Last Mile Delivery Collaboration Proposal to Achieve Delivery Cost Efficiency in E-Commerce
Notice bibliographique
Résumé
The E-commerce market in Indonesia has grown significantly in the last couple of years and proved by the emerging of key players in the e-commerce field. This phenomenon affects the improvement of the logistic sector which is one of the backbones of E-Commerce. According to the data, logistic sectors contribute 24% to Indonesia’s gross domestic product (GDP) and 25% to logistic business income which is acquired from delivery services of E-Commerce goods (PwC, 2019). On the other hand, Indonesia is an archipelago country consisting of 17.500 islands with a width of 1.905-million kilometers square. With the geographical condition of Indonesia, it becomes a challenge for E-Commerce logistic industry practitioners. To overcome these problems, corporations should take actions such as system improvement and also collaboration to decrease distribution facility establishment cost, transportation facility establishment, cost-saving seen from distribution distances, total manpower, and lastly is improvement and maintenance system in each logistic corporation. To ensure success in collaboration, corporations should show commitment to the customers by giving the best and cheapest services in order to guarantee the success of the collaboration. Other things which can be done to achieve the success are by showing collaboration commitment to other E-Commerce logistic service providers by showing the willingness to share information and data about each other and lastly, the existence of collaborator whose or which responsible for connecting both parties, whether it is third party or information collaborating system.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».