Hvordan AI stille og roligt former logistikken: Reducerer spild og øger marginer

Mens finans og sundhedssektoren får overskrifter for at omfavne AI, er nogle af de mest lukrative brugsområder på vejene. Logistik er rygraden i global handel, og chefer er ved at få øje på det – i 2024 sagde 90% af supply chain-ledere, at teknologiske evner er topfaktorer, når de vælger fragtpartnere. Årsagen? AI omdanner en industri, der er notorisk ineffektiv, til virksomheders overtage over konkurrenterne.

Historisk set har logistikken været afhængig af papirbaserede processer, og det har været et blindt punkt for supply chain-ledere. Mangel på synlighed føder bullwhip-effekten: små ændringer i detailhandelskrav bliver forstørret, når de rejser op gennem forsyningskæden og når råvareleverandørerne. Dette kombineret med lange leveringstider tvinger hvert trin – detailhandlere, grossister, distributører og producenter – til at overbestille, hvilket forværre problemet.

Men lad os forestille os, at i stedet for at fyldte lastbiler og lager med halvlederchips blot for at se, at efterspørgslen efter PC’er falder, logistikken havde realtids-sporing og synlighed i forsyningskæden. Hvad hvis de kunne forudsige ændringer i efterspørgslen med 99,9% nøjagtighed? Og tilbyde fleksible logistikløsninger som on-demand-transport i respons?

Med AI og maskinel læring kan dette ideelle måske ikke være så langt væk, som forretningsledere tror.

Supply Chain Visibility Forklarer Det Uforklarlige

Da de blev bedt om, hvilke af freight forwardernes teknologiske evner de fandt mest værdifulde, stemte 67% af respondenternes for realtids-sporing af forsendelser.

Internet of Things (IoT)-enheder revolutionerer lastsporingsmuligheder og giver en detaljeret synlighed og realtids-advarsler om varenes tilstand – afgørende for tidsfølsomme eller temperaturregulerede forsendelser som fødevarer og lægemidler, der har strenge verificeringsregler. Ikke kun kan supply chain-ledere se, hvor meget lager de har og hvor det befinder sig på ethvert tidspunkt, 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 containere åbnes. Disse indsighter forklarer uregelmæssigheder med fødevarer, der ankommer i dårlig stand, og minimiserer fremtidigt spild.

Over i elektronikindustrien kan virksomheder garantere kunder, at produkter som laptop-moderkort er ægte, når varer spores og opspores. Lager- og lagerledere kan scannen streger og QR-koder for at spore lager niveauer eller bruge radiofrekvensidentifikation (RFID)-mærker, der er fastgjort til objekter for at spore værdifulde aktiver uden at skulle scannen dem. Mere avancerede RFID-mærker tilbyder realtids-advarsler, når betingelser (såsom temperatur) afviger fra forudindstillede grænseværdier.

Vare-niveau-synlighed er blevet et must for afsendere og deres forsyningskædepartnere. Logistikleverandører må hurtigt tilpasse sig afbrydelser og ændringer i efterspørgslen, og denne synlighed øger robustheden. Disse indsighter giver virksomheder mulighed for at have en helhedsorienteret syn på lager og træffe informerede beslutninger i realtid, reducere spild og forbedre ressourceudnyttelsen.

Efterspørgselsprognose og Pålidelige Leveringstider

IoT-sensorernes nyttighed strækker sig langt ud over blot at spore varer og opdatere kunder i realtid. De giver data, der brænder efterspørgselsprognosealgoritmer.

Tag Coca-Cola for eksempel. Den store sodavandsproducent udnytter IoT til at overvåge og indsamle data fra deres automater og køleskabe, og spore realtids-målinger for lager niveauer og forbrugerpræferencer. Dette giver Coca-Cola mulighed for at gøre informerede forudsigelser om efterspørgslen efter bestemte produkttyper og smagsvarianter.

Fragtforwardere bruger stadig mere en lignende metode til at forudsige fragtvolumen i bestemte ruter, hvilket giver dem mulighed for at optimere flådens udrulning og opfylde serviceniveauer (SLA’er). Godt nyt for virksomheder, da de kan nyde mere pålidelige leveringstider, hvilket betyder lavere lageromkostninger og færre udsalg.

Der er to overordnede måder, logistikvirksomheder bruger prognoser:

1. Lange række (strategisk): Til budgetter og kapacitetsplanlægning (6-måneders til 3-års planer).
2. Kort række (operationel): Mest værdifuld for logistik, forudsiger jordtransport op til 14 dage i forvejen, og 1-12 uger for søtransport.

For eksempel kan DPDgroups kurérfirma, Speedy, forudsige efterspørgslen ved at kombinere historisk forsendelsesdata (pakke-størrelse, leveringstid, kundeadfærd osv.) med eksterne faktorer som ferier, detailhandels-toppe (Black Friday) osv. Under det nye system tillod AI-dreven efterspørgselsprognose Speedy at hurtigt identificere og annullere unødvendige ture og linjeforsendelser. Dette resulterede i en 25% reduktion i omkostninger fra hub til hub og en 14% øgning i flådens udnyttelse. McKinsey fandt lignende resultater i forsyningskædeledelse, hvor prognoseværktøjer reducerede fejl med 20 til 50%.

Load-to-Capacity-Matching: Stop Hauling Air

Uber Freight rapporterede i 2023, at mellem 20% og 35% af de estimerede 175 milliarder miles, lastbiler kører i USA hvert år, sandsynligvis er tomme – dræner brændstof og arbejdskraftsbudgetter. Nu hvor AI, ML og digital tvillingsteknologi er mainstream, bør en lastbil, der lige har leveret i Dallas, ikke køre tom tilbage til Chicago. AI-drevne last-matchingsplatforme analyserer fragtefterspørgsel, lastbiltilgængelighed og rute-mønstre for at sikre, at hver lastbil kører med maksimal effektivitet.

Logistikvirksomheder tager den indsamlede fragtinformation, der bruges i efterspørgselsprognoseværktøjer (last-størrelse, vægt, dimensioner, type – om det er følsomt, farligt osv.), og krydsanalyserer dette med deres kapacitet. AI-drevne analyser kan gennemgå lastbil-størrelse, funktioner, placering og tilgængelighed samt chaufførernes arbejdstider og reguleringer for at tilknytte afsendere og transportører i realtid. Digital tvillingsteknologi kan potentielt tage dette et skridt videre ved at simulere virtuelle scenarier for at sikre den optimale match.

Lad os sige, at en afsender indtaster oplysninger om deres kommende last i en digital platform. Systemet analyserer den tilgængelige transportørkapacitet og matcher lasten med den mest egnede mulighed, med hensyn til optimeringsfaktorerne ovenfor. Transaktionen behandles, og forsendelsen spores under hele dens rejse.

Ved at spore aktiver, forudsige efterspørgsel og matche laster, sparer logistikvirksomheder enorme summer. De minimiserer tomme miles, maksimerer køretøjsudnyttelse og eliminerer kulstofaftryk – i sidste ende forbedrer kunderelationer med mere pålidelige leveringer.

Fordelene strækker sig ud over logistik. Dette niveau af forsyningskæde-synlighed giver detailhandlere og producenter mulighed for at optimere produktionsskemaer og reducere lagerholdningsomkostninger. De kan planlægge forsendelser mere effektivt, minimere forsinkelser og lagergebyrer og reducere transportudgifter ved at sikre optimal lastbiludnyttelse og minimalt spild af kapacitet.

Enhver branche, der beskæftiger sig med ressourceallokering – flyselskaber, produktion, selv skybaseret computing – kan lære af, hvordan logistik-AI strømlinerer operationer.