Ajatusjohtajat
3 tapaa, joilla koneoppiminen muuttaa logistiikka-alaa
Logistiikkayritykset käyttävät tekoälyä ja koneoppimista saadakseen parhaat tulokset tuottavuuden säilyttämiseksi korkeimmalla tasolla, tekemään parempia liiketoimintapäätöksiä, ja pysymään kilpailijoiden kanssa mukana. Tekoälyn merkitys tässä alalla on valtava. Arvioiden mukaan seuraavien 20 vuoden aikana yritykset saavat 1,3 ja 2 biljoonan dollarin välisen taloudellisen hyödyn vuosittain tämän edistyneen teknologian ansiosta valmistuksessa ja globaaleissa toimitusketjuissa.
Jos olet edelleen ihmettelemässä, miten tekoäly ja koneoppiminen voivat auttaa liiketoimintaa, katsasta muutamia jännittäviä käyttötapauksia ja päätele, onko tämä ratkaisu sinulle.
1. Tekoälypohjainen reitinhallintasoftware
Valitsemaan optimaalinen reitti, suunnittelemaan taukoja kuljettajille ja välttämään ruuhkaisimmat ja vaarallisimmat reitit ovat vain muutamia haasteita, jotka kuuluvat päivittäiseen työhön logistiikka-alalla.
Goldman SachsIN mukaan, kun puhutaan 25 paketin toimittamisesta, mahdolliset reitit ovat noin 15 biljoonaa. Ja tässä kohtaa koneoppiminen tulee pelastamaan. ML-pohjainen reitinhallintasoftware voi analyysin kaikki vaihtoehdot valitakseen optimaalisen ratkaisun kustannusten, soveltuvien määräaikojen ja odottamattomien tieliikenneilmiöiden osalta, jotka vaativat välittömiä päätöksiä.
Järjestelmään toimitetuista suurten tietojoukkoihin perustuen, kuten tietoihin polttoainetehokkuudesta, mahdollisista liikenneonnettomuuksista tai esteistä, ajoneuvon koosta ja muiden kuljettajien työaikatauluista, realtiemissä reitinhallintaa algoritmit määrittävät parhaimman reitin kuljettajille. Ne ovat pilvipohjaisia, joten kaikki tiedot ovat realtiemissä ja ne voidaan käyttää lähettäjien, kuljettajien, johtajien ja muiden työntekijöiden, kuten asiakaspäälliköiden, käytettäväksi, jotta asiakkaat voidaan pitää ajan tasalla odotettavasta toimitusajasta.
Koneoppimisen perusteella reitinhallintasoftware voi tuoda monia hyötyjä liiketoiminnallesi, kuten:
- Parannettu asiakaskokemus: Tarkempien toimitusaikojen arvioiden ansiosta asiakkaat ovat tyytyväisempiä palveluunne ja todennäköisemmin antavat positiivista palautetta. Mitä enemmän, voit myös esittää ilmoituksia tulevasta toimituksesta sähköpostitse tai tekstiviestillä.
- Kustannussäästöt: Yksi koneoppimisen avainhyöty on yleensä ajan ja rahan säästö. Tämä on totta tässä, koska reitinhallintajärjestelmät seuraavat polttoaineen kulutusta ja ehdottavat kustannustehokkaimpia reittejä.
- Kuljettajien suorituskyvyn seuranta: Pilvipohjainen koneoppimisjärjestelmä auttaa sinua valvomaan työntekijöiden työtä ja varmistamaan, että he suorittavat tehtäviään luotettavasti. Voit myös varmistaa, että he noudattavat tieliikennesääntöjä ja työaikataulua. Lisäksi, olemalla tietoinen, että johtajat pääsevät tietoihin, työntekijöiden tehokkuus ja tuottavuus voivat lisääntyä.
- Avainindikaattorien seuranta: Näkyvyyden ansiosta tärkeisiin tietoihin, kuten matka-aikaan, polttoainekustannuksiin ja työntekijöiden tuottavuuteen, voit paremmin seurata yrityksesi suorituskykyä ja reagoida nopeammin, jos jokin tekijä vaatii parantamista.
Yksi todellinen esimerkki, jossa algoritmisen reitinhallinnan parantaminen paransi tulosta logistiikka-alalla on tämä case-tutkimus McKinseystä. Heidän asiakkaansa oli aasialainen logistiikkayritys, joka pyysi teknologiayritystä ratkaisemaan ongelman, jossa kaluston tarjonta ja reitit oli sovitettava asiakkaiden vaatimuksiin.
Miten he onnistuivat siinä?
Ensin McKinseyn tiimi keräsi kaiken olennaisen tiedon prosesseistaan löytääkseen parantamisen kohteita. He analysoivat tärkeitä tietoja, kuten asiakkaiden sijainteja, solmupisteen sijainteja ja kalustovarantoja. Tämä tieto mahdollisti heille rakentaa reitinhallintamallin, joka luo mukautettuja aikatauluja kaikille ajoneuvoille. Tämän ratkaisun avulla he pystyivät parantamaan hallintaa monilla alueilla, ottaen huomioon tekijöitä, kuten:
- Ajoneuvon tyyppi
- Käyttökustannukset
- Maksimilastit
- Matka-aika
Mikä oli heidän menestyksensä taustalla?
Se oli sekä kokemus että viimeisimmät koneoppimisalgoritmit, joita he käyttivät rakentaakseen tämän ratkaisun. Esimerkiksi he käyttivät Network Optimization Algorithm (NOAH) -mallia luodakseen visuaalisia opasteita päivittäisissä reittikartoissa. Lisäksi he tarjosivat mobiilisovelluksen, joka näytti reaaliaikaisia tietoja, mikä teki helpommaksi sekä lähettäjien että kuljettajien työn.
Tuloksena heidän ratkaisunsa laski kustannuksia 3,6 % ja lisäsi linjaliikenteen tehokkuutta, mikä johti 16 %:n voitonlisäykseen.
2. Chatbotit logistiikassa
Tiedätkö, että jopa 97 % ihmisistä sanoo, että huono asiakaspalvelu vaikuttaa heidän ostoaikomuksiinsa? Mutta toisaalta 36 % asiakkaista on edelleen pettyneitä siitä, että yritykset eivät vastaa heidän yksinkertaisiin kysymyksiinsä.
Tämä tieto osoittaa chatbotin tärkeyden vastata asiakkaisiin välittömästi säästääkseen aikaa ja parantaa asiakaskokemusta. Virtuaaliset avustajat käyttävät luonnollista kielenkäsittelyä puhuakseen ihmisten kanssa chatissa, yleensä suoraan yrityksen etusivulla. Ne on rakennettu algoritmeilla, jotka voivat tunnistaa kysymyksen ja sitten vastata siihen. Oletetaan, että käyttäjä esittää kysymyksen, jota ei voida ymmärtää, ja jolla ei ole vastausta tietokannassa. Silloin chatbot yrittää vastata yhdellä “fallback”-vastauksista tai oppia uusia malleja asiakkaalta käyttääkseen tätä tietoa seuraavan kerran, kun vastaava kysymys esitetään.
Chatbotilla on tietyn verran tietoa yrityksestä ja sen tuotteista tai palveluista. Se voi käyttää tietokantojaan tai haella tietoja ulkoisista lähteistä. Virtuaaliavustaja vastaa kysymyksiin ja johtaa keskustelua itse, ohjaten keskustelua yrityksen toimintaan liittyviin aiheisiin tai ehdottaen vierailua liittyvälle sivulle.
5 keskeistä chatbottien hyötyä
Edelleen epävarma, ovatko chatbotit hyvä ratkaisu liiketoiminnallesi? Katsasta vain viisi keskeistä hyötyä niiden käyttämisestä logistiikkayrityksessä.
1. Välittömät vastaukset 24/7/365
Logistiikkayrityksissä asiakasyhteys on tärkeää. Esimerkiksi DHL tarjoaa kolme eri yhteydenottolomaketta:
- Sähköposti asiakaspalveluun
- Puhelinystävä
- 24/7 chatbot
Chatbot mahdollistaa asiakkaiden saada välittömästi tietoa lähetyksen tilasta, hinnasta, odotetusta toimitusaikaan ja muusta.
Miksi se on tärkeää?
Nykyään 77 % ihmisistä odottaa saavansa välittömästi vastauksia online-chatista milloin tahansa päivällä tai yöllä. Chatbotit voivat toimia koko ajan, jopa silloin, kun työntekijäsi eivät ole töissä (ja ne eivät koskaan ole väsyneitä).
Chatbotin toteuttaminen, joka on aina saatavilla, parantaa merkittävästi käyttäjäkokemusta. Esimerkiksi GetJennyn luoman Helmi-chatbotin ansiosta The Foundation for Student Housing in the Helsinki Region huomasi asiakaspalvelun tyytyväisyyden kokonaistason nousun 4,11:stä 4,26:een.
2. Parempi verkkosivun navigointi
Tiedätkö, että 34 % asiakkaista ovat pettyneitä hankaliin sivunavigaatioihin?
Chatbotit voivat ratkaista tämän ongelman auttamalla vierailijoita navigoimaan sivustolla ja löytämään nopeasti heidän kiinnostuksensa mukaiset tiedot. Ne auttavat sinua luomaan positiivisen brändikuvan ja henkilökohtaisen asiakaskokemuksen. Jos välität asiakastyytyväisyydestä ja brändiuskollisuudesta, chatbot voi olla erinomainen ensiaskeleesi.
Mielenkiintoinen esimerkki chatbotista, joka auttaa sinua löytämään kaikki tuotteen tiedot, on Alex-chatbot, joka on saatavilla Intellexer Summarizer -sivustolla. Kun kysyt häneltä kysymyksen, saat viestin, jossa on linkki sivulle, josta löydät kiinnostuksesi tiedot.
Luoaksesi tällaisen botin et tarvitse toimittaa ja poimia paljon tietoja. Sinun tarvitsee vain prosessoida sivuston sisältöä tarjoamaan sitä sopivassa muodossa. Sitten sinun tarvitsee erottaa tieto sivun sisällöstä ja tietoja luodaksesi loogisen keskustelun virran. Lisäksi chatbotit ovat jatkuvasti oppimassa, joten mitä enemmän kysymyksiä ne saavat, sitä tarkemmin ne vastaavat. Usein tällainen chatbot on ensimmäinen AI-ratkaisu, jota yritykset valitsevat.
3. Toimitusapu
Virtuaaliavustajat voivat olla ensimmäinen asiakkaiden kanssa tehtävä yhteys ja vastaanottaa toimituspyyntöjä heiltä. Kuten muutkin AI-ratkaisut, ne voivat helpottaa työntekijöitäsi monista toistuvista tehtävistä, kuten tilaustietojen keräämisestä. Mitä enemmän, ne voivat myös välittömästi suorittaa toimitukseen liittyviä asiakaspyyntöjä, kuten laskun lähettämistä tilauksesta tai ilmoittamista toimitustilasta.
4. Kattava työntekijöiden 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 ihmisille tekemään seuraavan oikean askeleen.
Bas Vogelsin, DHL:n asiakaspalvelutiimin valvoja ja kouluttaja, sanoo: “Työntekijöillä on nyt enemmän aikaa ratkaista monimutkaisia asiakaskysymyksiä ja ehkäistä eskaloita. Työntekijöiden tyytyväisyyden taso on myös lisääntynyt valtavasti.”
5. Toimituksen reaaliaikainen seuranta
Logistiikassa toimitusaika ja reaaliaikainen tieto tilauksen tilasta ovat äärimmäisen tärkeitä. Chatbotit varmistavat, että asiakkaasi eivät joudu odottamaan vastausta. Todellinen esimerkki tästä ratkaisusta on RoboRobon case-tutkimus. He loivat botin RPL:lle, 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. Picker Routing ja Batching -ongelmien ratkaiseminen varastotoiminnassa
Toinen tehtävä, jonka tekoäly suorittaa logistiikassa, on kehittää tehokkaimmat menetelmät tavaroiden virtaukseen sekä varastossa että jakeluvaiheessa.
AI-pohjaiset varastohallintajärjestelmät voivat tallentaa kaikki varastossa tapahtuvat toiminnot ja prosessit. Ohjelmisto analysoi historialliset tiedot, jotka on kerätty, ja käyttää niitä suunnittelemaan, miten käytettävät laitteet (robotit ja sekä automaattiset että puoliautomaattiset järjestelmät) käsittelevät kuormia. Erityisen hyödyllisiä tässä voidaan olla syväoppiminen, ennustava analytiikka, tietokoneen näkö ja tuotetunnistusohjelmisto, joka voi auttaa tunnistamaan objekteja varastossa ja tehdä laajennetun ennusteen siitä, mitä toimia tarvitaan.
Yksi koneoppimisalgoritmien tärkeimmistä tavoitteista on auttaa ihmisiä monotonisissa mutta vaikeissa tehtävissä. Logistiikka- ja valmistusteollisuudessa yksi näistä tehtävistä on picker routing, jota koneet voivat myös tukea.
Mielenkiintoinen esimerkki tästä on Nvidian ratkaisu Zalandon, jolla on tuhansia uusia tilauksia joka tunti. Heidän AI-pohjainen ratkaisunsa mahdollisti kahden ongelman ratkaisemisen.
1. Picker Routing -ajan vähentäminen
He loivat ratkaisun, joka mahdollistaa varaston hallinnan “köysiripustin” -asettelulla (jolloin kaikki tuotteet ovat hyllyissä, jotka on sijoiteltu useisiin riveihin käytävien kanssa). Ottaen huomioon, että työntekijän on haettava tuotteita eri varastopuolilta, järjestelmä ehdottaa lyhintä mahdollista reittiä varaston läpi.
Nvidian kehittäjät loivat OCaPi (Optimal Cart Pick) -algoritmin, joka etsii optimaalisen pick-kiertueen työntekijälle ja jopa työntekijän kartturin liikkeille. Se mahdollisti Zalandon työntekijöiden lopettaa S-muotoinen reitinhallintaa ja suunnitella optimaalisemman reitin.
2. Batching -ongelman ratkaiseminen
Zalandon kaikki tilaukset on liitetty pick-listaan. Kun lista on valmis, tuotteet pakataan asiakkaalle.
Nvidian kehittäjät yrittivät luoda ratkaisun, joka mahdollistaa saavuttaa mahdollisimman pienet kulkuaika kaikille pick-listoille, olettaen, että työntekijä voi laittaa vain 10 tuotetta koriin. He analysoivat OCaPi-pick-kiertueita kymmenelle tilaukselle kahdelle tuotteelle löytääkseen tehokkaimmat tilausten jakamiset pick-listoihin.
Mitä teknologioita voidaan käyttää näiden ongelmien vähentämiseen?
AvainTeknologia, jota käytetään näissä projekteissa, on OCaPi-algoritmi – erittäin epälineaarinen funktio, joka mahdollisti kehittäjille laskea kulkuaika, ottaen huomioon eri noutoposition. Tämä ratkaisu osoitti heille, että kulkuaika riippuu ennen kaikkea ajasta, joka kuluu noutamiseen takakulmasta, joka on kaukana kaikista muista tuotteista.
Tehdäkseen OCaPi-kulkuaika-arvioinnin vielä nopeammaksi he käyttivät Caffe- neuroverkkorunkoa ja Nvidian cuDNN-convolutional neuroverkkokirjastoa. Se mahdollisti heille kouluttaa neljä mallia rinnakkain löytääkseen erittäin tarkan neuroverkkorakenteen. Tuloksena heidän järjestelmänsä mahdollisti yritykselle vähentää kulkuaikaa tuotteessa 11 %.
Tällaiset koneoppimispohjaiset ratkaisut mahdollistavat yrityksille:
- Tuottavuuden lisääminen
- Nopeuttaminen tilauksen noutoaikoja, 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.
