Некоторые проблемы планирования Amazon остаются такими же, как у других крупных дистрибьюторских сетей, некоторые же проблемы — совершенно новые. Вкратце, история Amazon — это ещё одна история о правильной логистике, то есть о том, чтобы доставить вещи из пункта А в пункт Б как можно дешевле. Хотя эта задача и звучит достаточно просто, она требует планов на всё: от размещения склада и организации продукта до минимизации затрат на доставку посылок клиентов и сокращения маршрутов доставки. Журнал Wired описывает компанию как
Добавьте к этому тот факт, что Amazon, как и любая интернет-компания, собирает невероятные объёмы данных о своих потребителях. Обычный физический магазин не знает, какие продукты вы смотрите, сколько времени вы проводите, глядя на них, какие из них вы положили в корзину, а затем положили обратно на полку перед прибытием на кассу, или даже какие из них вы «хотите», чтобы они у вас были. А вот Amazon знает. Это цунами из данных не только связано с информацией о потребителе, но и простирается по всей цепочке поставок, и компания использует эти данные в своих интересах везде, где это возможно. Её задачи планирования выходят за рамки того, с чем сталкивалась какая-либо крупная компания в доинтернетную эру. Это скорее оптимизация «больших данных» — наборов данных, которые производятся с такими огромными объёмами, разнообразием и скоростями, что традиционные методы обработки данных и программное обеспечение уже не справляется.
Масштабы Amazon — её стремление быть «магазином всего» — создает значительные проблемы для ИТ-систем. Одно дело — доставить даже тысячу продуктов в сто или тысячу розничных магазинов, как это делает традиционный продавец. Другое дело — поставлять миллионы продуктов миллионам клиентов. Проблемы, которые Amazon приходится решать, чтобы быть наиболее эффективным, могут быть очень сложными, даже если на первый взгляд они таковыми и не кажутся.
Складские и транспортные проблемы, упомянутые выше, являются особым классом математических задач, известных как «задачи оптимизации». В задаче оптимизации мы стремимся сделать что-то наилучшим образом, с учётом ряда ограничений на наши действия (т.н. «граничных условий»). Пусть, к примеру, вам даны три возможных маршрута через город, чтобы доставить пакет. Скажем, что будет быстрее, учитывая количество светофоров и улиц с односторонним движением? Или, что более реалистично для Amazon, в доставке некоторого ежедневного количества посылок компания ограничена графиком авиарейсов, скоростью самолётов, наличием развозных грузовиков и множеством других ограничений, вдобавок к городскому дорожному движению. Есть также случайные события (например, плохая погода), которые могут закрывать аэропорты, и, хотя их возникновение и является случайным процессом, они также более вероятны в определённых местах и в определённое время.
Каждый день, когда вы ездите на работу, вы решаете относительно простую задачу оптимизации. Но математика оптимизации очень сложна для проблем с большим числом ограничений. При достаточном числе переменных для оптимизации и достаточном числе ограничений даже самый мощный суперкомпьютер, который мы можем построить, вооруженный наилучшим алгоритмом, который мы можем разработать, был бы неспособен решить некоторые из этих задач в течение нашей жизни, а некоторые — даже в рамках жизни Вселенной. Многие из задач Amazon попадают прямо в такие категории.
Таким образом, в то время как патенты на доставку с помощью беспилотников привлекают всё внимание СМИ, истинные чудеса, на которых строится его работа — это эзотерические математические методы, которые помогают ему решать и и упрощать свои оптимизационные задачи. Например, вот эти ключевые патенты помогают Amazon планировать оптимальное перемещение товаров от складской полки до вручения покупателю. Часть решения этой задачи включает в себя «балансировку нагрузки»: и так же, как ваш компьютер перемещает задачи, чтобы Винда не зависла, Amazon решает, где построить свои огромные склады и как распределять продукты между ними, чтобы ни одна из частей их системы не перегружалась.