3 måder, hvormed maskinlæring forvandler logistikindustrien

Logistikvirksomheder bruger kunstig intelligens og maskinlæring for at sikre de bedste resultater og opretholde produktiviteten på det højeste niveau, træffe bedre forretningsbeslutninger og følge med konkurrencen. Betydningen af AI i denne branche er enorm. Det estimeres, at virksomheder i de næste 20 år vil opnå mellem 1,3 billioner og 2 billioner dollars om året i økonomisk værdi takket være denne avancerede teknologi i fremstilling og globale forsyningskæder.

Hvis du stadig undrer dig over, hvordan AI og maskinlæring kan hjælpe din virksomhed, så tag et kig på nogle spændende anvendelseseksempler og beslut, om dette er løsningen for dig.

1. AI-baseret ruteplanlægningssoftware

​​Valg af den optimale rute, planlægning af pauser for chauffører og undgåelse af de mest overfyldte og farlige veje er blot nogle af de mange udfordringer, der er en del af det daglige arbejde i logistikindustrien.

Ifølge Goldman Sachs (GS ) er der, når vi taler om levering af blot 25 pakker, mulige ruter på omkring 15 billioner. Og det er her, maskinlæring kommer til undsætning. ML-baseret ruteplanlægningssoftware kan analysere alle muligheder for at vælge den optimale løsning i forhold til omkostninger, anvendelige deadlines og uventede vejbegivenheder, der kræver øjeblikkelige beslutninger.

Basert på store datamængder, der er tilgængelige for systemet, såsom information om brændstofeffektivitet, mulige trafikulykker eller hindringer, køretøjsstørrelse og andre chaufførers arbejdstider, real-time ruteoptimeringsalgoritmer bestemmer den bedste rute for chauffører. De er cloud-baseret, så alle oplysninger er tilgængelige i real-time og kan tilgås af dispatchere, chauffører, ledere og andre medarbejdere, såsom kontochefer, for at holde kunderne informeret om den forventede leveringstid.

Basert på maskinlæring, ruteoptimering-software kan bringe mange fordele til din virksomhed, såsom:

• Forbedret kundeoplevelse: Med mere præcise leveringstidsestimeringer vil kunderne være mere tilfredse med din service og mere sandsynligt give dig positive anmeldelser. Hvad mere er, kan du også introducere beskeder om en forestående levering via e-mail eller SMS.
• Omkostningsbesparelser: En af de vigtigste fordele ved maskinlæring er normalt besparelser i tid og penge. Dette gælder her, da ruteoptimering-systemer overvåger brændstofforbrug og foreslår de mest omkostningseffektive ruter.
• Overvågning af chaufførpræstation: Et cloudsystem baseret på maskinlæring hjælper dig med at overvåge dine medarbejderes arbejde og sikre, at de udfører deres opgaver pålideligt. Du kan også sikre, at de følger vejreglerne og deres arbejdstid. Desuden kan medarbejderne være mere effektive og produktive, hvis de ved, at ledere har adgang til disse oplysninger.
• Nøgleperformanceindikatorer (KPI’er): Med indsigt i nøgleinformation såsom rejsetid, brændstofomkostninger og medarbejderproduktivitet kan du bedre overvåge din virksomheds præstation og reagere hurtigere, hvis noget behøver forbedring.

Et virkeligt eksempel på, hvordan algoritme-baseret ruteoptimering forbedrede indtjeningen i logistikindustrien, er dette case-studie fra McKinsey. Deres kunde var en asiatisk logistikvirksomhed, der bad teknologivirksomheden om at løse deres problem med at matche flåden og ruterne med kundernes krav.

Hvordan opnåede de dette?

Først samlede McKinseys team alle essentielle data om deres processer for at finde eventuelle problemer, der kunne forbedres. De analyserede væsentlig information såsom kundeplaceringer, hub-placeringer og flåderessourcer. ​​Denne information gjorde det muligt for dem at opbygge en ruteoptimeringsmodel, der genererer brugertilpassede køreplaner for alle køretøjer. Med denne løsning kunne de forbedre ledelsen på mange områder, med hensyn til faktorer såsom:

• Køretøjs type
• Udnyttelsesomkostning
• Maksimum last
• Rejsetid

Hvad var årsagen til deres succes?

Det var både erfaringen og de avancerede maskinlæringsalgoritmer, de brugte til at opbygge denne løsning. For eksempel brugte de Network Optimization Algorithm (NOAH)-modellen til at opbygge visuelle vejledninger i daglige kort over ruterne. Desuden udviklede de en mobilapp, der viser real-time-data, hvilket gjorde arbejdet lettere for både dispatchere og chauffører.

Som resultat reducerede deres løsning omkostningerne med 3,6% og øgede effektiviteten i linjehaul-netværket, hvilket medførte en 16% øgning i overskuddet.

2. Chatbots i logistik

Vidste du, at så mange som 97% af kunderne siger, at dårlig kundeservice har en indvirkning på deres købsbeslutninger? Dog siger en anden kilde, at 36% af kunderne stadig er frustrerede over, at virksomheder ikke kan besvare deres simple spørgsmål.

Disse data viser betydningen af at have en chatbot, der kan besvare kunderne øjeblikkeligt for at spare tid og forbedre kundeoplevelsen. Virtuelle assistenter bruger naturlig sprogbehandling til at tale med mennesker på en chat, ofte lige på virksomhedens hjemmeside. De er bygget med algoritmer, der kan genkende spørgsmålet og derefter matche svaret til det. Hvis en bruger stiller et uforståeligt spørgsmål, som ikke har et svar i databasen, forsøger chatbot’en at matche et af “fallback”-svarene eller lære nye mønstre fra kunden til at bruge denne information næste gang, et lignende spørgsmål stilles.

En chatbot har en vis mængde viden om en virksomhed og dets produkter eller tjenester. Den kan bruge sin database eller hente information fra eksterne kilder. Den virtuelle rådgiver besvarer spørgsmål og fører samtalen selv, hvilket fører samtalen over til emner, der er relateret til virksomhedens aktiviteter eller foreslår et besøg på en relateret side.

5 nøglefordele ved chatbots

Stadig usikker på, om chatbots er en god løsning for din virksomhed? Tag blot et kig på fem nøglefordele ved at implementere dem i en logistikvirksomhed.

1. Øjeblikkelige svar 24/7/365

I logistikvirksomheder er kundekontakt afgørende. For eksempel tilbyder DHL tre forskellige kontaktskemaer:

• E-mail til kundeservice
• Telefonisk kontakt
• 24/7 chatbot

Chatbot’en giver kunderne mulighed for at få øjeblikkelig information om leveringstatus, priser, den forventede leveringstid for en pakke og mere.

Hvorfor er det vigtigt?

I dag forventer 77% af kunderne at få øjeblikkelige svar fra den online chat på enhver tid af dagen eller natten. Chatbots kan arbejde hele tiden, selv når dine medarbejdere ikke arbejder (og de bliver aldrig trætte).

Implementering af en chatbot, der altid er tilgængelig, forbedrer betydeligt brugeroplevelsen. For eksempel oplevede The Foundation for Student Housing in the Helsinki Region en øgning i deres samlede kundetilfredsheds-score fra 4,11 til 4,26, efter at have oprettet Helmi-chatbot’en med GetJenny.

2. Bedre websidenavigation

Vidste du, at 34% af kunderne er frustrerede over svær navigering på hjemmesiden?

Chatbots kan løse dette problem ved at hjælpe besøgende med at navigere på siden og hurtigt finde den information, de er interesseret i. De hjælper dig med at opbygge en positiv brandimage og personlig kundeoplevelse. Hvis du bekymrer dig om at opbygge tilfredshed og brandloyalitet blandt dine kunder, kan en chatbot være et fremragende første skridt.

Et interessant eksempel på en chatbot, der hjælper dig med at finde alle oplysninger om et produkt, er chatbot’en Alex, der er tilgængelig på Intellexer Summarizer-hjemmesiden. Når du stiller et spørgsmål, modtager du en besked med et link til en side, hvor du kan finde interessant information.

Kilde: https://summarizer.intellexer.com/

For at opbygge en sådan bot behøver du ikke at tilføre og trække en masse data. Du skal blot behandle indholdet på hjemmesiden for at præsentere det i en passende form. Derefter adskiller du oplysningerne om indholdet på siden og data for at opbygge en logisk samtalestruktur. Desuden lærer chatbots konstant, så jo flere spørgsmål de modtager, jo mere præcise bliver deres svar. Ofte er denne type chatbot den første AI-løsning, som virksomheder vælger.

3. Leveringshjælp

Virtuelle assistenter kan være den første kontakt med kunder og modtage leveringsanmodninger fra dem. Som andre AI-løsninger kan de lette dine medarbejderes arbejde ved at udføre mange repetitive opgaver, såsom indsamling af ordreinformation. Desuden kan de udføre leveringsrelaterede kunde-anmodninger øjeblikkeligt, såsom at sende en faktura for en ordre eller informere om leveringsstatus.

4. Omfattende medarbejderstøtte

Chatbots kan hjælpe dine medarbejdere på mange måder, fra papirarbejde til ordreoplacering og betalingsbehandling. De kan modtage eller udfylde dokumenter såsom fakturaer eller betalingsanmodninger og meget mere. Og når maskinerne har brug for menneskelig assistance, sender de en besked til menneskelige medarbejdere for at udføre det rigtige næste skridt.

Ifølge Bas Vogels, supervisor og træner for DHL’s kundeserviceteam: “Medarbejderne har meget mere tid til at løse komplekse kunde-spørgsmål og forhindre eskaleringer. Medarbejder-tilfredsheden er også øget enormt.”

5. Real-time leveringssporing

I logistik er leveringstid og real-time-information om ordrestatus afgørende. Chatbots vil sikre, at dine kunder ikke behøver at vente på et svar. Et virkeligt eksempel på denne løsning er sagstudiet fra RoboRobo. De oprettede en bot til RPL, der informerer kunder om status for deres ordre. Chatbot’en giver RPL’s kunder mulighed for at overvåge pakkeplaceringen og finde ud af, hvornår den vil blive leveret.

Chatbots kan bruges på mange steder, ikke kun på en hjemmeside. Flere og flere virksomheder vælger chatbots, der er tilgængelige på Facebook, Skype, WhatsApp og andre kanaler.

3. Løsning af picker-rute- og batch-problemer i lageroperationer

En anden opgave, som kunstig intelligens udfører i logistik, er at udvikle de mest effektive metoder for varernes flow både i lageret og i distributionsfasen.

AI-baserede lagerstyringssystemer kan registrere alle aktiviteter og processer, der finder sted i lageret. Softwaren analyserer historiske data, der er indsamlet, og bruger dem til at planlægge, hvordan udstyret (robotter og både automatiske og semi-automatiske systemer) skal håndtere lasten. Især nyttigt her kan være dyb læring, prædikativ analyse, computer-vision og produktgenkendelsessoftware, der kan hjælpe med at genkende objekter i lageret og udvide forudsigelser om, hvilke handlinger der vil være nødvendige.

Et af de vigtigste mål for maskinlæringsalgoritmer er at hjælpe mennesker med monoton, men svært arbejde. I logistik- og fremstillingsindustrien er en af disse opgaver picker-rute-planlægning, som maskiner også kan støtte.

Et interessant eksempel på dette er løsningen, der er oprettet af Nvidia (NVDA ) til Zalando, en e-handels-gigant, der har tusindvis af nye ordrer hver time. Deres AI-baserede løsning gjorde det muligt at løse to problemer.

​​1. Reducerer picker-rute-tid

De udviklede en løsning, der giver lagerkontrol med en “rebstige”-layout (hvilket betyder, at alle produkter er lagret på hylder i flere rækker med gange). Givet, at en medarbejder skal hente produkter, der er placeret i forskellige dele af lageret, foreslår systemet den kortest mulige rute gennem lageret, der giver mulighed for at hente alle nødvendige varer.

Nvidias udviklere oprettede OCaPi (Optimal Cart Pick)-algoritmen, der finder den optimale tur for medarbejderen og endda for medarbejderens vogntur. Det gjorde det muligt for Zalandos medarbejdere at stoppe med at bruge S-form-heuristiken og planlægge en mere optimal rute.

2. Løsning af batch-problemet

Hos Zalando skal alle ordrer tildeles en plukliste. Når listen er fuldført, pakkes produktet til kunden.

Nvidias udviklere forsøgte at opbygge en løsning, der giver mulighed for at opnå den samlede rejsetid for alle pluklister så lille som muligt, under antagelse af, at en medarbejder kun kan have 10 varer i vognen. De analyserede OCaPi-plukture for ti ordrer med to ting for at finde den mest effektive opdeling af ordrer i pluklister.

Hvilke teknologier kan reducere disse problemer?

En nøgle-teknologi, der bruges i disse projekter, er OCaPi-algoritmen – en højgradigt ikke-lineær funktion, der gjorde det muligt for udviklerne at beregne rejsetiden under hensyn til forskellige plukpositioner. Denne løsning viste, at rejsetiden primært afhænger af den tid, der bruges på at plukke et objekt fra den bagerste hjørne, der er placeret langt fra alle andre produkter.

For at gøre OCaPi-rejsetids-estimation endnu hurtigere brugte de Caffe-neuralt netværksramme og NVIDIA’s cuDNN-convolutional neuralt netværksbibliotek. Det gjorde det muligt for dem at træne fire modeller i parallel for at finde en meget præcis neuralt netværksarkitektur. Som resultat reducerede deres system rejsetiden per plukket vare med omkring 11%.

Sådanne maskinlærings-baserede løsninger giver mulighed for, at virksomheder kan:

• Øge produktiviteten
• Hurtige plukketider, hvilket resulterer i øget kundetilfredshed
• Øge tilfredsheden blandt medarbejderne, hvis arbejde støttes af intelligente løsninger
• Forbedre den daglige arbejdsgang
• Eliminere menneskeligt uheld, da ruteberegningen er hurtigere og mere præcis end hvis et menneske gjorde det.