3 tapaa, joilla koneoppiminen muuttaa logistiikka-alaa

Logistiikkayritykset käyttävät tekoälyä ja koneoppimista saadakseen parhaat tulokset ja pitääkseen tuottavuuden korkeimmalla tasolla, tekemällä parempia liiketoimintapäätöksiä, ja pysymällä kilpailijoiden kanssa tasapuolella. Tekoälyn merkitys tässä alalla on valtava. Arvioidaan, että seuraavien 20 vuoden aikana yritykset saavat 1,3 ja 2 biljoonan dollarin välisen vuosittaisen taloudellisen hyödyn tämän edistyneen teknologian ansiosta valmistuksessa ja globaaleissa toimitusketjuissa.

Jos sinä vielä mietit, miten tekoäly ja koneoppiminen voivat auttaa liiketoimintasi, tutustu joihinkin mielenkiintoisiin käyttötapauksiin ja päätele, onko tämä ratkaisu sinulle.

1. Reitinhallintaa tehostava tekoälyohjelmisto

​​Valitsemaan optimaalisen reitin, suunnittelemaan taukoja kuljettajille ja välttämään ruuhkaisimpia ja vaarallisimpia teitä on vain muutamia haasteita, joita logistiikka-alalla työskentelevien on päivittäin koettava.

Goldman Sachs (GS ) -raportin mukaan, kun puhutaan vain 25 paketin toimittamisesta, mahdollisia reittejä on noin 15 triljoonaa. Ja tässä kohtaa koneoppiminen tulee apuun. Koneoppimiseen perustuva reitinhallintaa tehostava ohjelmisto voi analysoida kaikki vaihtoehdot ja valita kustannuksiltaan, määräaikojen suhteen ja odottamattomien tieliikenneilmiöiden osalta parhaimman ratkaisun.

Järjestelmään toimitettujen suurten tietojoukkien perusteella, kuten polttoaineen tehokkuudesta, mahdollisista liikenneonnettomuuksista tai esteistä, ajoneuvon koosta ja muiden kuljettajien työaikatauluista, reaaliaikaiset reitinhallintaa tehostavat algoritmit määrittävät parhaimman reitin kuljettajille. Ne ovat pilvipohjaisia, joten kaikki tiedot ovat reaaliajassa ja ovat saatavilla dispatchereille, kuljettajille, johtajille ja muille työntekijöille, kuten asiakaspalvelijoille, jotta asiakkaat voidaan informoida odotettavissa olevasta toimitusaikataulusta.

Koneoppimisen perusteella reitinhallintaa tehostava ohjelmisto voi tuoda monia hyötyjä liiketoiminnallesi, kuten esimerkiksi:

• Parannettu asiakaskokemus: Tarkempien toimitusaikojen arvioinnin ansiosta asiakkaat ovat tyytyväisempiä palveluunne ja todennäköisemmin antavat positiivista palautetta. Mitä enemmän, voitte myös esittää ilmoituksia tulossa olevasta toimituksesta sähköpostitse tai tekstiviestillä.
• Kustannussäästöt: Yksi koneoppimisen avainhyöty on yleensä ajan ja rahan säästö. Tämä on totta myös tässä tapauksessa, sillä reitinhallintaa tehostavat järjestelmät seuraavat polttoaineen kulutusta ja ehdottavat kustannustehokkaimpia reittejä.
• Kuljettajien suorituskyvyn seuranta: Pilvipohjainen koneoppimiseen perustuva järjestelmä auttaa sinua valvomaan työntekijöiden työtä ja varmistamaan, että he suorittavat tehtävänsä luotettavasti. Voit myös varmistaa, että he noudattavat tieliikennelakeja ja työaikataulua. Lisäksi, kun työntekijät tietävät, että johtajat pystyvät seuraamaan tätä tietoa, se voi lisätä työntekijöiden tehokkuutta ja tuottavuutta.
• Avainindikaattorien seuranta: Näkemällä tärkeää tietoa, kuten matka-aikaa, polttoaineen kustannuksia ja työntekijöiden tuottavuutta, voit paremmin seurata yrityksesi suorituskykyä ja reagoida nopeammin, jos jokin osa-alue vaatii parantamista.

Yksi todellinen esimerkki siitä, miten algoritmien reitinhallintaa tehostava ratkaisu paransi tuloksia logistiikka-alalla, on tämä McKinseyn tapaustutkimus. Heidän asiakkaansa oli aasialainen logistiikkayritys, joka pyysi teknologiayritystä ratkaisemaan ongelman, jossa kaluston ja reittien tarjoaminen ei vastannut asiakkaiden vaatimuksia.

Miten he onnistuivat siinä?

Ensisijaisesti McKinseyn tiimi keräsi kaiken olennaisen tiedon prosesseistaan, jotta löytäisivät parantamisen kohteita. He analysoivat tärkeitä tietoja, kuten asiakkaiden sijainteja, solmupisteen sijainteja ja kaluston resursseja. Tämä tieto mahdollisti reitinhallintamallin luomisen, joka luo mukautettuja aikatauluja kaikille ajoneuvoille. Tämän ratkaisun avulla he pystyivät parantamaan hallintaa monilla alueilla, ottaen huomioon seuraavat tekijät:

• Ajoneuvon tyyppi
• Käyttökustannukset
• Maksimimäärä
• Matka-aika

Mikä oli avain heidän menestykseensä?

Se oli sekä heidän kokemuksensa että viimeisimmän koneoppimiseen perustuvan algoritmin, jonka he käyttivät ratkaisun luomiseen. Esimerkiksi he käyttivät Network Optimization Algorithm (NOAH) -mallia luomaan visuaalisia opasteita päivittäisissä reittikartoissa. Lisäksi he tarjosivat mobiilisovelluksen, joka näytti reaaliaikaisia tietoja, mikä teki työstä helpompaa sekä dispatchereille että kuljettajille.

Lopputuloksena heidän ratkaisunsa laski kustannuksia 3,6 prosentilla ja lisäsi linjaliikenteen tehokkuutta, mikä johti 16 prosentin voitonlisäykseen.

2. Chatbotit logistiikassa

Tiedätkö, että 97 prosenttia ihmisistä sanoo, että huono asiakaspalvelu vaikuttaa heidän ostokokemuksiinsa? Mutta toisaalta 36 prosenttia asiakkaista on edelleen pettyneitä siitä, että yritykset eivät vastaa heidän yksinkertaisiin kysymyksiinsä.

Tämä tieto osoittaa chatbotin tärkeyden asiakkaiden välittömään palveluun ajan säästämiseksi ja asiakaskokemuksen parantamiseksi. Virtuaaliset avustajat käyttävät luonnollisen kielen prosessointia puhuakseen ihmisten kanssa chatissa, yleensä suoraan yrityksen etusivulla. Ne on rakennettu algoritmien avulla, jotka voivat tunnistaa kysymyksen ja sitten vastata siihen. Oletetaan, että käyttäjä esittää kysymyksen, jota ei voida ymmärtää, eikä siihen ole vastausta tietokannassa. Tällöin chatbot yrittää vastata yhdellä “fallback”-vastauksilla tai oppia uusia malleja asiakkaalta, jotta se voi käyttää tätä tietoa seuraavan kerran, kun vastaava kysymys esitetään.

Chatbotilla on tietty määrä tietoa yrityksestä ja sen tuotteista tai palveluista. Se voi käyttää tietokantojaan tai hakea tietoa ulkoisista lähteistä. Virtuaalinen neuvonantaja vastaa kysymyksiin ja johtaa keskustelua itse, ohjaten keskustelun yrityksen toimintaan liittyviin aiheisiin tai ehdottaen vierailua liittyvälle sivulle.

5 avainhyötyä chatboteista

Jos et vieläkään ole vakuuttunut siitä, että chatbotit ovat hyvä ratkaisu liiketoiminnallesi, tutustu viiteen avainhyötyyn niiden käyttämisestä logistiikkayrityksessä.

1. Välitön palvelu 24/7/365

Logistiikkayrityksissä asiakaspalvelu on erittäin tärkeää. Esimerkiksi DHL tarjoaa kolmea eri yhteydenottotapaa:

• Sähköposti asiakaspalveluun
• Puhelinystävä
• 24/7 chatbot

Chatbot mahdollistaa asiakkaiden saada välittömästi tietoa lähetyksen tilasta, hinnasta, odotetusta toimitusaikataulusta ja muusta.

Miksi se on tärkeää?

Nykyään 77 prosenttia ihmisistä odottaa saavansa välittömän vastauksen verkkokeskustelusta milloin tahansa päivällä tai yöllä. Chatbotit voivat toimia kaikkina aikoina, myös silloin, kun työntekijäsi eivät ole töissä (ja ne eivät koskaan ole väsyneitä).

Välittömän palvelun tarjoaminen, joka on aina käytettävissä, parantaa merkittävästi käyttäjäkokemusta. Esimerkiksi GetJennyn kehittämä Helmi-chatbot paransi The Foundation for Student Housing in the Helsinki Region -säätiön asiakaspalvelun tyytyväisyyden kokonaisarvosanaa 4,11:stä 4,26:een.

2. Parempi sivunavigaatio

Tiedätkö, että 34 prosenttia asiakkaista on pettyneitä hankalasta sivunavigaatiosta?

Chatbotit voivat ratkaista tämän ongelman auttamalla vierailijoita navigoimaan sivustolla ja löytämään nopeasti heidän etsimänsä tiedon. Ne auttavat luomassa positiivisen brändikuvan ja henkilökohtaista asiakaskokemusta. Jos välität asiakastyytyväisyydestä ja brändiloyaliteetista, chatbot voi olla erinomainen ensiaskeleesi.

Mielenkiintoinen esimerkki chatbotista, joka auttaa löytämään kaiken tarvittavan tiedon tuotteesta, on Intellexer Summarizer -sivustolla oleva Alex-chatbot. Kun kysyt häneltä kysymyksen, saat viestin, jossa on linkki sivulle, josta löydät kiinnostuksesi kohteen.

Lähde: https://summarizer.intellexer.com/

Tällaisen chatbotin luomiseen ei tarvitse paljon tietoa tai tietojen käsittelyä. Sinun tarvitsee vain prosessoida sivuston sisältöä ja esittää se sopivassa muodossa. Sitten voit erottaa sivun sisällön ja tiedon luodaksesi loogisen keskustelun kulun. Lisäksi chatbotit oppivat jatkuvasti, joten mitä enemmän kysymyksiä niille esitetään, sitä tarkemmin ne vastaavat. Usein tämänkaltaisia chatbotteja yritykset valitsevat ensimmäiseksi AI-ratkaisuksi.

3. Toimitusapu

Virtuaaliset avustajat voivat olla ensimmäinen kontakti asiakkaiden kanssa ja vastaanottaa toimituspyyntöjä heiltä. Kuten muutkin AI-ratkaisut, ne voivat helpottaa työntekijöidän monia toistuvia tehtäviä, kuten tilaustietojen keräämistä. Lisäksi ne voivat suorittaa toimitukseen liittyviä asiakaspyyntöjä, kuten laskun lähettämistä tilauksesta tai ilmoittamista toimitustilasta.

4. Työntekijöiden kattava tuki

Chatbotit voivat auttaa työntekijöitäsi monin tavoin, aina papereiden käsittelystä tilausten tekemiseen ja maksujen käsittelyyn. Ne voivat vastaanottaa tai täyttää asiakirjoja, kuten laskuja tai maksupyyntöjä, ja monia muita. Ja kun koneille tarvitaan ihmisen apua, ne lähettävät viestin työntekijöille, jotta he voivat tehdä seuraavan oikean askeleen.

Bas Vogelsin, DHL:n asiakaspalvelutiimin valvoja ja kouluttaja, toteaa: “Työntekijöillä on nyt enemmän aikaa ratkaista monimutkaisia asiakaskysymyksiä ja ehkäistä eskaloita. Työntekijöiden tyytyväisyyden tasokin on lisääntynyt valtavasti.”

5. Reaaliaikainen seuranta

Logistiikassa toimitusaika ja reaaliaikainen tieto tilauksen tilasta ovat äärimmäisen tärkeitä. Chatbotit varmistavat, ettei asiakkaiden tarvitse odottaa vastausta. Todellinen esimerkki tästä ratkaisusta on RoboRobon tapaustutkimus. He loivat RPL:lle botin, joka ilmoittaa asiakkaille heidän tilauksensa tilasta. Chatbot mahdollistaa RPL:n asiakkaiden seurata pakettinsa sijaintia ja tietää, milloin se toimitetaan.

Chatbotit voidaan käyttää monissa paikoissa, ei ainoastaan verkkosivuilla. Yhä useammat yritykset valitsevat chatbotit, jotka ovat saatavilla Facebookissa, Skypessa, WhatsAppissa ja muissa kanavissa.

3. Ratkaisemalla noutajan reitin ja pakkausongelmia varastotoiminnassa

Toinen tehtävä, jonka tekoäly täyttää logistiikassa, on kehittää tehokkaimpia menetelmiä tavaroiden virtaukseen sekä varastossa että jakeluvaiheessa.

Tekoälyyn perustuvat varastohallintajärjestelmät voivat tallentaa kaikki varastossa tapahtuvat toiminnot ja prosessit. Ohjelmisto analysoi kerättyä historiallista tietoa ja käyttää sitä suunnittelemaan, miten käytettävä kalusto (robotit ja sekä automaattiset että puoliautomaattiset järjestelmät) käsittelee kuormia. Erityisen hyödyllisiä tässä voidaan olla syväoppiminen, ennustava analytiikka, tietokoneen näkö ja tuotetunnistusohjelmisto, joka voi auttaa tunnistamaan esineitä varastossa ja tehdä laajempia ennusteita siitä, mitä toimia tarvitaan.

Yksi koneoppimisalgoritmien tärkeimmistä tavoitteista on auttaa ihmisiä monissa toistuvissa ja haasteellisissa tehtävissä. Logistiikka- ja valmistusteollisuudessa yksi näistä tehtävistä on noutajan reitin suunnittelu, jonka koneet voivat myös tukea.

Mielenkiintoinen esimerkki tästä on Nvidian ratkaisu Zalandolle, joka on verkkokaupan jätti, jolla on tuhansia uusia tilauksia joka tunti. Heidän tekoälyyn perustuva ratkaisunsa mahdollisti kahden ongelman ratkaisemisen.

​​1. Noutajan reitin lyhentäminen

He loivat ratkaisun, joka mahdollistaa varaston hallinnan “köysilaitteiston” asetteluilla (jossa kaikki tuotteet ovat hyllystetty useisiin riveihin käytävien kanssa). Ottaen huomioon, että työntekijä tarvitsee noutaa tuotteita eri varastopuolilla, järjestelmä ehdottaa lyhintä mahdollista reittiä varastossa, joka mahdollistaa kaikkien tarvittavien tuotteiden noutamisen.

Nvidian kehittäjät loivat OCaPi (Optimal Cart Pick) -algoritmin, joka löytää optimaalisen noutoreitin työntekijälle ja jopa työntekijän kärryn liikkeille. Se mahdollisti Zalandon työntekijöiden lopettaa S-muotoisen reitin käytön ja suunnitella optimaalisemman reitin.

2. Pakkausongelman ratkaiseminen

Zalandossa kaikki tilaukset on liitettävä noutoluetteloon. Kun luettelo on valmis, tuotteet pakataan asiakkaalle.

Nvidian kehittäjät yrittivät luoda ratkaisun, joka mahdollistaa saavuttaa mahdollisimman pienet kulkuaikat kaikille noutoluetteloille olettaen, että työntekijä voi kuljettaa vain 10 kappaletta kerrallaan. He analysoivat OCaPi-noutoreittejä kymmenelle kahden tuotteen tilaukselle löytääkseen tehokkaimmat tilausten jakamistavat noutoluetteloissa.

Mitä teknologioita voidaan käyttää näiden ongelmien ratkaisemiseen?

Avaintekniikka, jota käytettiin näissä projekteissa, on OCaPi-algoritmi – erittäin ei-lineaarinen funktio, joka mahdollisti kehittäjille laskemaan kulkuaika huomioon ottaen eri noutopaikat, jotka sijaitsivat kaukana muiden tuotteiden sijainneista. Tämä ratkaisu osoitti, että kulkuaika riippuu ennen kaikkea ajasta, joka kuluu tuotteen noutamiseen takakulmasta, joka on etäällä muista tuotteista.

Jotta OCaPi:n kulkuaikojen arvioiminen olisi vielä nopeampi, he käyttivät Caffe-neuraaliverkkokehystä ja Nvidian cuDNN-convolutional neural network -kirjastoa. Se mahdollisti heille kouluttaa neljä mallia rinnakkain löytääkseen erittäin tarkan neuroverkkoarkkitehtuurin. Lopputuloksena heidän järjestelmänsä mahdollisti yritykselle vähentää kulkuaikaa tuotteiden noutamisessa noin 11 prosentilla.

Tällaiset koneoppimiseen perustuvat ratkaisut mahdollistavat yrityksille:

• Tuottavuuden lisääminen
• Noutoaikojen nopeuttaminen, mikä johtaa kuluttajien tyytyväisyyden lisääntymiseen
• Työntekijöiden tyytyväisyyden lisääminen, joiden työtä tukevat älykkäät ratkaisut
• Päivittäisen työnkulun parantaminen
• Ihmisen virheiden poistaminen, koska reitin laskenta on nopeampi ja tarkempi kuin jos ihminen tekisi sen.