3 måder, hvorpå maskinlæring forvandler logistikbranchen

Logistikvirksomheder bruger kunstig intelligens og maskinlæring til at sikre de bedste resultater for at holde produktiviteten på det højeste niveau, træffe bedre forretningsbeslutninger, og følge med i konkurrencen. Betydningen af AI i denne branche er enorm. Det estimeres, at virksomhederne i de næste 20 år vil kunne frembringe mellem 1,3 billion og 2 billion 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

​​At vælge den optimale rute, planlægge pauser for chauffører og undgå de mest overfyldte og farlige veje er blot nogle af de mange udfordringer, der er en del af det daglige arbejde i logistikbranchen.

Ifølge Goldman Sachs når vi taler om levering af blot 25 pakker, mulige ruter når op 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.

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

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

• Forbedret kundeoplevelse: Med mere præcise leveringstidsestimater vil kunderne være mere tilfredse med din service og mere sandsynligt give dig positive feedback.
• Omkringssparelser: En af de vigtigste fordele ved maskinlæring er normalt sparelser i tid og penge. Dette er sandt her, da ruteoptimering systemer overvåger brændstofforbrug og foreslår de mest omkostningseffektive ruter.
• Overvågning af chaufførpræstation: En cloud-baseret system baseret på maskinlæring hjælper dig med at overvåge dine medarbejderes arbejde og sikre, at de udfører deres pligter pålideligt. Du kan også sikre, at de følger vejreglerne og deres arbejdstid. Desuden kan det faktum, at ledere har adgang til disse oplysninger, øge medarbejdernes effektivitet og produktivitet.
• Nøgleperformanceindikatorer (KPI’er): Med indsigt i nøgleinformation såsom rejsetid, brændstofomkostninger og medarbejderproduktivitet kan du bedre overvåge din virksomheds præstation og reagere hurtigere, hvis nogen af elementerne har brug for forbedring.

Et virkeligt eksempel, hvor algoritme-baseret ruteoptimering forbedrede indtægter i logistikbranchen, er denne case-studie fra McKinsey. Deres klient var en asiatisk logistikvirksomhed, der bad teknologivirksomheden om at løse deres problem med at matche flådens udbud og ruter med kundernes krav.

Hvordan opnåede de dette?

Først samlede McKinseys team alle væsentlige data om deres processer for at finde eventuelle problemer, der kan forbedres. De analyserede væsentlige oplysninger såsom kundeplaceringer, hub-placeringer og flåderessourcer. Denne information tillod dem at opbygge en ruteoptimeringsmodel, der genererer tilpassede planer for alle køretøjer. Med denne løsning kunne de forbedre ledelsen på mange områder, hvor der blev taget hensyn til faktorer såsom:

• Køretøjs type
• Udnyttelsesomkostninger
• Maksimalt lastudbytte
• 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 tilbød de en mobilapp, der viser real-tidsdata, hvilket gjorde arbejdet lettere for både dispatchere og chauffører.

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

2. Chatbots i logistik

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

Denne data viser betydningen af at have en chatbot, der kan svare på kunder med det samme 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. Hvis en bruger stiller et uforståeligt spørgsmål, der ikke har et svar i databasen, forsøger chatbot’en at matche ét 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 dens produkter eller tjenester. Den kan bruge sin database eller hente information fra eksterne kilder. Den virtuelle rådgiver besvarer spørgsmål og fører selv samtalen, hvilket fører samtalen over til emner, der er relateret til virksomhedens aktiviteter eller foreslår et besøg på en relateret side.

5 nøglefordele ved chatbots

Er du 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
• Telefonkontakt
• 24/7 chatbot

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

Hvorfor er det vigtigt?

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

Implementering af en chatbot, der altid er tilgængelig, forbedrer betydeligt brugeroplevelsen. For eksempel med den af GetJenny oprettede chatbot Helmi noterede The Foundation for Student Housing in the Helsinki Region en øgning af deres samlede kundeservice-tilfredsheds-score fra 4,11 til 4,26.

2. Bedre websidenavigation

Vidste du, at 34% af kunder er frustrerede over svær websidenavigation?

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 en personlig kundeoplevelse. Så 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-siden. Når du stiller ham et spørgsmål, modtager du en besked med et link til en side, hvor du kan finde information af interesse.

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

For at opbygge en sådan bot behøver du ikke at tilbyde og trække en masse data. Du skal blot behandle indholdet af websiden for at give det i en passende form. Derefter adskiller du informationen om indholdet af siden og data for at opbygge en logisk samtaleflow. Desuden lærer chatbots hele tiden, så jo flere spørgsmål, de modtager, jo mere præcise bliver deres svar. Ofte er denne type chatbot den første AI-løsning, virksomheder vælger.

3. Leveringshjælp

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

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 maskiner har brug for menneskelig assistance, sender de en besked til menneskelige arbejdere for at træffe det rette næste skridt.

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

5. Real-tids leveringssporing

I logistik er leveringstid og real-tids information om ordrestatus afgørende.Chatbots vil sikre, at dine kunder ikke behøver at vente på et svar. Et virkeligt eksempel på denne løsning er case-studiet 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 pakke-placeringen og finde ud af, hvornår den vil blive leveret.

Chatbots kan bruges på mange steder, ikke kun på en webside. Større og større virksomheder vælger chatbots, der er tilgængelige på Facebook, Skype, WhatsApp og andre kanaler.

3. Løsning af picker-routing- og batch-problemer i lagerdrift

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

AI-baserede lagerstyringssystemer kan optage alle aktiviteter og processer, der finder sted i lageret. Softwaren analyserer de historiske data, der er indsamlet, og bruger dem til at planlægge, hvordan udstyret (robotter og både automatiserede og semi-automatiserede systemer) vil håndtere lasterne. Specielt nyttigt her kan være dyb læring, prædiktionanalyse, computer-vision og produktgenkendelsessoftware, der kan hjælpe med at genkende objekter i lageret og udvide forudsigelse af, hvilke handlinger der vil være nødvendige.

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

Et spændende eksempel på dette er løsningen oprettet af Nvidia til Zalando, en e-handels-gigant, der har tusindvis af nye ordrer hver time. Deres AI-baserede løsning tillod at løse to problemer.

​​1. Reducerer picker-routing-tid

De oprettede en løsning, der giver mulighed for lagerstyring med en “rebstige”-layout (hvilket betyder, at alle produkter er lagret på hylder placeret i flere rækker med gange). Givet, at en arbejder skal hente produkter 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 pick-tur for arbejderen og endda for bevægelserne af arbejderens vogn. Det tillod Zalandos arbejdere at stoppe med at bruge S-formet rute-heuristik og planlægge en mere optimal rute.

2. Løsning af batch-problemet

Hos Zalando skal alle ordrer tildeles til en pick-liste. Når listen er fuldført, pakkes varene til kunden.

Nvidias udviklere forsøgte at oprette en løsning, der giver mulighed for at opnå den samlede rejsetid for alle pick-lister så lille som muligt, under antagelse af, at en arbejder kun kan få 10 varer i vognen. De analyserede OCaPi pick-ture for ti ordrer af to ting for at finde den mest effektive opdeling af ordrer i pick-lister.

Hvilke teknologier kan reducere disse problemer?

En nøgle-teknologi, der bruges i disse projekter, er OCaPi-algoritmen – en højgradigt ikke-lineær funktion, der tillod udviklerne at beregne rejsetiden, hvor der blev taget hensyn til forskellige opmærkningssituationer. Denne løsning viste dem, at rejse hovedsageligt afhænger af den tid, der bruges på at hente et objekt fra bagsiden, der er placeret langt fra alle andre produkter.

For at gøre OCaPi-rejsetids-estimation endnu hurtigere brugte de Caffe-neuralt netværks-ramme og NVIDIA’s cuDNN convolutional neuralt netværks-bibliotek. Det tillod dem at træne fire modeller i parallel for at finde en meget præcis neuralt netværks-arkitektur. Som resultat heraf tillod deres system virksomheden at reducere rejsetiden per hentet vare med omkring 11%.

Sådanne maskinlærings-baserede løsninger giver virksomheder mulighed for at:

• Øge produktiviteten
• Hastigt forbedre ordre-hentningstider, hvilket resulterer i øget kunde-tilfredshed
• Øge tilfredsheden hos medarbejderne, hvis arbejde støttes af intelligente løsninger
• Forbedre den daglige arbejdsgang
• Eliminere menneskelig fejl, da ruteberegning er hurtigere og mere præcis end hvis et menneske gjorde det.