دانلود ترجمه مقاله مطالعه ای بر یک روش هوشمند در تجارت الکترونیکی کسب و کار به مصرف کننده (B2C)

اظهارات پایانی و پژوهش های آتی:
توانایی سرویس دهنده لجستیک در تکمیل سفارش الکترونیک، یکی از عامل های مهم است که بر رشد کسب و کار خرده فروشی آنلاین تاثیر می گذارد. این مقاله، یک سیستم پیش پردازش برای تکمیل سفارشات الکترونیک ابری پیشنهاد می دهد که از ترکیب تکنیک الگوریتم ژنتیک و موتور استنتاج قانون گرا استفاده می کند. بنابراین سرویس دهنده لجستیک می تواند به صورت کارآمد، قبل از اجرای فرآیند واقعی، عملیات پردازش داخلی را برای سفارشات دریافتی اجرا کند. بدین ترتیب، در سیستم پیشنهادی می توان از هر راهکاری برای ایجاد تعویق در انبار استفاده کرد، همان طور که در این مقاله مطرح شد. با ترکیب سفارشات الکترونیک معلق، با استفاده از یک پایگاه داده ابری، تنظیم طرح پردازش بهینه برای سفارشات داخلی توسط الگوریتم ژنتیک، و با ارائه راهنماهای عملیاتی ضروری با استفاده از موتور استنتاج قانون گرا برای اجرای پردازش سفارشات، سرویس دهنده لجستیک می تواند سفارشات الکترونیک را بلافاصله بعد از دریافت، پردازش کند. بنابراین روند پردازش سفارشات داخلی، ساده سازی شده و مجددا طراحی شده است. قابلیت کنترل سفارشات الکترونیک برای سرویس دهنده های لجستیک سبب کاهش شدید زمان پردازش در مراکز تکمیل الکترونیک شده است و بنابراین حتی الزام تحویل فوری برای مشتریان آنلاین، برآورده می شود. در نهایت، سیستم هوشمند ارائه شده در این مقاله می تواند محیط کسب و کار تجارت الکترونیک را از نظر ارتباطات داخلی، توسعه دهد. سرویس دهنده های لجستیک توانایی بیشتری در ثبت لجستیک کسب و کار تجارت الکترونیک خواهند داشت و خرده فروشان با برآورده کردن نیازها و انتظارات مشتریان می توانند تصویر برند و قابل اعتمادی از خود ارائه دهند، به ویژه با تحویل به موقع سفارشات در فواصل زیاد که یکی از مهمترین فرآیندهای تکمیل سفارشات الکترونیک است و مشتری نهایی می تواند اقلام خریداری شده خود را در اسرع وقت دریافت کند. در این تحقیق، یک روش سیستماتیک برای مدیریت تعداد زیادی از سفارشات الکترونیک گسسته با ابعاد کوچک در مراکز توزیع ارائه شد که این مساله امروزه در عملیات تکمیل سفارشات دیده می شود. در حالی که مکانیزم GA با پشتیبانی از موتور استنتاج قانون گرای پیشنهادی در این مقاله، به صورت کارآمد می تواند سفارشات الکترونیک را برای پردازش دسته ای گروه بندی کند، تصمیم گیرندگان همچنان نیاز دارند که نقاط قطع برای انتشار سفارشات گروه بندی شده را (به عنوان مثال، بیشترین زمان برای گروه بندی سفارشات الکترونیک، یا بیشترین تعداد مجاز سفارشات الکترونیک برای گروه بندی) به صورت دستی مشخص کنند. توصیه می شود که تحقیقات بیشتری برای تعیین "زمان گروه بندی" صورت گیرد تا امکان پذیری سیستم پشتیبان تصمیم، بهبود یابد.

Conclusive remarks and future work:
The capability of logistics service providers in e-order fulfilment is one of the key factors affecting the growth of the online retail business. This paper develops a cloud-based e-order fulfilment pre- processing system, which integrates the genetic algorithm technique and the rule-based inference engine, so that logistics service providers are able to effectively plan for the upcoming internal processing operations of received orders before actual process execution. By so doing, any warehouse postponement strategy can be realized and supported by the proposed system, as presented in this paper. Through consolidating pending e-orders using a cloud database, justifying an optimal internal order processing plan by the genetic algorithm approach, and providing essential operating guidance through the rule-based inference engine for order processing execution, logistics service providers no longer have to process discrete e-orders immediately after they are received. The e- commerce internal order processing flow is therefore streamlined and re-designed. The improved e-order handling capability of logistics service providers eventually reduces the processing time in e-fulfilment centres, thereby meeting the ever tighter delivery requirements of online customers. Ultimately, the intelligent system presented in this paper contributes to the development of the e- commerce business environment from the perspective of the inter-connected parties. Logistics service providers become more capable in capturing the logistics of the e-commerce business; retailers can build brand images and loyalty by satisfying the consumers’ needs and expectations, especially considering the timeliness of the last-mile e-order delivery, one of the most critical e-fulfilment processes; and end consumers can receive their purchased items without a long waiting time. This research provides a systematic way of managing a large number of discrete, small lot-sized e-orders in distribution centres, which is a phenomenon that commonly exists in today’s order fulfilment operations. While the GA mechanism with the support of rule-based inference engine proposed in this paper effectively groups e-orders for further batch processing, decision makers are still required to manually determine the cut-off points for releasing the grouped e-orders, in terms of, for example, the maximum time for grouping e-orders, or the maximum allowable number of e-orders to be grouped. It is recommended that more research is undertaken on determining “when to group” in order to improve the feasibility of the decision support system.