3 måter maskinlæring transformerer logistikkbransjen

Logistikk-selskaper bruker kunstig intelligens og maskinlæring for å sikre de beste resultater og holde produktiviteten på sitt høyeste nivå, ta bedre forretningsbeslutninger, og holde pace med konkurransen. Betoningen av AI i denne bransjen er enorm. Det estimeres at i løpet av de neste 20 årene, vil selskaper kunne trekke ut mellom 1,3 billioner og 2 billioner dollar årlig i økonomisk verdi takket være denne avanserte teknologien i produksjon og globale forsyningskjeder.

Hvis du fortsatt lurer på hvordan AI og maskinlæring kan hjelpe din bedrift, ta en titt på noen spennende anvendelseseksempler og bestem deg for om dette er løsningen for deg.

1. AI-basert ruteplanlegging

​​Velg den optimale ruten, planlegg pauser for sjåfører og unngå de mest trafikkerte og farlige veier er bare noen av de mange utfordringene som er en del av daglig arbeid i logistikkbransjen.

Ifølge Goldman Sachs (GS ), når vi snakker om å levere bare 25 pakker, mulige ruter når rundt 15 billioner. Og her er maskinlæring til hjelp. ML-basert ruteplanlegging kan analysere alle alternativene for å velge den optimale løsningen når det gjelder kostnader, gjeldende frister og uventede veihendelser som krever umiddelbare beslutninger.

Basert på store datamengder som er gitt til systemet, som informasjon om brensleeffektivitet, mulige trafikkulykker eller hindringer, kjøretøysize og andre sjåførenes arbeidsskemaer, sanntids ruteoptimeringsalgoritmer bestemmer den beste ruten for sjåfører. De er sky-basert, så all informasjon er gitt i sanntid og kan tilgjengelig for dispatchere, sjåfører, ledere og andre ansatte, som f.eks. kundeservicemedarbeidere, for å holde kundene informert om forventet leveringstid.

Basert på maskinlæring, ruteoptimering programvare kan bringe mange fordeler til din bedrift, som f.eks.

• Forbedret kundeservice: Med mer nøyaktige leveringstids估计, vil kundene være mer fornøyde med tjenesten din og mer sannsynlig å gi deg positiv tilbakemelding. Hva mer, kan du også introdusere varslinger om en kommende levering via e-post eller SMS.
• Kostnadsbesparelser: En av de viktigste fordelene med maskinlæring er vanligvis besparelse i tid og penger. Dette er sant her, da ruteoptimering systemer overvåker brensleforbruk og foreslår de mest kostnadseffektive ruter.
• Overvåking av sjåførprestasjon: Et sky-basert system basert på maskinlæring hjelper deg å overvåke arbeidet til dine ansatte og sikre at de utfører sine oppgaver pålitelig. Du kan også sikre at de følger veireglene og arbeidsskemaet. I tillegg kan det faktum at ledere har tilgang til denne informasjonen øke ansattes effektivitet og produktivitet.
• Nøkeltallssporing: Med innsikt i nøkkelinformasjon som reisetid, brenslekostnader og ansattes produktivitet, kan du bedre overvåke bedriftens ytelse og reagere raskere hvis noe element trenger forbedring.

Et ekte eksempel på hvor algoritme-basert ruteoptimering forbedret inntekten i logistikkbransjen er dette saken fra McKinsey. Deres klient var et asiatisk logistikk-selskap som ba teknologiselskapet om å løse problemet med å matche flåten og ruter med kundens krav.

Hvordan klarte de dette?

Først samlet McKinseys team inn all essensiell data om prosessene deres for å finne ut hvilke problemer som kunne forbedres. De analyserte viktig informasjon som kundelokasjoner, hub-lokasjoner og flåteressurser. ​​Denne informasjonen tillot dem å bygge en ruteoptimeringsmodell som genererer tilpassede skemaer for alle kjøretøy. Med denne løsningen kunne de forbedre ledelsen på mange områder, med faktorer som

• Kjøretøytype
• Utnyttelseskostnad
• Maksimalt last
• Reisetid

Hva lå bak deres suksess?

Det var både erfaring og avanserte maskinlæringsalgoritmer de brukte for å bygge denne løsningen. For eksempel brukte de Network Optimization Algorithm (NOAH) modellen for å bygge visuelle veiledninger i daglige kart over ruter. I tillegg ga de en mobilapp som viste sanntidsdata, noe som gjorde arbeidet lettere for både dispatchere og sjåfører.

Hva var resultatet?

Løsningen deres reduserte kostnadene med 3,6% og økte effektiviteten i linje-haul nettverket, noe som ledet til en 16% økning i fortjenesten.

2. Chatboter i logistikk

Visste du at så mange som 97% av mennesker sier at dårlig kundeservice har en innvirkning på deres kjøpsintensjoner? Imidlertid sier en annen kilde at 36% av kundene fortsatt er frustrert over at selskaper ikke responderer på deres enkle spørsmål.

Disse dataene viser viktigheten av å ha en chatbot for å svare kundene umiddelbart for å spare tid og forbedre kundeservice. Virtuelle assistenter bruker naturleg språkbehandling for å snakke med mennesker på en chat, vanligvis rett på selskapets hjemmeside. De er bygget med algoritmer som kan gjenkjenne spørsmålet og deretter matche svaret til det. Hvis en bruker stiller et uforståelig spørsmål som det ikke finnes noen svar på i databasen, prøver chatboten å matche ett av “fallback”-svarene eller lære nye mønster fra kunden for å bruke denne informasjonen neste gang et lignende spørsmål blir stilt.

En chatbot har en viss mengde kunnskap om et selskap og dets produkter eller tjenester. Den kan bruke sin database eller hente informasjon fra eksterne kilder. Den virtuelle rådgiveren svare på spørsmål og fører samtalen selv, og retter samtalen mot temaer relatert til selskapets aktiviteter eller foreslår et besøk på en relatert side.

5 nøkelfordeler med chatboter

Fortsett å være usikker på om chatboter er en god løsning for din bedrift? Bare ta en titt på fem nøkelfordeler med å implementere dem i et logistikk-selskap.

1. Umiddelbar respons 24/7/365

I logistikk-selskaper er kundekontakt avgjørende. For eksempel tilbyr DHL tre forskjellige kontaktformer:

• E-post til kundeservice
• Telefonkontakt
• 24/7 chatbot

Chatboten lar kundene få umiddelbar informasjon om leveringstatus, pris, forventet leveringstid for en pakke og mer.

Hvorfor er det viktig?

I dag 77% av mennesker forventer å få umiddelbar respons fra den online chatten til enhver tid på døgnet. Chatboter kan arbeide hele tiden, også når dine ansatte ikke arbeider (i tillegg vil de aldri være trøtte).

Implementering av en chatbot som alltid er tilgjengelig forbedrer brukeropplevelsen betydelig. For eksempel, med chatboten Helmi, som er skapt av GetJenny, noterte The Foundation for Student Housing in the Helsinki Region en økning i kundeservice-tilfredshetspoeng fra 4,11 til 4,26.

2. Bedre nettstednavigasjon

Visste du at 34% av kundene er frustrert over vanskelig nettstednavigasjon?

Chatboter kan løse dette problemet ved å hjelpe besøkende å navigere på nettstedet og raskt finne informasjonen de er interessert i. De hjelper deg med å skape en positiv merkevare og personlig kundeservice. Så hvis du bryr deg om å bygge tilfredshet og merkevarelojalitet blant kundene dine, kan en chatbot være et utmerket første skritt.

Et interessant eksempel på en chatbot som hjelper deg å finne all informasjon om et produkt er chatboten Alex, som er tilgjengelig på Intellexer Summarizer nettstedet. Når du stiller et spørsmål, vil du motta en melding med en lenke til en side hvor du kan finne informasjon av interesse.

Kilde: https://summarizer.intellexer.com/

For å skape en slik bot, trenger du ikke å tilby og trekke ut mye data. Du trenger bare å prosessere innholdet på nettstedet for å gi det i en passende form. Deretter skiller du informasjonen om innholdet på siden og dataene for å skape en logisk flyt i samtalen. I tillegg er chatboter i stand til å lære hele tiden, så jo flere spørsmål de mottar, jo mer nøyaktige blir svarene deres. Ofte er denne typen chatbot den første AI-løsningen som selskaper velger.

3. Leveringshjelp

Virtuelle assistenter kan være den første kontakten med kundene og motta leveringsforespørsler fra dem. Like andre AI-løsninger kan de lettelse dine ansatte fra mange repetitive oppgaver, som f.eks. å samle inn informasjon om bestillingen. Hva mer, kan de også umiddelbart utføre leveringsrelaterte kundeforespørsler, som f.eks. å sende en faktura for en bestilling eller informere om leveringstatus.

4. Omfattende ansattestøtte

Chatboter kan hjelpe dine ansatte på mange måter, fra papirarbeid til å plassere bestillinger til å prosessere betalinger. De kan motta eller fylle ut dokumenter som f.eks. fakturaer eller betalingsforespørsler, og mye mer. Og når maskiner trenger menneskelig assistanse, sender de en melding til menneskelige arbeidere for å gjøre det riktige neste skrittet.

Ifølge Bas Vogels, tilsynshaver og trener for DHLs kundeserviceteam: “Ansattene har mye mer tid til å løse komplekse kundespørsmål og forebygge eskalasjoner. Ansatttilfredshetspoengene har også økt enormt.”

5. Sanntids leveringssporing

I logistikk er leveringstid og sanntids informasjon om bestillingsstatus avgjørende. Chatboter vil sikre at kundene dine ikke må vente på en respons. Et ekte eksempel på denne løsningen er saken fra RoboRobo. De skapte en bot for RPL som informerer kundene om bestillingsstatus. Chatboten lar RPLs kunder overvåke pakkes lokasjon og finne ut når den vil bli levert.

Chatboter kan brukes på mange steder, ikke bare på et nettsted. Flere og flere selskaper velger chatboter som er tilgjengelige på Facebook, Skype, WhatsApp og andre kanaler.

3. Løsning av picker-ruting og batch-problemer i lagerdrift

En annen oppgave som kunstig intelligens utfører i logistikk er å utvikle de mest effektive metodene for varer som flyttes både i lageret og i distribusjonsfasen.

AI-basert lagerstyring systemer kan registrere alle aktivitetene og prosessene som skjer i lageret. Programvaren analyserer historisk data som er samlet inn og bruker det til å planlegge hvordan utstyret som brukes (roboter og både automatiske og semi-automatiske systemer) vil håndtere lastene. Spesielt nyttig her kan være dypt læring, prediktiv analyse, datavisualisering og produktgjenkjenning som kan hjelpe med å gjenkjenne objekter i lageret og gjøre utvidet prognose av hva som kommer til å skje.

En av de viktigste målene med maskinlæringsalgoritmer er å hjelpe mennesker med monoton, men hardt arbeid. I logistikk- og produksjonsindustrien er en av disse oppgavene picker-ruting, som maskiner også kan støtte.

Et spennende eksempel på dette er løsningen skapt av Nvidia (NVDA ) for Zalando, en e-handels-gigant som har tusenvis av nye bestillinger hver time. Deres AI-basert løsning tillot å løse to problemer.

​​1. Redusere picker-rutingstid

De forberedte en løsning som tillot lagerstyring med en “repetér-løsning” (som betyr at alle produkter er lagret i hyller plassert i flere rekker med ganger). Gitt at en arbeider må hente produkter som er lagret i forskjellige deler av lageret, foreslår systemet den korteste mulige ruten gjennom lageret som tillater å plukke alle nødvendige produkter.

Nvidias utviklere skapte OCaPi (Optimal Cart Pick) algoritmen som finner den optimale plukkruten for arbeideren og selv for bevegelsene til arbeiderens vogn. Det tillot Zalandos arbeidere å slutte å bruke S-formet ruteheuristikk og planlegge en mer optimal rute.

2. Løsning av batch-problemet

Hos Zalando må alle bestillinger tilordnes en plukkliste. Når listen er full, pakkes produktene for kunden.

Nvidias utviklere prøvde å skape en løsning som tillot å oppnå summen av reisetiden for alle plukklister så liten som mulig, under antagelse av at en arbeider kan få plass til 10 produkter i vognen. De analyserte OCaPi plukkruter for ti bestillinger av to produkter for å finne den mest effektive splittningen av bestillinger i plukklister.

Hva teknologier kan redusere disse problemene?

En nøkkelteknologi som brukes i disse prosjektene er OCaPi algoritmen — en svært ikke-lineær funksjon som tillot utviklerne å beregne reisetiden, med hensyn til ulike plukkposisjoner. Denne løsningen viste dem at reise hovedsakelig avhenger av tiden brukt på å plukke et produkt fra bakerste hjørnet, plassert langt fra alle andre produkter.

For å gjøre OCaPi reisetids-estimering enda raskere, brukte de Caffe neuralt nettverksrammeverk og Nvidias cuDNN konvolusjonsneuralt nettverksbibliotek. Det tillot dem å trene fire modeller parallelt for å finne en svært nøyaktig neuralt nettverksarkitektur. Som resultat tillot deres system selskapet å redusere reisetiden per plukket produkt med omtrent 11%.

Slike maskinlæringsbaserte løsninger tillater selskaper å:

• Øke produktiviteten
• Raskere plukketid, noe som resulterer i økt kundetilfredshet
• Øke tilfredsheten blant ansatte hvis arbeid støttes av intelligente løsninger
• Forbedre daglig arbeidsflyt
• Eliminere menneskelig feil siden ruteberegningsmetoden er raskere og mer nøyaktig enn hvis et menneske gjorde det.