3 Manieren waarop Machine Learning de Logistieke Industrie Transformeert

Logistieke bedrijven gebruiken artificiële intelligentie en machine learning om de beste resultaten te behalen en de productiviteit op het hoogste niveau te houden, betere beslissingen te nemen, en om de concurrentie bij te houden. De belangrijkheid van AI in deze industrie is enorm. Het wordt geschat dat bedrijven in de komende 20 jaar tussen $1,3 biljoen en $2 biljoen per jaar aan economische waarde zullen behalen dankzij deze geavanceerde technologie in de productie en globale supply chains.

Als u zich nog afvraagt hoe AI en machine learning uw bedrijf kunnen helpen, neem dan een kijkje bij enkele interessante use cases en beslis of dit de oplossing is die u nodig heeft.

1. AI-gebaseerde Routeplanning Software

​​Het kiezen van de optimale route, het plannen van pauzes voor chauffeurs en het vermijden van de meest drukke en gevaarlijke routes zijn slechts enkele van de vele uitdagingen die deel uitmaken van het dagelijkse werk in de logistieke industrie.

Volgens Goldman Sachs (GS ) bereiken de mogelijke routes voor het bezorgen van slechts 25 pakketten ongeveer 15 triljoen triljoen. En hier komt machine learning te hulp. ML-gebaseerde routeplanning software kan alle opties analyseren om de optimale oplossing te kiezen in termen van kosten, toepasselijke deadlines en onverwachte weggebeurtenissen die onmiddellijke beslissingen vereisen.

Op basis van big data sets die aan het systeem worden verstrekt, zoals informatie over brandstofefficiëntie, mogelijke verkeersongelukken of obstakels, voertuigformaat en de roosters van andere chauffeurs, real-time route-optimalisatie algoritmen bepalen de beste route voor chauffeurs. Ze zijn cloud-gebaseerd, dus alle informatie wordt in real-time verstrekt en kan worden geopend door dispatchers, chauffeurs, managers en andere medewerkers, zoals accountmanagers, om klanten te informeren over de verwachte bezorgtijd.

Op basis van machine learning kan route-optimalisatie software veel voordelen opleveren voor uw bedrijf, zoals:

• Verbeterde klantbeleving: Met meer accurate bezorgtijden, zullen klanten tevredener zijn met uw service en meer geneigd zijn om positieve feedback te geven. Bovendien kunt u ook notificaties over een aanstaande bezorging via e-mail of SMS introduceren.
• Kostenbesparingen: Een van de belangrijkste voordelen van machine learning is meestal de besparing in tijd en geld. Dit is hier ook van toepassing, aangezien route-optimalisatie systemen brandstofverbruik monitoren en de meest kostenefficiënte routes suggereren.
• Monitor chauffeursprestaties: Een cloud-gebaseerd systeem op basis van machine learning helpt u om het werk van uw medewerkers te controleren en ervoor te zorgen dat ze hun taken betrouwbaar uitvoeren. U kunt er ook voor zorgen dat ze de verkeersregels en hun werkschema volgen. Bovendien kan het feit dat managers toegang hebben tot deze informatie de efficiëntie en productiviteit van medewerkers verhogen.
• KPI-bewaking: Met inzicht in belangrijke informatie zoals reistijd, brandstofkosten en medewerkersproductiviteit, kunt u de prestaties van uw bedrijf beter monitoren en sneller reageren als een element verbetering behoeft.

Een echt voorbeeld waarin algoritmische route-optimalisatie de omzet in de logistieke industrie verbeterde, is deze casestudy van McKinsey. Hun klant was een Aziatische logistieke onderneming die de technologiebedrijf vroeg om hun probleem met het matchen van de vloot en routes aan klantvereisten op te lossen.

Hoe hebben ze dit bereikt?

Allereerst verzamelde McKinsey’s team alle essentiële gegevens over hun processen om eventuele problemen te identificeren die verbeterd konden worden. Ze analyseerden vitale informatie zoals klantlocaties, hublocaties en vlootbronnen. ​​Deze informatie stelde hen in staat om een ​​route-optimalisatiemodel te bouwen dat aangepaste schema’s voor alle voertuigen genereert. Met deze oplossing konden ze het beheer in veel gebieden verbeteren, waarbij factoren zoals rekening werden gehouden:

• Type voertuig
• Gebruikskosten
• Maximale lading
• Reistijd

Wat was de reden achter hun succes?

Het was zowel de ervaring als de cutting-edge Machine Learning-algoritmen die ze gebruikten om deze oplossing te bouwen. Zo gebruikten ze bijvoorbeeld het Network Optimization Algorithm (NOAH)-model om visuele gidsen te maken in dagelijkse kaarten van de routes. Bovendien boden ze een mobiele app aan met real-time gegevens, waardoor het werk voor zowel dispatchers als chauffeurs gemakkelijker werd.

Als resultaat verlaagde hun oplossing de kosten met 3,6% en verbeterde de efficiëntie van het line-haul-netwerk, wat leidde tot een 16% winststijging.

2. Chatbots in Logistiek

Wist u dat maar liefst 97% van de mensen zegt dat slechte klantenservice van invloed is op hun aankoopbeslissingen? Echter, een andere bron zegt dat 36% van de klanten nog steeds gefrustreerd zijn door het falen van bedrijven om te reageren op hun eenvoudige vragen.

Deze gegevens laten zien hoe belangrijk het is om een chatbot te hebben om klanten onmiddellijk te antwoorden, om tijd te besparen en de klantbeleving te verbeteren. Virtuele assistenten gebruiken natuurlijke taalverwerking om met mensen te praten op een chat, meestal rechtstreeks op de bedrijfswebsite. Ze zijn gebouwd met algoritmen die de vraag kunnen herkennen en dan de antwoord kunnen matchen. Stel dat een gebruiker een onduidelijke vraag stelt waarvoor er geen antwoord is in de database. In dat geval probeert de chatbot een van de “fallback”-antwoorden te matchen of nieuwe patronen te leren van de klant om deze informatie de volgende keer te gebruiken wanneer een soortgelijke vraag wordt gesteld.

Een chatbot heeft een bepaalde hoeveelheid kennis over een bedrijf en zijn producten of diensten. Het kan zijn databases of informatie uit externe bronnen gebruiken. De virtuele adviseur beantwoordt vragen en voert het gesprek zelf, waarbij het gesprek wordt gericht op onderwerpen die verband houden met de activiteiten van het bedrijf of een bezoek aan een gerelateerde pagina.

5 Sleutelvoordelen van Chatbots

Nog steeds niet overtuigd dat chatbots een goede oplossing zijn voor uw bedrijf? Neem dan een kijkje bij de vijf sleutelvoordelen van het implementeren van chatbots in een logistiek bedrijf.

1. Onmiddellijke Antwoorden 24/7/365

In logistieke bedrijven is klantcontact cruciaal. Bijvoorbeeld, DHL biedt drie verschillende contactformulieren:

• E-mail naar klantenservice
• Telefonisch contact
• 24/7 chatbot

De chatbot stelt klanten in staat om onmiddellijk informatie te krijgen over de bezorgstatus, prijzen, de verwachte bezorgtijd van een pakket en meer.

Waarom is dit belangrijk?

Tegenwoordig 77% van de mensen verwacht onmiddellijke antwoorden van de online chat op elk moment van de dag of nacht. Chatbots kunnen de hele tijd werken, zelfs wanneer uw medewerkers niet werken (plus, ze zullen nooit moe worden).

Het implementeren van een chatbot die altijd beschikbaar is, verbetert de gebruikerservaring aanzienlijk. Bijvoorbeeld, met de Helmi-chatbot die is gemaakt door GetJenny, zag The Foundation for Student Housing in de regio Helsinki een toename van de overall klanttevredenheidsscore van 4,11 naar 4,26.

2. Betere Website Navigatie

Wist u dat 34% van de klanten gefrustreerd zijn door moeilijke site-navigatie?

Chatbots kunnen dit probleem oplossen door bezoekers te helpen de site te navigeren en snel de informatie te vinden waarin ze geïnteresseerd zijn. Ze helpen u om een positief merkbeeld en een persoonlijke klantbeleving te creëren. Dus, als u zich zorgen maakt over het opbouwen van tevredenheid en merkloyaliteit onder uw klanten, kan een chatbot een uitstekende eerste stap zijn.

Een interessant voorbeeld van een chatbot die u helpt om alle informatie over een product te vinden, is de chatbot Alex, beschikbaar op de Intellexer Summarizer-website. Wanneer u hem een vraag stelt, ontvangt u een bericht met een link naar een pagina waar u informatie van belang kunt vinden.

Bron: https://summarizer.intellexer.com/

Om zo’n bot te maken, hoeft u niet veel gegevens te verstrekken en te extraheren. U hoeft alleen de inhoud van de website te verwerken om deze in een geschikte vorm te verstrekken. Vervolgens scheidt u de informatie over de inhoud van de pagina en de gegevens om een logische conversatie te creëren. Bovendien leren chatbots voortdurend, dus hoe meer vragen ze ontvangen, hoe nauwkeuriger hun antwoorden zullen worden. Vaak is dit type chatbot de eerste AI-oplossing die bedrijven kiezen.

3. Bezorgingshulp

Virtuele assistenten kunnen het eerste contact met klanten zijn en bezorgingsverzoeken van hen ontvangen. Net als andere AI-oplossingen kunnen ze uw medewerkers van veel repetitieve taken ontlasten, zoals het verzamelen van bestelinformatie. Bovendien kunnen ze ook onmiddellijk bezorgingsgerelateerde klantverzoeken uitvoeren, zoals het verzenden van een factuur voor een bestelling of informeren over de bezorgstatus.

4. Uitgebreide Medewerkersondersteuning

Chatbots kunnen uw medewerkers op veel manieren helpen, van papierwerk tot het plaatsen van bestellingen en het verwerken van betalingen. Ze kunnen documenten zoals facturen of betalingsverzoeken ontvangen of invullen, en veel meer. En wanneer machines menselijke hulp nodig hebben, sturen ze een bericht naar menselijke medewerkers om de juiste volgende stap te zetten.

Volgens Bas Vogels, supervisor en trainer van het DHL-klantenserviceteam: “Medewerkers hebben veel meer tijd om complexe klantvragen op te lossen en escalaties te voorkomen. Het medewerkertevredenheidscijfer is ook enorm toegenomen.”

5. Real-Time Bezorgingsvolging

In logistiek zijn bezorgtijd en real-time informatie over de status van een bestelling cruciaal. Chatbots zullen ervoor zorgen dat uw klanten niet hoeven te wachten op een antwoord. Een real-life voorbeeld van deze oplossing is de casestudy van RoboRobo. Zij hebben een bot gemaakt voor RPL die klanten informeert over de status van hun bestelling. De chatbot stelt RPL-klanten in staat om de locatie van hun pakket te volgen en te weten wanneer het zal worden geleverd.

Chatbots kunnen op veel plaatsen worden gebruikt, niet alleen op een website. Steeds meer bedrijven kiezen voor chatbots die beschikbaar zijn op Facebook, Skype, WhatsApp en andere kanalen.

3. Het Oplossen van Picker Routing- en Batchingproblemen in Magazijnoperaties

Een andere taak die artificiële intelligentie vervult in logistiek is het ontwikkelen van de meest efficiënte methoden voor de stroom van goederen, zowel in het magazijn als in de distributiefase.

AI-gebaseerde magazijnbeheersystemen kunnen alle activiteiten en processen registreren die plaatsvinden in het magazijn. De software analyseert de historische gegevens die zijn verzameld en gebruikt deze om te plannen hoe de apparatuur die wordt gebruikt (robots en zowel automatische als semi-automatische systemen) de ladingen zal behandelen. Vooral nuttig hier kan diepe leer, predictive analytics, computerzicht en productherkenningsoftware zijn, die kunnen helpen om objecten in het magazijn te herkennen en uitgebreide voorspellingen te maken van de acties die nodig zullen zijn.

Een van de belangrijkste doelen van machine learning-algoritmen is om mensen te helpen met saaie maar moeilijke taken. In de logistieke en productie-industrie is een van deze taken de picker routing, die door machines kan worden ondersteund.

Een interessant voorbeeld hiervan is de oplossing die door Nvidia (NVDA ) is gemaakt voor Zalando, een e-commercegigant, die duizenden nieuwe bestellingen per uur heeft. Hun AI-gebaseerde oplossing stelde hen in staat om twee problemen op te lossen.

​​1. Het Verkorten van Picker Routingtijd

Zij hebben een oplossing voorbereid die magazijnbeheer mogelijk maakt met een “ladder”-lay-out (wat betekent dat alle producten zijn opgeslagen in schappen in meerdere rijen met gangen). Gezien dat een werknemer producten moet ophalen die op verschillende delen van het magazijn zijn opgeslagen, suggereert het systeem de kortste mogelijke route door het magazijn om alle benodigde artikelen op te halen.

De ontwikkelaars van Nvidia hebben de OCaPi (Optimal Cart Pick)-algoritme gemaakt, die de optimale pick-tour voor de werknemer vindt en zelfs voor de bewegingen van de kar van de werknemer. Dit stelde Zalando’s werknemers in staat om de S-vormige routing-heuristiek te stoppen en een meer optimale route te plannen.

2. Het Oplossen van het Batchingprobleem

Bij Zalando moeten alle bestellingen worden toegewezen aan een picklijst. Wanneer de lijst voltooid is, worden de producten voor de klant verpakt.

De ontwikkelaars van Nvidia hebben geprobeerd een oplossing te maken die het mogelijk maakt om de som van de reistijden voor alle picklijsten zo klein mogelijk te maken, onder de voorwaarde dat een werknemer slechts 10 artikelen in de kar kan plaatsen. Zij hebben OCaPi-pick-tours voor tien bestellingen van twee dingen geanalyseerd om de meest efficiënte splitsing van bestellingen in picklijsten te vinden.

Welke Technologieën Kunnen Deze Problemen Verminderen?

Een sleuteltechnologie die in deze projecten wordt gebruikt, is het OCaPi-algoritme – een zeer niet-lineaire functie die ontwikkelaars in staat stelde om de reistijd te berekenen, waarbij rekening werd gehouden met verschillende ophaalposities. Deze oplossing liet zien dat reistijd voornamelijk afhankelijk is van de tijd die wordt besteed aan het ophalen van een artikel uit de achterste hoek, dat ver van alle andere producten is geplaatst.

Om de OCaPi-reistijdsschatting nog sneller te maken, gebruikten zij het Caffe-neuraal netwerkframework en NVIDIA’s cuDNN-convolutional neural network-bibliotheek. Dit stelde hen in staat om vier modellen in parallel te trainen om een zeer nauwkeurig neuronaal netwerkarchitectuur te vinden. Als resultaat stelde hun systeem het bedrijf in staat om de reistijd per opgehaald artikel met ongeveer 11% te verminderen.

Dergelijke machine learning-gebaseerde oplossingen stellen bedrijven in staat om:

• Productiviteit te verhogen
• De besteltijden te versnellen, wat resulteert in een toename van de klanttevredenheid
• De tevredenheid van medewerkers te verhogen, wiens werk wordt ondersteund door intelligente oplossingen
• De dagelijkse werkstroom van medewerkers te verbeteren
• Menselijke fouten te elimineren, aangezien routeberekening sneller en nauwkeuriger is dan wanneer een mens het zou doen.