Analysis and improvement of delivery operations at the San Francisco Public Library
Notice bibliographique
Résumé
Abstract Urban public library systems have always transported and delivered library materials within their branch systems. In recent years, however, the introduction of internet‐based, online library catalog systems has allowed users to search the library's catalog, select and reserve a book or a video and have it delivered to the branch of their choice. Consequently, the demand for delivery services is increasing at rapid rate in large urban public libraries systems. Having experienced a similar growth in the demand for delivered items, the San Francisco Public Library (SFPL) commissioned a study to improve its delivery operations. Using operations management concepts, such as pre‐sorting of material to avoid double handling, cross docking to reduce cycle time of delivery, and workload balancing among delivery routes to effectively increase delivery capacity, the delivery operations were restructured. We developed optimization models for library delivery operations that specifically accounted for pre‐sorting, cross docking and route balancing. We also developed heuristics for solving these models and implemented them to redesign the delivery operations at SFPL. The redesigned delivery operations will reduce the cycle time and the cost of delivery by almost half. Furthermore, through balanced utilization of existing truck capacities, the delivery operations will be able to handle significantly larger delivery volume and thereby accommodate future delivery service growth without additional investments. The operations management concepts and techniques illustrated in this paper through the example of SFPL should prove to be useful to other urban, multi‐branch library systems as they deal with their delivery challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».