3 måter maskinlæring forandrer logistikkbransjen

Logistikksselskaper bruker kunstig intelligens og maskinlæring for å sikre de beste resultater for å holde produktiviteten på sitt høyeste nivå, ta bedre forretningsbeslutninger, og holde tritt med konkurransen. Betoningen av AI i denne bransjen er enorm. Det er estimert at i løpet av de neste 20 årene, vil selskaper kunne trekke mellom $1,3 billioner og $2 billioner i år 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 forretning, se på noen spennende brukstilfeller og bestem deg for om dette er løsningen for deg.

1. AI-basert ruteplanlegging

​​Velge den optimale ruten, planlegge pauser for sjåfører, og unngå de mest overfyldte og farlige stier er bare noen av de mange utfordringene som er en del av daglig arbeid i logistikkbransjen. 

Ifølge Goldman Sachs, når vi snakker om å levere bare 25 pakker, mulige ruter når rundt 15 billioner. Og dette er der maskinlæring kommer til unnsetning. ML-basert ruteplanlegging kan analysere alle alternativene for å velge den optimale løsningen når det gjelder kostnader, gjeldende frister og uventede veihendelser som krever umiddelbar beslutning.

Basert på store datamengder som er gitt til systemet, som informasjon om brennstoffeffektivitet, mulige trafikkulykker eller hindringer, kjøretøystørrelse og andre sjåførenes arbeidsskema, sanntids ruteoptimalisering algoritmer bestemmer den beste ruten for sjåfører. De er skybaserte, så all informasjon er gitt i sanntid og kan nås av dispatchere, sjåfører, ledere og andre ansatte, som f.eks. kundeservice, for å holde kundene informert om den forventede leveringstiden.

Basert på maskinlæring, ruteoptimalisering programvare kan bringe mange fordeler til din forretning, som:

• Forbedret kundeservice: Med mer nøyaktige leveringstids估计, vil kundene være mer fornøyde med din tjeneste og mer sannsynlig å gi deg positiv tilbakemelding. Hvordan, du kan 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 ruteoptimalisering systemer overvåker brennstoffforbruk og foreslår de mest kostnadseffektive ruter. 
• Overvåke sjåførprestasjon: En skybasert system basert på maskinlæring hjelper deg å overvåke dine ansattes arbeid og sikre at de utfører sine oppgaver pålitelig. Du kan også sikre at de følger trafikkreglene og deres arbeidsskema. I tillegg kan det være at ledere har tilgang til denne informasjonen, kan øke ansattes effektivitet og produktivitet.
• Nøkkelindikatorer (KPI) sporings: Med innsikt i nøkkelinformasjon som reisetid, brennstoffkostnader og ansattes produktivitet, kan du bedre overvåke selskapets ytelse og reagere raskere hvis noen elementer trenger forbedring.

Et ekte eksempel der algoritme-basert ruteoptimalisering forbedret inntekten i logistikkbransjen er dette saken fra McKinsey. Deres klient var et asiatisk logistikk-selskap som ba teknologiselskapet om å løse deres problem med å matche flåtens tilbud og ruter til kundens krav.

Hvordan oppnådde de dette?

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

• Type av kjøretøy
• Utbyttingskostnad
• Maksimalt last
• Reisetid

Hva lå bak deres suksess?

Det var både erfaringen og de avanserte maskinlæringsalgoritmene 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 tilbød de en mobilapp som viser sanntidsdata, noe som gjorde arbeidet enklere for både dispatchere og sjåfører.

Som resultat reduerte deres løsning kostnadene med 3,6 % og økte effektiviteten i linjehaul-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 er fortsatt frustrert over at selskaper ikke responderer på deres enkle spørsmål. 

Denne data viser viktigheten av å ha en chatbot for å respondere på kundene umiddelbart for å spare tid og forbedre kundeservice. Virtuelle assistenter bruker naturlig språkbehandling for å snakke med mennesker på en chat, vanligvis rett på selskapets hjemmeside. De er bygget med algoritmer som kan gjenkjenne spørsmålet som stilles og deretter matche svaret til det. Anta at en bruker stiller et uforståelig spørsmål som det ikke finnes noe svar på i databasen. I så fall prøver chatboten å matche ett av “fallback”-svarene eller lære nye mønster fra kunden for å bruke denne informasjonen neste gang et lignende spørsmål stilles. 

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

5 nøkkel fordeler med chatboter

Er du fortsatt usikker på om chatboter er en god løsning for din forretning? Bare se på fem nøkkel fordeler med å implementere dem i en logistikk-selskap.

1. Umiddelbar respons 24/7/365

I logistikk-selskaper er kunde-kontakt viktig. 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, selv når dine ansatte ikke arbeider (i tillegg vil de aldri bli trøtte). 

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

2. Bedre nettstedsnavigasjon

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

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 merkevare-loyalitet blant dine kunder, 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 ham 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 bare trenger å prosessere innholdet på nettstedet for å gi det i en passende form. Deretter skiller du informasjonen om innholdet på siden og data for å skape en logisk flyt av samtalen. I tillegg lærer chatboter stadig, så jo flere spørsmål de mottar, jo mer nøyaktige blir deres svar. 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. Liksom andre AI-løsninger, kan de lettelse dine ansatte fra mange repetitive oppgaver, som innhenting av ordreinformasjon. Hva mer, de kan også umiddelbart utføre leveringsrelaterte kundeforespørsler, som sending av en faktura for en ordre eller informasjon om leveringstatus.

4. Omfattende ansattestøtte

Chatboter kan hjelpe dine ansatte på mange måter, fra papirarbeid til bestilling av ordrer til behandling av betalinger. De kan motta eller fylle ut dokumenter som 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 kundeservice-team: “Ansattene har mye mer tid til å løse komplekse kundespørsmål og forebygge eskalasjoner. Ansattes tilfredshetsrate har også økt enormt.”

5. Sanntids leveringssporing

I logistikk er leveringstid og sanntids informasjon om ordrens status er avgjørende. Chatboter vil sikre at dine kunder 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 ordrens status. Chatboten lar RPLs kunder overvåke pakkes plassering 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 routing og batching-problemer i lagerdrift

En annen oppgave som kunstig intelligens utfyller i logistikk er å utvikle de mest effektive metodene for varernes flyt i både lager og 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 automatisk 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 handlinger som vil være nødvendige.

En av de viktigste målene med maskinlæringsalgoritmer er å hjelpe mennesker med monotone men vanskelige oppgaver. I logistikk- og produksjonsindustrien er en av disse oppgavene picker routing, som maskiner også kan støtte. 

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

​​1. Redusere picker routing-tid

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

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

2. Løsning av batching-problemet

Hos Zalando må alle ordrer tilordnes til en plukkliste. Når listen er fullført, pakkes varene for kunden.

Nvidias utviklere prøvde å skape en løsning som tillot å oppnå summen av reisetidene for alle plukklister så liten som mulig, under antagelse av at en arbeider kan få plass til 10 varer i vognen. De analyserte OCaPi-plukkturer for ti ordrer av to ting for å finne den mest effektive splittelsen av ordrer i plukklister.

Hva teknologier kan redusere disse problemene?

En nøkkelteknologi som brukes i disse prosjektene er OCaPi-algoritmen — en høyt ikke-lineær funksjon som tillot utviklerne å beregne reisetiden, med hensyn til forskjellige plukkposisjoner. Denne løsningen viste dem at reise hovedsakelig avhenger av tiden brukt på å plukke en vare fra bakerste hjørne, 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 i parallell for å finne en svært nøyaktig neuralt nettverksarkitektur. Som resultat kunne deres system tillate selskapet å redusere reisetiden per plukket vare med om lag 11 %.

Slike maskinlæringsbaserte løsninger tillater selskaper å:

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