Bagaimana AI Mengubah Logistik Secara Diam-Diam: Mengurangi Pemborosan dan Meningkatkan Margin

Sementara keuangan dan perawatan kesehatan mendapatkan perhatian utama untuk menerima AI, beberapa contoh penggunaan yang paling menguntungkan ada di jalan. Logistik adalah tulang punggung perdagangan global, dan eksekutif mulai menyadari—pada 2024, 90% pemimpin rantai pasokan mengatakan kemampuan teknologi adalah faktor utama ketika memilih mitra pengangkutan. Alasannya? AI mengubah industri yang terkenal tidak efisien menjadi keunggulan bisnis atas persaingan.

Historis bergantung pada proses berbasis kertas, logistik telah menjadi titik buta bagi pemimpin rantai pasokan. Kurangnya visibilitas ini memicu efek bullwhip: perubahan kecil pada permintaan ritel melebar ketika mereka bergerak naik ke rantai pasokan, mencapai pemasok bahan baku. Dipasangkan dengan waktu tunggu yang lama, ini memaksa setiap tahap—pengecer, grosir, distributor, dan produsen—untuk memesan lebih banyak, memperburuk masalah.

Tapi, bayangkan untuk sesaat bahwa bukan mengisi truk dan gudang dengan chip semikonduktor hanya untuk permintaan PC menurun, logistik memiliki pelacakan waktu nyata dan visibilitas rantai pasokan. Bagaimana jika mereka bisa memprediksi fluktuasi permintaan dengan akurasi 99,9%? Dan menyediakan solusi logistik fleksibel seperti transportasi sesuai permintaan sebagai respons?

Dengan AI dan pembelajaran mesin, ideal ini mungkin tidak sejauh yang dipikirkan para pemimpin bisnis.

Visibilitas Rantai Pasokan Menjelaskan yang Tidak Terjelaskan

Ketika ditanya “Mana kemampuan teknologi pengangkutan yang paling Anda hargai?”, 67% responden memilih pelacakan pengiriman waktu nyata.

Perangkat Internet of Things (IoT) merevolusi pelacakan kargo, menyediakan visibilitas granular dan peringatan waktu nyata tentang kondisi barang—kritis untuk pengiriman yang sensitif waktu atau terkendali suhu seperti makanan dan farmasi yang memiliki peraturan verifikasi ketat. Tidak hanya pemimpin rantai pasokan dapat mengetahui berapa banyak stok yang mereka miliki dan di mana lokasinya pada saat tertentu, tetapi mereka juga dapat mempelajari tentang kondisinya. Pengirim dapat memantau dan berbagi informasi tentang apakah barang panas, dingin, basah, atau kering, dan mereka dapat melihat jika pintu, kotak, atau wadah lainnya dibuka. Wawasan ini menjelaskan abnormalitas dengan barang makanan yang tiba dalam keadaan busuk, meminimalkan pemborosan di masa depan.

Beralih ke industri elektronik, perusahaan dapat memastikan kepada pelanggan bahwa produk seperti motherboard laptop asli ketika item dilacak dan dilacak. Manajer gudang dan inventori dapat memindai kode batang dan kode QR untuk melacak tingkat stok, atau menggunakan tag identifikasi frekuensi radio (RFID) yang dilampirkan pada objek untuk melacak aset berharga tanpa perlu memindainya. Tag RFID yang lebih maju menawarkan peringatan waktu nyata ketika kondisi (seperti suhu) menyimpang dari ambang batas yang telah ditetapkan sebelumnya.

Visibilitas tingkat item telah menjadi keharusan bagi pengirim dan mitra rantai pasokan mereka. Penyedia logistik harus cepat beradaptasi dengan gangguan dan perubahan permintaan, dan visibilitas ini meningkatkan ketahanan. Wawasan ini memungkinkan bisnis untuk memiliki pandangan holistik tentang inventori dan membuat keputusan yang tepat waktu, mengurangi pemborosan dan meningkatkan utilisasi sumber daya.

Peramalan Permintaan dan Waktu Tunggu yang Dapat Diandalkan

Kegunaan sensor IoT jauh melampaui sekadar melacak item dan memperbarui pelanggan secara waktu nyata. Mereka menyediakan data yang memicu algoritma peramalan permintaan.

Ambil Coca-Cola, misalnya. Raksasa minuman ringan ini menggunakan IoT untuk memantau dan mengumpulkan data dari mesin penjual otomatis dan lemari es, melacak metrik waktu nyata untuk tingkat stok dan analisis preferensi konsumen. Ini memungkinkan Coca-Cola untuk membuat prediksi yang tepat tentang permintaan untuk jenis dan rasa produk tertentu.

Perusahaan pengangkutan barang semakin menggunakan metode serupa untuk memprediksi volume barang di jalur tertentu, memungkinkan mereka untuk mengoptimalkan pengerahan armada dan memenuhi perjanjian tingkat layanan (SLA). Kabar baik bagi bisnis karena mereka mendapatkan waktu tunggu yang lebih dapat diandalkan, yang berarti biaya inventori yang lebih rendah dan lebih sedikit kehabisan stok.

Terdapat dua cara utama perusahaan logistik menggunakan peramalan:

1. Jangka panjang (strategis): Untuk anggaran dan perencanaan aset (6 bulan hingga 3 tahun).
2. Jangka pendek (operasional): Paling berharga untuk logistik, memprediksi transportasi darat hingga 14 hari sebelumnya, dan 1-12 minggu untuk pengiriman laut.

Sebagai contoh, perusahaan kurir DPDgroup, Speedy, memprediksi permintaan dengan menggabungkan data pengiriman historis (ukuran paket, waktu pengiriman, perilaku pelanggan, dll.) dengan faktor eksternal seperti hari libur, puncak ritel (Black Friday), dll. Di bawah sistem baru, peramalan permintaan yang ditenagai AI memungkinkan Speedy untuk cepat mengidentifikasi dan membatalkan perjalanan dan pengangkutan yang tidak perlu. Ini menghasilkan pengurangan biaya 25% dari hub ke hub dan peningkatan utilisasi armada sebesar 14%. McKinsey menemukan hasil serupa dalam manajemen rantai pasokan, dengan alat peramalan mengurangi kesalahan sebesar 20 hingga 50%.

Pencocokan Beban-Kapasitas: Berhenti Mengangkut Udara

Uber Freight melaporkan pada 2023 bahwa antara 20% dan 35% dari perkiraan 175 miliar mil yang dilalui truk di AS setiap tahun kemungkinan kosong—menguras bahan bakar dan anggaran tenaga kerja. Sekarang bahwa AI, ML, dan teknologi digital twin sudah menjadi arus utama, truk yang baru saja melakukan pengiriman di Dallas tidak boleh kembali ke Chicago tanpa muatan. Platform pencocokan beban yang ditenagai AI menganalisis permintaan barang, ketersediaan truk, dan pola rute untuk memastikan setiap truk mengangkut dengan efisiensi maksimal.

Perusahaan logistik mengambil informasi barang yang dikumpulkan yang digunakan dalam alat peramalan (ukuran muatan, berat, dimensi, jenis—apakah itu mudah rusak, berbahaya, dll.) dan menganalisis silang ini dengan kapasitas mereka. Analitik yang ditenagai AI dapat meninjau ukuran truk, fitur, lokasi, dan ketersediaan, serta peraturan jam kerja pengemudi, untuk menghubungkan pengirim dan pengangkut secara waktu nyata. Teknologi digital twin dapat memungkinkan ini lebih jauh, mensimulasikan skenario virtual untuk memastikan pencocokan yang optimal.

Bayangkan seorang pengirim memasukkan informasi tentang muatan mereka yang akan datang ke platform digital. Sistem menganalisis kapasitas pengangkut yang tersedia dan mencocokkan muatan dengan opsi yang paling sesuai, mempertimbangkan faktor optimasi yang disebutkan sebelumnya. Transaksi diproses, dan pengiriman dilacak sepanjang perjalanannya.

Dengan melacak aset, memprediksi permintaan, dan mencocokkan beban, perusahaan logistik menghemat jumlah besar. Mereka meminimalkan mil kosong, memaksimalkan utilisasi kendaraan, dan menghilangkan jejak karbon—pada akhirnya meningkatkan hubungan pelanggan dengan pengiriman yang lebih dapat diandalkan.

Manfaat ini meluas melampaui logistik. Tingkat visibilitas rantai pasokan ini memungkinkan pengecer dan produsen untuk mengoptimalkan jadwal produksi dan mengurangi biaya penyimpanan inventori. Mereka dapat merencanakan pengiriman dengan lebih efisien, meminimalkan keterlambatan dan biaya penyimpanan, serta mengurangi biaya transportasi dengan memastikan utilisasi truk yang optimal dan kapasitas yang tidak terbuang.

Industri apa pun yang menangani alokasi sumber daya—maskapai penerbangan, manufaktur, bahkan komputasi awan—dapat belajar dari bagaimana AI logistik mengalirkan operasi.