Amazon is de medeoprichter en de eerste ondertekenaar van The Climate Pledge, die de ondertekenaars oproept om de doelstellingen van het klimaatakkoord van Parijs 10 jaar eerder te bereiken – klimaatneutraal zijn in 2040. Sinds 2015 heeft het bedrijf het gewicht van de uitgaande verpakkingen met 33% verminderd. Hierdoor is 915.000 ton verpakkingsmateriaal wereldwijd geëlimineerd, of het equivalent van meer dan 1,6 miljard verzenddozen. Doordat er in de hele supply chain minder verpakkingen worden gebruikt, wordt het volume per zending verminderd en wordt het transport efficiënter. De cumulatieve impact op het netwerk van Amazon is een dramatische vermindering van de koolstofemissies.

Om dit mogelijk te maken, werkte het customer packaging experience team samen met AWS om een ​​machine learning (ML)-oplossing te bouwen, mogelijk gemaakt door Amazon SageMaker. Het primaire doel was om duurzamere verpakkingsbeslissingen te nemen, terwijl de lat voor de klantervaring hoog blijft.

“Wanneer we verpakkingsbeslissingen nemen, denken we aan de end-to-end supply chain. We werken vanuit  de klant wat betreft het afval dat ze voor de deur krijgen en dat ze beseffen hoe onze beslissingen op het gebied van verpakkingen de leveringssnelheid beïnvloeden,” zegt Justine Mahler, Senior Manager Packaging bij Amazon.

De uitdaging met duurzame verpakkingen

Amazon verkoopt honderden miljoenen verschillende producten en verzendt miljarden items per jaar. Om met zo min mogelijk verpakking op maximale snelheid te kunnen verzenden en ervoor te zorgen dat de bestelling van de klant onbeschadigd bij de deur aankomt, moet het team op grote schaal innoveren.

“Dit is een uitdaging die machine learning als geen ander kan oplossen”, zegt Matthew Bales, Research Science Manager bij Amazon. “In plaats van iemand deze producten afzonderlijk te laten inspecteren op hun kwetsbaarheid of hun volume, gebruiken we machine learning.”

Het doel was om de besluitvorming te schalen over de honderden miljoenen producten die worden verzonden – om niet automatisch standaard naar dozen te gaan, maar om items te identificeren die in een gewatteerde papieren envelop of in een papieren zak kunnen worden verpakt. Gewatteerde papieren enveloppen zijn duurzamere keuzes. Ze zijn 75% lichter dan een doos van vergelijkbare grootte en passen zich rond een product aan en nemen 40% minder ruimte in dan een doos tijdens verzending. Dit alles betekent dat er veel minder vrachtwagens op de weg rijden.

Het verschil door machine learning

In de praktijk betekende dit het creëren van een machine learning-algoritme dat was gebaseerd op terabytes aan productgegevens, van productbeschrijvingen tot feedback van klanten. In nauwe samenwerking met professionele AWS-services worden deze terabytes aan gegevens opgeschoond, gecatalogiseerd en klaar gemaakt voor mining. Het ML-algoritme neemt vervolgens die gegevens op om de beste verpakking met de minste verspilling te identificeren.

Tegen 2020 veranderden ML-tools de verpakkingsmix aanzienlijk, waardoor het gebruik van dozen van 69% naar 42% werd teruggebracht.

“Het blijkt dat we veel weten over de items in onze catalogus, maar voor veel items hebben we geen gedetailleerde kwetsbaarheidsinformatie die relevant is voor het complexe verzendproces van Amazon”, zegt Bales. “Voordat we dit model bouwden, vertrouwden we op algemene regels. Vinylspeelgoed van minder dan $ 25 zou bijvoorbeeld in een flexibele envelop gaan. Het blijkt echter dat er veel uitzonderingen zijn op die regels.”

Het model stelt ze in staat om alle uitzonderingen te analyseren – zoals verzamelbare actiefiguren die de extra bescherming van een doos nodig hebben. Het zorgt ervoor dat elk item wordt verpakt in de juiste maat envelop of doos, of helemaal geen doos, en alles op schaal.

Met behulp van Amazon SageMaker kunnen de verpakkingsteams honderden miljoenen producten, miljarden verzendingen van klanten en meerdere kanalen voor klantfeedback analyseren, waardoor ze in real-time bruikbare inzichten krijgen.

Kijken naar de toekomst van duurzame verpakkingen

De klantobsessie van het team drijft hen ertoe om te kijken in hoeverre ze verspillende verpakkingen kunnen verminderen, nieuwe items sneller kunnen evalueren, betere verpakkingen kunnen ontwerpen en hun grotere CO2-doelstelling kunnen behalen.

“We zijn nu nog meer gefocust op het elimineren van onze CO2-uitstoot om deze doelen te bereiken”, zegt Mahler. “Dat vereist meer machine learning, investeringen in infrastructuur en doorbraken in de materiaalkunde. Deze inspanningen hebben ons zeker een voorsprong gegeven.”