3 Möglichkeiten, wie Machine Learning die Logistikbranche verändert

Logistikunternehmen nutzen künstliche Intelligenz und Machine Learning, um die besten Ergebnisse zu erzielen, die Produktivität auf höchstem Niveau zu halten, bessere Geschäftsentscheidungen zu treffen und mit der Konkurrenz Schritt zu halten. Die Bedeutung von KI in dieser Branche ist enorm. Es wird geschätzt, dass Unternehmen in den nächsten 20 Jahren zwischen 1,3 Billionen und 2 Billionen Dollar pro Jahr an wirtschaftlichem Wert durch diese fortschrittliche Technologie in der Fertigung und in globalen Lieferketten erzielen werden.

Wenn Sie sich noch fragen, wie KI und Machine Learning Ihrem Unternehmen helfen können, werfen Sie einen Blick auf einige spannende Einsatzmöglichkeiten und entscheiden Sie, ob dies die Lösung für Sie ist.

1. KI-basierte Routenplanungssoftware

Die Auswahl der optimalen Route, die Planung von Pausen für Fahrer und die Vermeidung der am meisten überfüllten und gefährlichsten Wege sind nur einige der vielen Herausforderungen, die Teil der täglichen Arbeit in der Logistikbranche sind.

Laut Goldman Sachs (GS ) beträgt die Anzahl der möglichen Routen, wenn nur 25 Pakete geliefert werden, etwa 15 Billionen. Und hier kommt Machine Learning ins Spiel. ML-basierte Routenplanungssoftware kann alle Optionen analysieren, um die optimale Lösung in Bezug auf Kosten, Fristen und unvorhersehbare Straßenereignisse zu wählen, die sofortige Entscheidungen erfordern.

Basierend auf den großen Datenmengen, die dem System zur Verfügung gestellt werden, wie z. B. Informationen über Kraftstoffeffizienz, mögliche Verkehrsunfälle oder Hindernisse, Fahrzeuggröße und die Arbeitszeiten anderer Fahrer, bestimmen Echtzeit-Routenoptimierungsalgorithmen die beste Route für die Fahrer. Sie sind cloudbasiert, sodass alle Informationen in Echtzeit bereitgestellt werden und von Disponenten, Fahrern, Managern und anderen Mitarbeitern, wie z. B. Account-Managern, abgerufen werden können, um Kunden über die erwartete Lieferzeit zu informieren.

Basierend auf Machine Learning kann die Routenoptimierung-Software viele Vorteile für Ihr Unternehmen bieten, wie z. B.:

• Verbesserte Kundenerfahrung: Mit genaueren Lieferzeitangaben werden Kunden mit Ihrem Service zufriedener sein und eher positive Bewertungen abgeben. Darüber hinaus können Sie auch Benachrichtigungen über eine bevorstehende Lieferung per E-Mail oder SMS senden.
• Kosteneinsparungen: Einer der wichtigsten Vorteile von Machine Learning ist in der Regel die Einsparung von Zeit und Geld. Dies gilt auch hier, da Routenoptimierung-Systeme den Kraftstoffverbrauch überwachen und die kostengünstigsten Routen vorschlagen.
• Überwachung der Fahrerleistung: Ein cloudbasiertes System, das auf Machine Learning basiert, hilft Ihnen, die Arbeit Ihrer Mitarbeiter zu überwachen und sicherzustellen, dass sie ihre Aufgaben zuverlässig erledigen. Sie können auch sicherstellen, dass sie die Straßenregeln und ihre Arbeitszeit einhalten. Darüber hinaus kann die Tatsache, dass Vorgesetzte auf diese Informationen zugreifen können, die Effizienz und Produktivität der Mitarbeiter erhöhen.
• Überwachung von Kennzahlen: Mit Einblick in wichtige Informationen wie Reisezeit, Kraftstoffkosten und Mitarbeiterproduktivität können Sie die Leistung Ihres Unternehmens besser überwachen und schneller reagieren, wenn ein Element verbessert werden muss.

Ein Beispiel aus der Praxis, in dem die algorithmische Routenoptimierung den Umsatz in der Logistikbranche verbessert hat, ist dieses Fallbeispiel von McKinsey. Ihr Kunde war ein asiatisches Logistikunternehmen, das die Technologiefirma bat, sein Problem bei der Zuordnung von Flotten und Routen zu Kundenanforderungen zu lösen.

Wie haben sie das erreicht?

Zunächst sammelte das Team von McKinsey alle wesentlichen Daten über ihre Prozesse, um Probleme zu finden, die verbessert werden konnten. Sie analysierten wichtige Informationen wie Kundenstandorte, Standorten von Drehkreuzen und Flottenressourcen. Diese Informationen ermöglichten es ihnen, ein Routenoptimierungsmodell zu erstellen, das benutzerdefinierte Zeitpläne für alle Fahrzeuge generiert. Mit dieser Lösung konnten sie die Steuerung in vielen Bereichen verbessern, wobei Faktoren wie berücksichtigt wurden:

• Fahrzeugtyp
• Nutzungskosten
• Maximale Auslastung
• Reisezeit

Was stand hinter ihrem Erfolg?

Es war sowohl die Erfahrung als auch die fortschrittlichen Machine-Learning-Algorithmen, die sie zur Erstellung dieser Lösung verwendeten. Zum Beispiel verwendeten sie das Network Optimization Algorithm (NOAH)-Modell, um tägliche Karten der Routen zu erstellen. Darüber hinaus stellten sie eine mobile App bereit, die Echtzeitdaten anzeigte, was die Arbeit für Disponenten und Fahrer erleichterte.

Als Ergebnis reduzierte ihre Lösung die Kosten um 3,6 % und erhöhte die Effizienz des Linienverkehrsnetzes, was zu einer Steigerung des Gewinns um 16 % führte.

2. Chatbots in der Logistik

Wussten Sie, dass 97 % der Menschen sagen, dass schlechter Kundenservice ihre Kaufentscheidungen beeinflusst? Allerdings sagt eine andere Quelle, dass 36 % der Kunden immer noch von der mangelnden Reaktion von Unternehmen auf einfache Fragen frustriert sind.

Diese Daten zeigen die Bedeutung eines Chatbots, der Kunden sofort antwortet, um Zeit zu sparen und die Kundenerfahrung zu verbessern. Virtuelle Assistenten verwenden natürliche Sprachverarbeitung, um mit Menschen auf einem Chat zu sprechen, in der Regel direkt auf der Unternehmens-Website. Sie sind mit Algorithmen ausgestattet, die die gestellte Frage erkennen und dann die Antwort darauf abstimmen. Angenommen, ein Benutzer stellt eine unverständliche Frage, für die es keine Antwort in der Datenbank gibt. In diesem Fall versucht der Chatbot, eine der “Fallback”-Antworten zu finden oder neue Muster vom Kunden zu lernen, um diese Informationen das nächste Mal zu verwenden, wenn eine ähnliche Frage gestellt wird.

Ein Chatbot verfügt über ein bestimmtes Wissen über ein Unternehmen und seine Produkte oder Dienstleistungen. Er kann seine Datenbanken oder Informationen aus externen Quellen nutzen. Der virtuelle Berater beantwortet Fragen und führt das Gespräch selbst, indem er das Gespräch auf Themen lenkt, die mit den Aktivitäten des Unternehmens zusammenhängen, oder einen Besuch auf einer verwandten Seite vorschlägt.

5 Schlüsselvorteile von Chatbots

Sind Sie immer noch unsicher, ob Chatbots eine gute Lösung für Ihr Unternehmen sind? Werfen Sie einfach einen Blick auf fünf Schlüsselvorteile der Implementierung in einem Logistikunternehmen.

1. Sofortige Antworten 24/7/365

In Logistikunternehmen ist der Kontakt mit Kunden von entscheidender Bedeutung. Zum Beispiel bietet DHL drei verschiedene Kontaktformulare:

• E-Mail an den Kundenservice
• Telefonkontakt
• 24/7-Chatbot

Der Chatbot ermöglicht es Kunden, sofortige Informationen über den Versandstatus, Preise, die erwartete Lieferzeit eines Pakets und mehr zu erhalten.

Warum ist es wichtig?

Heute erwarten 77 % der Menschen sofortige Antworten vom Online-Chat zu jeder Tages- oder Nachtzeit. Chatbots können rund um die Uhr arbeiten, auch wenn Ihre Mitarbeiter nicht arbeiten (und sie werden nie müde).

Die Implementierung eines Chatbots, der immer verfügbar ist, verbessert die Benutzererfahrung erheblich. Zum Beispiel verzeichnete die Stiftung für Studentenwohnungen in der Region Helsinki nach der Einführung des Helmi-Chatbots von GetJenny eine Steigerung des Kundenservice-Zufriedenheitsscores von 4,11 auf 4,26.

2. Bessere Website-Navigation

Wussten Sie, dass 34 % der Kunden von einer schwierigen Seitennavigation frustriert sind?

Chatbots können dieses Problem lösen, indem sie Besuchern helfen, die Website zu navigieren und schnell die Informationen zu finden, die sie interessieren. Sie helfen Ihnen, ein positives Markenimage und eine personalisierte Kundenerfahrung zu schaffen. Wenn Sie also daran interessiert sind, Zufriedenheit und Markenloyalität unter Ihren Kunden aufzubauen, kann ein Chatbot ein hervorragender erster Schritt sein.

Ein interessantes Beispiel für einen Chatbot, der Ihnen hilft, alle Informationen über ein Produkt zu finden, ist der Chatbot Alex, der auf der Intellexer Summarizer-Website verfügbar ist. Wenn Sie ihm eine Frage stellen, erhalten Sie eine Nachricht mit einem Link zu einer Seite, auf der Sie die Informationen von Interesse finden können.

Quelle: https://summarizer.intellexer.com/

Um einen solchen Bot zu erstellen, müssen Sie nicht viele Daten bereitstellen und extrahieren. Sie müssen nur den Inhalt der Website verarbeiten, um ihn in einer geeigneten Form bereitzustellen. Dann trennen Sie die Informationen über den Inhalt der Seite und die Daten, um einen logischen Gesprächsfluss zu erstellen. Darüber hinaus lernen Chatbots ständig, sodass ihre Antworten mit der Zeit genauer werden. Oft ist dieser Chatbot die erste KI-Lösung, die Unternehmen wählen.

3. Lieferunterstützung

Virtuelle Assistenten können der erste Kontakt mit Kunden sein und Lieferanfragen von ihnen entgegennehmen. Wie andere KI-Lösungen können sie Ihre Mitarbeiter von vielen wiederkehrenden Aufgaben entlasten, wie z. B. der Erfassung von Bestellinformationen. Sie können auch sofort Lieferanfragen von Kunden ausführen, wie z. B. das Senden einer Rechnung für eine Bestellung oder das Informieren über den Lieferstatus.

4. Umfassende Mitarbeiterunterstützung

Chatbots können Ihre Mitarbeiter auf viele Arten unterstützen, von der Verwaltung von Papierkram bis hin zur Auftragserteilung und Zahlungsabwicklung. Sie können Dokumente wie Rechnungen oder Zahlungsanfragen empfangen oder ausfüllen und vieles mehr. Und wenn Maschinen menschliche Unterstützung benötigen, senden sie eine Nachricht an menschliche Mitarbeiter, um den richtigen nächsten Schritt zu unternehmen.

Laut Bas Vogels, Supervisor und Trainer des DHL-Kundenserviceteams: “Mitarbeiter haben viel mehr Zeit, um komplexe Kundenfragen zu klären und Eskalationen zu vermeiden. Der Mitarbeiterzufriedenheitsgrad hat sich auch enorm erhöht.”

5. Echtzeit-Lieferverfolgung

In der Logistik sind Lieferzeit und Echtzeit-Informationen über den Status einer Bestellung von entscheidender Bedeutung. Chatbots stellen sicher, dass Ihre Kunden nicht auf eine Antwort warten müssen. Ein Beispiel aus der Praxis für diese Lösung ist die Fallstudie von RoboRobo. Sie erstellten einen Bot für RPL, der Kunden über den Status ihrer Bestellung informiert. Der Chatbot ermöglicht es RPL-Kunden, den Standort ihres Pakets zu überwachen und herauszufinden, wann es geliefert wird.

Chatbots können an vielen Orten eingesetzt werden, nicht nur auf einer Website. Immer mehr Unternehmen entscheiden sich für Chatbots, die auf Facebook, Skype, WhatsApp und anderen Kanälen verfügbar sind.

3. Lösung der Picker-Routing- und Batching-Probleme in Lageroperationen

Eine weitere Aufgabe, die künstliche Intelligenz in der Logistik erfüllt, ist die Entwicklung der effizientesten Methoden für den Warenfluss sowohl im Lager als auch in der Verteilungsphase.

KI-basierte Lagerverwaltung-Systeme können alle Aktivitäten und Prozesse, die im Lager stattfinden, aufzeichnen. Die Software analysiert die historischen Daten, die gesammelt wurden, und verwendet sie, um zu planen, wie die verwendete Ausrüstung (Roboter und sowohl automatische als auch halbautomatische Systeme) die Lasten handhaben wird. Besonders hilfreich hier kann tiefes Lernen, prädiktive Analytik, Computer-Vision und Produkterkennungssoftware sein, die dazu beitragen kann, Objekte im Lager zu erkennen und eine erweiterte Prognose darüber, welche Aktionen erforderlich sein werden.

Eines der Hauptziele von Machine-Learning-Algorithmen ist es, Menschen bei monotonen, aber schwierigen Aufgaben zu helfen. In der Logistik- und Fertigungsindustrie ist eine dieser Aufgaben die Picker-Routing, die auch von Maschinen unterstützt werden kann.

Ein interessantes Beispiel dafür ist die Lösung, die Nvidia (NVDA ) für Zalando, einen E-Commerce-Riesen, erstellt hat, der jede Stunde Tausende von neuen Bestellungen erhält. Ihre KI-basierte Lösung ermöglichte es, zwei Probleme zu lösen.

​​1. Reduzierung der Picker-Routing-Zeit

Sie bereiteten eine Lösung vor, die eine Lagersteuerung mit einem “Seil”-Layout ermöglicht (was bedeutet, dass alle Produkte in Regalen in mehreren Reihen mit Gängen gelagert sind). Angenommen, ein Arbeiter muss Produkte aus verschiedenen Teilen des Lagers abholen, schlägt das System die kürzestmögliche Route durch das Lager vor, die es ermöglicht, alle benötigten Artikel abzuholen.

Die Entwickler von Nvidia erstellten den OCaPi-Algorithmus (Optimal Cart Pick), der die optimale Pick-Tour für den Arbeiter und sogar für die Bewegung des Wagens des Arbeiters findet. Dies ermöglichte es den Arbeitern von Zalando, die S-Form-Heuristik aufzugeben und eine optimalere Route zu planen.

2. Lösung des Batching-Problems

Bei Zalando müssen alle Bestellungen einer Pick-Liste zugewiesen werden. Wenn die Liste vollständig ist, werden die Produkte für den Kunden verpackt.

Die Entwickler von Nvidia versuchten, eine Lösung zu finden, die es ermöglicht, die Summe der Reisezeiten für alle Pick-Listen so gering wie möglich zu halten, unter der Annahme, dass ein Arbeiter nur 10 Artikel in den Wagen legen kann. Sie analysierten OCaPi-Pick-Touren für zehn Bestellungen von zwei Dingen, um die effizientesten Aufteilungen von Bestellungen in Pick-Listen zu finden.

Welche Technologien können diese Probleme reduzieren?

Eine Schlüsseltechnologie, die in diesen Projekten verwendet wird, ist der OCaPi-Algorithmus – eine hoch nichtlineare Funktion, die es den Entwicklern ermöglichte, die Reisezeit zu berechnen, wobei die Abholpositionen berücksichtigt wurden. Diese Lösung zeigte ihnen, dass die Reisezeit hauptsächlich von der Zeit abhängt, die für das Abholen eines Artikels aus der hinteren Ecke verbracht wird, der sich weit von allen anderen Produkten entfernt befindet.

Um die OCaPi-Reisezeit-Schätzung noch schneller zu machen, verwendeten sie das Caffe-Neural-Netz-Framework und die NVIDIA-cuDNN-Convolutional-Neural-Network-Bibliothek. Dies ermöglichte es ihnen, vier Modelle parallel zu trainieren, um eine sehr genaue neuronale Netzwerktopologie zu finden. Als Ergebnis ermöglichte ihr System dem Unternehmen, die Reisezeit pro abgeholtem Artikel um etwa 11 % zu reduzieren.

Solche Machine-Learning-basierten Lösungen ermöglichen es Unternehmen, Produktivität zu steigern, Pick-Zeiten zu beschleunigen, was zu einer höheren Kundenzufriedenheit führt, Mitarbeiterzufriedenheit zu erhöhen, deren Arbeit durch intelligente Lösungen unterstützt wird, den täglichen Arbeitsablauf der Mitarbeiter zu verbessern und menschliche Fehler zu eliminieren, da die Routenberechnung schneller und genauer ist als wenn ein Mensch sie durchführen würde.