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 genereren dankzij deze geavanceerde technologie in de productie en globale toeleveringsketens. 

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

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 bereiken de mogelijke routes bij het bezorgen van slechts 25 pakketten ongeveer 15 triljoen triljoen. En dat is waar machine learning te hulp schiet. 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 grote datasets die aan het systeem worden verstrekt, zoals informatie over brandstofefficiëntie, mogelijke verkeersongelukken of obstakels, voertuigformaat en de werkschema’s 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 bezorgtingschattingen zullen klanten tevredener zijn met uw service en vaker positieve feedback geven. Bovendien kunt u ook notificaties over een aanstaande bezorging via e-mail of SMS introduceren. 
• Kostenebesparingen: Een van de belangrijkste voordelen van machine learning is meestal de besparing in tijd en geld. Dit is hier ook het geval, 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 nodig heeft.

Een echt voorbeeld waar algoritme-gebaseerde route-optimalisatie de omzet in de logistieke industrie verbeterde, is deze casestudy van McKinsey. Hun klant was een Aziatisch logistiek bedrijf dat de technologiebedrijf vroeg om hun probleem met het matchen van vlootaanbod 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 cruciale 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 op veel gebieden verbeteren, rekening houdend met factoren zoals:

• Type voertuig
• Gebruikskosten
• Maximale ladingen
• Reistijd

Wat was de reden achter hun succes?

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

Als resultaat verlaagden ze de kosten met 3,6% en verbeterden ze de efficiëntie van het line-haul-netwerk, wat leidde tot een winststijging van 16%.

2. Chatbots in Logistiek

Wist u dat maar liefst 97% van de mensen zegt dat slechte klantenservice een invloed heeft op hun aankoopintenties? 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 gestelde vraag kunnen herkennen en dan het antwoord daarop kunnen matchen. Stelt een gebruiker een onbegrijpelijke vraag die geen antwoord heeft in de database, dan probeert de chatbot een van de “fallback”-antwoorden te matchen of nieuwe patronen van de klant te leren 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 gestuurd naar onderwerpen die verband houden met de activiteiten van het bedrijf of door een bezoek aan een gerelateerde pagina voor te stellen.

5 Sleutelvoordelen van Chatbots

Nog steeds niet overtuigd dat chatbots een goede oplossing zijn voor uw bedrijf? Neem dan een kijkje bij vijf sleutelvoordelen van het implementeren ervan 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 laat klanten toe om onmiddellijk informatie te krijgen over de bezorgstatus, prijzen, de verwachte bezorgtijd van een pakket en meer.

Waarom is dit belangrijk?

Vandaag de dag 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 zijn). 

Het implementeren van een chatbot die altijd beschikbaar is, verbetert de gebruikerservaring aanzienlijk. Zo zag The Foundation for Student Housing in the Helsinki Region, met de Helmi-chatbot die is gemaakt door GetJenny, een toename van hun overall klantenservicetevredenheidsscore 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 die ze interessant vinden. Ze helpen u bij het creëren van een positief merkbeeld en een persoonlijke klantbeleving. 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 interesse kunt vinden.

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

Om zo’n bot te creëren, hoeft u geen grote hoeveelheid gegevens te verstrekken en te extraheren. U moet alleen de inhoud van de website verwerken om deze in een geschikte vorm te bieden. Vervolgens moet u de informatie over de inhoud van de pagina en de gegevens scheiden 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 tot het verwerken van betalingen. Ze kunnen documenten ontvangen of invullen, zoals facturen of betalingsverzoeken, en veel meer. En wanneer machines menselijke hulp nodig hebben, sturen ze een bericht naar menselijke werknemers om de juiste volgende stap te nemen. 

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. De medewerkertevredenheid is ook enorm toegenomen.”

5. Real-Time Bezorgingsvolging

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

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 goederenstroom 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 gebruikte apparatuur (robots en zowel automatische als semi-automatische systemen) de ladingen zal behandelen. Vooral handig 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 monotone maar moeilijke taken. In de logistieke en productie-industrie is een van deze taken de picker routing, die machines ook kunnen ondersteunen. 

Een interessant voorbeeld hiervan is de oplossing die door Nvidia is gecreëerd 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 Verlagen van de Picker Routing-tijd

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

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

2. Het Oplossen van het Batchingprobleem

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

De ontwikkelaars van Nvidia probeerden een oplossing te maken die het mogelijk maakt om de som van de reistijden voor alle pick-lijsten zo klein mogelijk te maken, onder de voorwaarde dat een werknemer slechts 10 artikelen in de kar kan plaatsen. Zij analyseerden OCaPi-pick-tours voor tien bestellingen van twee dingen om de meest efficiënte splitsing van bestellingen in pick-lijsten 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 verschillende ophaalposities werden meegenomen. Deze oplossing toonde aan dat reizen voornamelijk afhankelijk zijn van de tijd die wordt besteed aan het ophalen van een artikel uit de achterste hoek, die ver van alle andere producten is gelegen. 

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

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

• Productiviteit te verhogen
• Orderpickingtijden te versnellen, waardoor de consumententevredenheid toeneemt
• 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 doet.