hero đã đặt ra yêu cầu cho một giải pháp lập kế hoạch dung lượng phương tiện tự động và tối ưu hóa lộ trình thông minh. Bài viết này sẽ trình bày cách chúng tôi ứng dụng mô hình bài toán định tuyến có ràng buộc (Constrained Vehicle Routing Problem – CVRP) trên nền tảng điện toán đám mây Amazon Web Services (AWS) để giải quyết các thách thức vận hành hàng ngày trong mạng lưới q-commerce của Delivery Hero. Giải pháp đã chứng minh hiệu quả đáng kể, giúp tiết kiệm đến 24% chi phí cho quá trình lập kế hoạch trung gian.

Sau giai đoạn thử nghiệm ban đầu (proof-of-concept – POC), đội ngũ AWS Professional Services đã phối hợp cùng Delivery Hero triển khai giải pháp tối ưu hóa lộ trình tại một thị trường được lựa chọn, đánh dấu bước tiến quan trọng trong việc nâng cao hiệu quả hoạt động của mạng lưới q-commerce toàn cầu.

Trung chuyển trung gian: “điểm chạm” của cơ hội vận hành

Một trong những yếu tố then chốt trong thương mại (q-commerce) là tình trạng hàng tồn kho đòi hỏi hệ thống quản lý tồn kho theo thời gian thực để đảm bảo các sản phẩm được hiển thị là còn hàng sẽ được giao đến khách hàng trong thời gian ngắn nhất có thể. Tình trạng thiếu hụt hàng tồn dẫn đến sự không hài lòng từ khách hàng, hủy đơn hàng và mất lòng tin – những hậu quả đặc biệt nghiêm trọng trong một thị trường vận hành dựa trên tốc độ và độ tin cậy. Việc lập kế hoạch hiệu quả cho khâu trung chuyển trung gian (middle mile) đóng vai trò quan trọng trong việc duy trì mức tồn kho tối ưu. Điều này giúp bổ sung hàng hóa kịp thời cho các cửa hàng phân phối nhỏ lẻ (dark stores) tại địa phương và giảm thiểu độ trễ trong quá trình giao hàng đến người tiêu dùng cuối cùng. Tối ưu hóa luồng hàng hóa từ trung tâm phân phối (Distribution Center – DC) đến các dark store không chỉ giúp đảm bảo mức tồn kho hợp lý mà còn phù hợp với yêu cầu vận hành nhanh chóng của mô hình q-commerce, đồng thời nâng cao hiệu quả hoạt động của hệ thống.

Mạng lưới vận chuyển trung gian tại Delivery Hero bao gồm các trung tâm phân phối (DC), thường được đặt ở khu vực ngoại ô các thành phố lớn. Trong hầu hết các trường hợp, một DC sẽ phục vụ toàn bộ các cửa hàng trong một vùng nhất định. Tuy nhiên, ở những khu vực có nhiều DC, mỗi DC sẽ được chỉ định cho một nhóm cửa hàng cụ thể, phân bố chiến lược trên toàn khu vực đô thị. Cấu trúc này giúp đảm bảo việc bổ sung hàng hóa diễn ra hiệu quả, khi mỗi DC chỉ chịu trách nhiệm xử lý đơn hàng cho các cửa hàng được phân công.

Sơ đồ minh họa dưới đây cho thấy cấu trúc mạng lưới ở cấp độ tổng quan, đồng thời trình bày cách một kế hoạch vận chuyển hàng ngày – sử dụng mô hình milk-run (tức một xe tải thực hiện nhiều điểm giao hàng trong cùng một chuyến đi) – có thể tích hợp nhiều điểm giao khác nhau.

Trong ví dụ này, kế hoạch định tuyến sử dụng hai xe tải:

• Xe tải 1 được chất hàng hai lần tại DC, thực hiện giao hàng đến cửa hàng A và B trong lần đầu, và G, H, K trong lần thứ hai.
  
• Xe tải 2 chỉ được chất hàng một lần, phục vụ các cửa hàng C, D, E và F.

Tại nhiều thị trường, quá trình trung chuyển được thực hiện bởi đơn vị hậu cần bên thứ ba (3PL) hoặc các trung tâm phân phối (DC) do Delivery Hero trực tiếp vận hành, áp dụng mô hình milk-run trong quá trình giao hàng. Sau khi bộ đơn hàng cuối cùng cho từng cửa hàng phân phối nhỏ lẻ được xác nhận, kế hoạch vận hành cho ngày hôm sau sẽ được thiết lập vào cuối giờ làm việc.

Quá trình chuẩn bị đơn hàng tại trung tâm phân phối (DC) – bao gồm đóng gói theo pallet, đóng thùng, và bố trí hàng hóa, được thực hiện qua đêm, nhằm đảm bảo phương tiện được xếp hàng và sẵn sàng giao hàng từ đầu ngày hôm sau.

Quy trình lập kế hoạch mà chúng tôi trình bày trong bài viết này tập trung vào Bước 2 và Bước 3 trong toàn bộ chuỗi vận hành.

Để quản lý hiệu quả quá trình trung chuyển trung gian (middle mile), việc lập kế hoạch tuyến đường từ ngày hôm trước (day-ahead planning) phải đối mặt với nhiều thách thức quan trọng, đòi hỏi một giải pháp tự động hóa trong lập kế hoạch số lượng phương tiện và tối ưu hóa tuyến đường một cách thông minh.

Ví dụ, tại một thị trường cụ thể, Delivery Hero vận hành bốn trung tâm phân phối (DC) phục vụ hơn 150 cửa hàng, với quy mô đội xe dao động từ 10 đến 18 xe tùy theo quy mô của từng DC. Khối lượng pallet cần vận chuyển hàng ngày giữa các DC và cửa hàng thay đổi đáng kể, từ 50–60 pallet đến gần 150 pallet. Một trong những vấn đề cốt lõi là biến động lớn trong khối lượng đơn hàng và điểm giao hàng, thay đổi theo từng ngày do các yếu tố như xu hướng nhu cầu, chương trình khuyến mãi, và hướng theo mùa. Sự không ổn định này khiến quá trình lập kế hoạch tuyến đường trở nên phức tạp, vì các tuyến đường thường cố định hoặc lập thủ công thường dẫn đến thiếu hiệu quả, chi phí tăng cao và chậm trễ giao hàng.

Bên cạnh đó, cần phải cân bằng đồng thời nhiều ràng buộc như:

• Tải trọng của xe,
  
• Khung thời gian giao hàng,
  
• Khung giờ nhận hàng của các cửa hàng phân phối nhỏ lẻ . 

Nếu không được tự động hóa, việc cân đối các yếu tố này một cách thủ công sẽ tốn nhiều thời gian, dễ sai sót và khó phản ứng kịp thời trước các thay đổi đột xuất. Hơn nữa, việc tối ưu mô hình milk-run (nhiều điểm giao trong một chuyến) đòi hỏi phải sắp xếp thứ tự tuyến đường một cách tối ưu, nhằm gom hàng hiệu quả và giảm quãng đường chạy xe rỗng. Điều này đặc biệt thách thức trong bối cảnh đô thị đông đúc, nơi các yếu tố như tình trạng giao thông ùn tắc, mật độ xe cộ cao và khả năng tiếp cận của phương tiện gây thêm phức tạp cho việc lập tuyến.

Cùng lúc đó, các yếu tố trên cho thấy sự cần thiết của một hệ thống lập kế hoạch dung lượng phương tiện tiên tiến và tối ưu hóa tuyến đường có khả năng tự động điều chỉnh tuyến đi dựa trên các ràng buộc thay đổi liên tục. Mục tiêu là tối đa hóa hiệu quả vận hành, giảm chi phí và đảm bảo giao hàng đúng thời gian đến từng cửa hàng phân phối nhỏ lẻ (dark stores).

Nhận thức rõ những thách thức này, Delivery Hero đã hợp tác cùng AWS Professional Services để phát triển một giải pháp tối ưu hóa tuyến đường toàn diện, được thiết kế phù hợp với các đặc thù trong quá trình trung chuyển trung gian của Delivery Hero. Giải pháp sử dụng thuật toán tiên tiến, đồng thời xét đến các yếu tố như khối lượng đơn hàng, khung giờ giao hàng và tải trọng của xe, giúp tối ưu tuyến đường cả về hiệu quả vận hành lẫn chi phí. Bằng cách tích hợp các yếu tố dự báo tình trạng giao thông, thời gian di chuyển và quy định về thời gian, công cụ này có khả năng linh hoạt thích ứng với biến động hàng ngày và thay đổi vào phút chót. Kết quả là quy trình bổ sung hàng hóa đến từng dark store được hợp lý hóa, đồng thời nâng cao độ tin cậy trong toàn bộ chuỗi cung ứng.

Giải pháp

Ứng phó với tính phức tạp trong lập kế hoạch vận chuyển trung gian 

Việc lập kế hoạch tuyến đường hằng ngày theo mô hình milk-run đặt ra thách thức đáng kể, vì nó cần thích ứng với nhu cầu thay đổi liên tục từ các cửa hàng phân phối nhỏ lẻ. Đơn hàng từ các cửa hàng này biến động hàng ngày, phụ thuộc vào hiệu suất bán hàng và chính sách bổ sung tồn kho cụ thể của từng cửa hàng. Do đó, việc vận hành theo tuyến cố định hoặc lịch ghé thăm định kỳ là không khả thi và thiếu hiệu quả. Khi đơn hàng thay đổi, kết quả từ quy trình lập kế hoạch đơn hàng – vốn là đầu vào cho quy trình lập kế hoạch vận chuyển – cũng thay đổi theo. Điều này đòi hỏi hệ thống phải liên tục điều chỉnh để đảm bảo vận hành tối ưu.

Các thành phần chính trong quy trình lập kế hoạch vận chuyển hàng ngày bao gồm:

• Hệ thống cửa hàng phân phối nhỏ lẻ (dark store),
  
• Tập hợp các đơn hàng cần giao trong ngày đến từng cửa hàng,
  
• Và đội phương tiện vận chuyển.
  

Do vị trí của các cửa hàng phân phối nhỏ lẻ (dark store) và tập hợp xe tại các trung tâm phân phối (DC) là cố định, quy trình lập kế hoạch vận hành trên cơ sở mạng lưới phân phối cố định và nguồn lực cố định. Yếu tố đầu vào biến động chính là số lượng và địa điểm giao hàng mỗi ngày. Do đó, giải pháp cần phải giải bài toán định tuyến có ràng buộc (Constrained Vehicle Routing Problem – CVRP), bao gồm:

• Gom nhóm đơn hàng cần giao,
  
• Phân phối chúng cho các phương tiện,
  
• Tạo thứ tự tuyến đường tối ưu cho mỗi chuyến giao.
  

Để tự động hóa hoàn toàn quy trình lập kế hoạch vận chuyển và đảm bảo tính khả thi khi triển khai thực tế, mô hình bài toán cần phải bao gồm đầy đủ các ràng buộc vận hành liên quan.

Bài toán định tuyến phương tiện (Vehicle Routing Problem – VRP)

VRP là một bài toán hậu cần phức tạp, nhằm xác định tuyến đường hiệu quả nhất cho một đội xe để giao hàng đến nhiều điểm. Mục tiêu điển hình là tối thiểu hóa thời gian di chuyển, chi phí vận hành hoặc lượng khí thải CO₂, đồng thời tuân thủ các ràng buộc như dung lượng xe và khung thời gian giao hàng. Về bản chất, VRP giúp tối ưu hóa phân bổ nguồn lực bằng cách xác định tuyến đường giao hàng tối ưu, từ đó giảm thời gian, tiêu hao nhiên liệu và chi phí hoạt động.

Những thách thức mà Delivery Hero đối mặt tương tự như những gì phổ biến trong việc giải bài toán định tuyến. Tuy nhiên, thách thức lớn nhất nằm ở khả năng mở rộng giải pháp ra nhiều thị trường toàn cầu, mỗi nơi lại có các yêu cầu và ràng buộc riêng biệt. Mặc dù cấu trúc hai tầng (DC → dark store) được duy trì thống nhất ở nhiều thị trường, nhưng các ràng buộc vận hành lại khác nhau do hợp đồng với đối tác 3PL và quy định pháp lý địa phương. Điều này khiến mỗi thị trường là một biến thể riêng biệt của bài toán VRP.

Giải pháp VRP mô-đun và linh hoạt cho từng thị trường

Để vượt qua thách thức về sự đa dạng ràng buộc giữa các thị trường, nhóm kỹ thuật đã phát triển một giải pháp VRP có cấu trúc mô-đun hóa các ràng buộc vận hành. Nhờ đó:

• Mục tiêu tối ưu hóa có thể thay đổi linh hoạt,
  
• Các biến thể về hợp đồng và giới hạn vận hành cụ thể có thể được tích hợp dễ dàng vào mô hình.

Mục tiêu cuối cùng là xây dựng một giải pháp quy hoạch trung chuyển trung gian có khả năng tự động hóa và cá nhân hóa cho từng thị trường cụ thể.

Ví dụ thực tiễn: Ứng dụng tại một thị trường cụ thể

Tại một thị trường cụ thể, mô hình đã tính đến ba nhóm ràng buộc chính:

1. Ràng buộc liên quan đến đội xe: Sự hiện diện của nhiều loại phương tiện với dung lượng khác nhau.
   
2. Ràng buộc về thời gian:
   
   • Thời gian làm việc của tài xế,
     
   • Khung giờ hoạt động của các cửa hàng và DC (giờ mở – đóng cửa),
     
   • Thời gian xếp và dỡ hàng.
     
3. Ràng buộc về khả năng tương thích giữa phương tiện và cửa hàng: Một số cửa hàng chỉ có thể tiếp nhận những loại xe cụ thể do giới hạn không gian hoặc hạ tầng.
   

Mục tiêu tối ưu trong trường hợp này bao gồm:

• Chi phí cố định: phí thuê xe hàng ngày tùy theo kích thước,
  
• Chi phí biến đổi: phụ thuộc vào độ dài tuyến đường đã lập.

Bằng cách loại bỏ bất kỳ mô-đun ràng buộc nào, chúng ta đồng thời điều chỉnh cấu trúc mô-đun được minh họa trong sơ đồ. Ví dụ, nếu một thị trường không có ràng buộc về khung thời gian giao hàng (time windows), chúng ta có thể loại bỏ mô-đun này hoàn toàn. Ngược lại, nếu phát sinh thêm các ràng buộc mới — chẳng hạn như một số đơn hàng cần được vận chuyển bằng xe có khoang lạnh, chúng ta sẽ bổ sung một mô-đun ràng buộc theo loại đơn hàng dưới nhóm ràng buộc về khả năng tương thích giữa xe và đơn hàng.

Tiêu chí tối ưu hóa trong mô hình có thể bao gồm:

• Chi phí cố định: như phí thuê xe hàng ngày,
  
• Chi phí biến đổi: như quãng đường hoặc thời gian vận hành.
  

Ngoài ra, hàm chi phí tối ưu hóa có thể được thay thế bằng hàm chi phí dựa trên giờ làm việc của tài xế, nếu điều đó phù hợp hơn với mục tiêu kinh doanh.

Tại Delivery Hero, chúng tôi sử dụng thuật toán giải meta-heuristic, được lựa chọn thông qua quá trình thử nghiệm trên dữ liệu lịch sử tại từng thị trường cụ thể. Delivery Hero có thể thay thế thuật toán siêu thuật toán cho một thị trường khác sau khi tiến hành đủ các thử nghiệm với dữ liệu lịch sử của chính nó.

Giá trị kinh doanh từ giai đoạn POC (Proof of Concept)

Các mục tiêu chính của Delivery Hero bao gồm:

• Giảm chi phí vận hành,
  
• Tối đa hóa hiệu suất sử dụng đội xe,
  
• Tuân thủ các chỉ số vận hành quan trọng, đặc biệt là thời gian và độ chính xác trong việc bổ sung tồn kho.

Khả năng đưa ra quyết định lập kế hoạch hằng ngày một cách nhanh chóng và chính xác là yếu tố then chốt để nâng cao hiệu suất toàn chuỗi cung ứng.

Trong giai đoạn POC, chúng tôi ghi nhận các kết quả nổi bật sau:

• Thử nghiệm lại (back-testing) trên dữ liệu lịch sử của thị trường được chọn cho thấy: Giảm 24% tổng chi phí, bao gồm chi phí cố định và biến đổi. Trong đó, 22% đến từ việc giảm quãng đường di chuyển, phần còn lại nhờ tối ưu việc lựa chọn phương tiện. Hiệu suất sử dụng phương tiện tăng từ 81% lên 96%.
  
• Tại thị trường được chọn, mỗi DC cần từ 1 đến 2.5 giờ mỗi ngày để lập kế hoạch vận chuyển bằng tay. Giải pháp AWS chỉ mất từ 5 đến 10 phút mỗi DC để tạo ra kế hoạch vận chuyển, đồng thời mang lại hiệu quả vượt trội như đã nêu trên.

Ở giai đoạn tiếp theo (MVP – Minimum Viable Product), chúng tôi kiểm tra mức độ thích ứng của giải pháp mô-đun đối với các thị trường khác. Mặc dù gần như không có hai thị trường nào có tập ràng buộc và điều kiện hợp đồng giống hệt nhau, chúng tôi nhận thấy rằng nỗ lực cần thiết để điều chỉnh mô hình là hợp lý, nhờ vào thiết kế mô-đun linh hoạt. Điều này được xem là lợi thế quan trọng của một giải pháp “build” (tự phát triển) so với các giải pháp thương mại “off-the-shelf”, vì nó cho phép tùy chỉnh cao và dễ tích hợp. Sau quá trình chuyển giao kiến thức toàn diện từ AWS Professional Services, nhóm khoa học dữ liệu nội bộ của Delivery Hero đã có đầy đủ năng lực tự điều chỉnh mô hình để phù hợp với từng thị trường cụ thể.

Sau thành công tại thị trường đầu tiên, Delivery Hero đã đưa phiên bản đầu tiên của giải pháp tối ưu hóa tuyến đường trung chuyển trung gian vào vận hành thực tế (production). Trong thời gian chuyển tiếp, kế hoạch là hoàn toàn thay thế quy trình lập kế hoạch thủ công hiện tại bằng giải pháp tự động hóa này. Đồng thời, bộ phận Kho vận và Phân phối (Warehousing & Distribution) đã xác định hai thị trường tiếp theo để triển khai, với dữ liệu lịch sử tại các thị trường này đã được thu thập để phục vụ quá trình thử nghiệm lại và đánh giá hiệu quả.

Đưa giải pháp vào vận hành (Productionizing the Solution)

Đối với các nhân viên lập kế hoạch tại DC, Delivery Hero đã xây dựng giao diện người dùng (UI) để truy xuất dữ liệu đầu vào cần thiết, bao gồm:

• Danh sách đơn hàng,
  
• Thông tin các cửa hàng,
  
• Tình trạng đội xe sẵn có.
  

Dựa trên các yêu cầu tích hợp UI với hệ thống quản lý vận chuyển (TMS – Transportation Management System), nhóm phát triển đã xây dựng kiến trúc tham chiếu nhằm triển khai giải pháp lập kế hoạch vận chuyển trung chuyển hàng ngày dưới dạng một dịch vụ backend sẵn sàng vận hành.

Logic cốt lõi của giải pháp tối ưu hóa được đóng gói dưới dạng container và lưu trữ trên Amazon Elastic Container Registry (Amazon ECR). Mỗi container được tải về và thực thi dưới dạng các tác vụ tạm thời (ephemeral jobs) thông qua AWS Batch, với lớp hạ tầng vận hành do AWS Fargate cung cấp. Việc sử dụng kết hợp AWS Batch và Fargate giúp đảm bảo khả năng mở rộng linh hoạt có thể khởi chạy nhiều job độc lập khi cần thiết, hoặc scale to zero khi không sử dụng, đồng thời giảm thời gian khởi động (cold start), tránh tạo độ trễ không cần thiết và phát sinh chi phí trong quá trình tối ưu hóa. Chúng tôi sử dụng AWS Lambda để gửi yêu cầu thực thi tác vụ trên AWS Batch, từ đó xây dựng nên một kiến trúc serverless dễ sử dụng. Điều này cho phép hệ thống Transportation Management System (TMS) của Delivery Hero gọi trực tiếp Lambda mà không cần hiểu biết chi tiết về hạ tầng tính toán phía sau, giúp giảm phụ thuộc giữa các nhóm và tránh việc phải duy trì một API đầy đủ (chẳng hạn Amazon API Gateway, vẫn phù hợp cho các nhóm phát triển lớn). Dữ liệu đầu vào và đầu ra của bài toán tối ưu hóa được lưu trữ trên Amazon Simple Storage Service (Amazon S3) để đảm bảo khả năng mở rộng, độ sẵn sàng cao, và kiểm soát quyền truy cập linh hoạt.

Sau khi tối ưu hóa hoàn tất, hệ thống TMS sẽ nhận thông báo thông qua Amazon SQS, đồng thời truy xuất kết quả từ Amazon S3. Việc xác thực giữa TMS và backend tối ưu hóa được đảm bảo bằng AWS Identity and Access Management (IAM). Nếu TMS cần cập nhật dữ liệu địa lý (về DCs hoặc các cửa hàng), nó có thể truy vấn thông qua Amazon Location Service.

Nhờ tích hợp thành công kiến trúc tham chiếu này với giao diện người dùng (UI) mới phát triển và hệ thống TMS hiện có, việc mở rộng giải pháp sang các thị trường khác chỉ cần triển khai UI cho khu vực tương ứng. Điều này giúp rút ngắn đáng kể thời gian đào tạo người dùng cuối, vì người lập kế hoạch (planner) chỉ cần làm quen với các tính năng tương tác trong giao diện mới.

Giải pháp tối ưu hóa tuyến đường của AWS có thể được tích hợp vào kiến trúc AWS sẵn có hoặc triển khai như một API độc lập, giúp tích hợp mượt mà với hệ thống quản lý đơn hàng và quản lý vận chuyển hiện tại. Giải pháp được xây dựng với một kiến trúc backend tổng quát, hỗ trợ linh hoạt việc lựa chọn các dịch vụ AWS để triển khai, ví dụ:

• AWS Batch,
  
• Amazon SageMaker (cho các mô hình học máy nếu cần).
  

Với tính di động cao, kiến trúc tham chiếu chỉ là một trong nhiều lựa chọn triển khai. Ví dụ, người dùng có thể:

• Xây dựng kiến trúc dịch vụ phân tán hơn sử dụng REST API trên Amazon API Gateway,
  
• Lưu trữ và cập nhật dữ liệu bằng Amazon DynamoDB và truy cập qua GraphQL API với AWS AppSync,
  
• Hoặc điều phối toàn bộ quy trình với AWS Step Functions.

Kết luận

Hiệu quả của quá trình vận chuyển trung gian (middle-mile transportation) là yếu tố quyết định thành công trong hoạt động q-commerce tại Delivery Hero. Giải pháp tối ưu hóa tuyến đường của AWS giúp giảm chi phí và nâng cao hiệu suất sử dụng đội xe (cả hai đều ở mức hai chữ số), đồng thời đáp ứng các chỉ số vận hành cốt lõi về tốc độ và độ tin cậy trong việc bổ sung hàng hóa. Với sự khác biệt về điều kiện vận hành giữa các thị trường, thiết kế mô-đun của giải pháp cho phép dễ dàng tùy chỉnh theo từng thị trường cụ thể. Khi được triển khai ở tất cả các thị trường, tác động toàn cầu của giải pháp có thể giúp tiết kiệm hàng triệu đô la chi phí vận hành. Bên cạnh đó, việc tích hợp giao diện người dùng thống nhất với hệ thống quản lý đơn hàng, quản lý vận chuyển và backend tối ưu hóa giúp đơn giản hóa quá trình sử dụng, giảm thiểu khối lượng công việc hằng ngày từ góc độ người dùng cuối.

Mặc dù mục tiêu chính của giải pháp là lập kế hoạch trước một ngày (day-ahead planning), nó cũng có thể được ứng dụng hiệu quả cho:

• Lập kế hoạch chiến thuật (tactical planning): để tối ưu việc phân bổ nguồn lực, mô phỏng các điều kiện hợp đồng 3PL và đánh giá tác động trong nhiều kịch bản khác nhau.
  
• Lập kế hoạch chiến lược (strategic planning): để thực hiện back-testing trên dữ liệu lịch sử hoặc dự báo, nhằm đánh giá: Vị trí thay thế cho các trung tâm phân phối hoặc cửa hàng, các phương án thay đổi phân vùng giao hàng và các chiến lược mở rộng hoặc thu hẹp mạng lưới giao hàng.