Hvordan AI stille og roligt omformer logistikken: skærer spild og øger marginer

Mens finans og sundhedsvæsen får overskrifterne for at omfavne AI, er nogle af de mest lukrative use cases på vejene. Logistik er rygraden i den globale handel, og ledere er ved at gribe ind - i 2024, 90% af supply chain ledere nævnte teknologiske evner er topfaktorer, når du vælger fragtpartnere. Årsagen? AI gør en industri, der er berygtet for ineffektivitet, til virksomheders overtag over konkurrenterne.

Historisk afhængig af papirbaserede processer har logistik været et blindt punkt for forsyningskædeledere. Denne mangel på synlighed giver næring til bullwhip-effekten: små ændringer i detailefterspørgslen vokser, når de rejser op i forsyningskæden og når råvareleverandører. Sammen med lange leveringstider tvinger dette hver fase – detailhandlere, grossister, distributører og producenter – til at overordne, hvilket forværrer problemet.

Men lad os forestille os et sekund, at i stedet for at fylde lastbiler og varehuse med halvlederchips kun for at efterspørgslen efter pc'er faldt, havde logistikken sporing i realtid og forsyningskædens synlighed. Hvad hvis de kunne forudsige efterspørgselssvingninger med 99.9% nøjagtighed? Og levere fleksible logistikløsninger som on-demand transport som svar?

Med kunstig intelligens og maskinlæring er dette ideal måske ikke så langt, som virksomhedsledere tror.

Forsyningskædens synlighed forklarer det uforklarlige

På spørgsmålet "Hvilken af ​​speditørernes teknologiske kapacitet finder du mest værdifuld?", stemte 67 % af de adspurgte på sporing af forsendelser i realtid.

Internet of Things (IoT)-enheder revolutionerer lastsporing og giver granulær synlighed og realtidsadvarsler om varernes tilstand – afgørende for tidsfølsomme eller temperaturkontrollerede forsendelser som fødevarer og lægemidler, der har strenge verifikationsbestemmelser. Ikke alene kan forsyningskædeledere finde ud af, hvor meget lager de har, og hvor det er placeret til enhver tid, men de kan også lære om dets tilstand. Afsendere kan overvåge og dele oplysninger om, hvorvidt varer er varme, kolde, våde eller tørre, og de kan se, om døre, kasser eller andre beholdere bliver åbnet. Disse indsigter forklarer abnormiteter med fødevarer, der ankommer omkommet, og minimerer fremtidigt spild.

Ved at flytte over til elektronikindustrien kan virksomheder forsikre kunderne om, at produkter som bærbare bundkort er ægte, når varer spores og spores. Lager- og lagerchefer kan scanne stregkoder og QR-koder for at spore lagerbeholdninger eller bruge RFID-tags (radio frequency identification) knyttet til objekter for at spore værdifulde aktiver uden at skulle scanne dem. Mere avancerede RFID-tags giver advarsler i realtid, når betingelser (såsom temperatur) afviger fra forudindstillede tærskler.

Synlighed på vareniveau er blevet et must for afsendere og deres forsyningskædepartnere. Logistikudbydere skal hurtigt tilpasse sig forstyrrelser og kræve ændringer, og denne synlighed øger modstandskraften. Disse indsigter giver virksomheder mulighed for at have et holistisk syn på lagerbeholdning og træffe informerede beslutninger i realtid, hvilket reducerer spild og forbedrer ressourceudnyttelsen.

Efterspørgselsprognose og pålidelige ledetider

IoT-sensorers anvendelighed rækker langt ud over blot at spore varer og opdatere kunder i realtid. De leverer data, der understøtter algoritmer til efterspørgselsprognoser.

Tag Coca-Colaf.eks. Læskedrikgiganten udnytter IoT til at overvåge og indsamle data fra sine salgsautomater og køleskabe, spore realtidsmålinger for lagerniveauer og analyser af forbrugerpræferencer. Dette giver Coca-Cola mulighed for at komme med informerede forudsigelser om efterspørgsel efter specifikke produkttyper og smagsvarianter.

Speditører bruger i stigende grad en lignende metode til at forudsige fragtvolumen i specifikke baner, hvilket giver dem mulighed for at optimere flådeimplementeringen og opfylde serviceniveauaftaler (SLA'er). Gode ​​nyheder for virksomheder, da de nyder godt af mere pålidelige leveringstider, hvilket betyder lavere lageromkostninger og færre lagerbeholdninger.

Der er to overordnede måder logistikvirksomheder bruger forecasting:

1. Lang rækkevidde (strategisk): Til budgetter og aktivplanlægning (6-måneders til 3-årige planer).
2. Kort rækkevidde (operativ): Mest værdifuldt for logistik, der forudsiger landfragtstransport op til 14 dage i forvejen og 1-12 uger for søfart.

For eksempel forudsiger DPDgroups kurerfirma, Speedy, efterspørgsel ved at kombinere historiske forsendelsesdata (pakkestørrelse, leveringstider, kundeadfærd osv.) med eksterne faktorer som helligdage, detailpeaks (Black Friday) osv. Under det nye system tillod AI-drevet efterspørgselsprognose Speedy hurtigt at identificere og annullere unødvendige ture. Dette førte til en 25 % hub-to-hub omkostningsreduktion og en stigning på 14 % i flådeudnyttelsen. McKinsey fandt lignende resultater i supply chain management med prognoseværktøjer reducerer fejl med 20 til 50 %.

Tilpasning af belastning til kapacitet: Stop med at trække luft

Uber Freight rapporterede i 2023, at mellem 20% og 35% af de anslåede 175 milliarder miles, som lastbiler kører i USA hvert år, er sandsynligvis tomme - dræner brændstof og arbejdsbudgetter. Nu hvor AI, ML og digital tvillingteknologi er mainstream, bør en lastbil, der lige har leveret i Dallas, ikke gå tilbage til Chicago. AI-drevne load-matching platforme analyserer fragtefterspørgsel, lastbiltilgængelighed og rutemønstre for at sikre, at hver lastbil trækker med maksimal effektivitet.

Logistikvirksomheder tager de indsamlede fragtinformationer, der bruges i behovsprognoseværktøjer (laststørrelse, vægt, dimensioner, type – om det er letfordærveligt, farligt osv.) og krydsanalyserer dette med deres kapacitet. AI-drevet analyse kan gennemgå lastbilens størrelse, funktioner, placering og tilgængelighed sammen med chaufførtimers servicebestemmelser for at forbinde afsendere og transportører i realtid. Digital tvillingteknologi kan potentielt tage dette et skridt videre og simulere virtuelle scenarier for at sikre det optimale match.

Lad os sige, at en afsender indtaster oplysninger om sin kommende last på en digital platform. Systemet analyserer den tilgængelige transportkapacitet og matcher lasten med den mest passende mulighed under hensyntagen til de tidligere nævnte optimeringsfaktorer. Transaktionen behandles, og forsendelsen spores under hele dens rejse.

Ved at spore aktiver, forudsige efterspørgsel og matche belastninger sparer logistikvirksomheder enorme beløb. De minimerer tomme miles, maksimerer køretøjsudnyttelsen og eliminerer CO2-fodaftryk – hvilket i sidste ende forbedrer kundeforholdet med mere pålidelige leveringer.

Fordelene rækker ud over logistikken. Dette niveau af synlighed i forsyningskæden giver detailhandlere og producenter mulighed for at optimere produktionsplaner og reducere lageromkostninger. De kan planlægge forsendelser mere effektivt, minimere forsinkelser og lagergebyrer og reducere transportomkostninger ved at sikre optimal lastbiludnyttelse og minimalt spildt kapacitet.

Enhver industri, der beskæftiger sig med ressourceallokering – flyselskaber, fremstilling, endda cloud computing – kan lære af, hvordan logistik AI strømliner driften.