Hvordan AI omformer logistikk stille og rolig: kutte avfall og øke marginene

Mens finans og helsevesen får overskriftene for å omfavne AI, er noen av de mest lukrative brukssakene på veiene. Logistikk er ryggraden i global handel, og ledere fanger på – i 2024, 90 % av leverandørkjedelederne nevnte teknologiske evner er de viktigste faktorene når du velger fraktpartnere. Årsaken? AI gjør en industri beryktet for ineffektivitet til bedrifters overtak over konkurrentene.

Historisk avhengig av papirbaserte prosesser, har logistikk vært en blind flekk for leverandørkjedeledere. Denne mangelen på synlighet gir næring til bullwhip-effekten: små endringer i detaljhandelsetterspørselen blåses opp når de reiser opp i forsyningskjeden og når råvareleverandører. Sammen med lange ledetider tvinger dette hvert trinn – forhandlere, grossister, distributører og produsenter – til å overbestille, noe som forverrer problemet.

Men la oss forestille oss for et sekund at i stedet for å fylle lastebiler og varehus med halvlederbrikker bare for at PC-etterspørselen skulle avta, hadde logistikk sanntidssporing og forsyningskjedesynlighet. Hva om de kunne forutsi etterspørselssvingninger med 99.9 % nøyaktighet? Og gi fleksible logistikkløsninger som on-demand transport som svar?

Med AI og maskinlæring er dette idealet kanskje ikke så langt som bedriftsledere tror.

Synlighet i forsyningskjeden forklarer det uforklarlige

På spørsmålet «Hvilken av speditørenes teknologiske evner synes du er mest verdifull?», stemte 67 % av de spurte på sporing av forsendelser i sanntid.

Internet of Things (IoT)-enheter revolusjonerer lastsporing, og gir granulær synlighet og sanntidsvarsler om tilstanden til varer – avgjørende for tidssensitive eller temperaturkontrollerte forsendelser som mat og legemidler som har strenge verifikasjonsregler. Ikke bare kan leverandørkjedeledere finne ut hvor mye lager de har og hvor det befinner seg til enhver tid, men de kan også lære om tilstanden. Avsendere kan overvåke og dele informasjon om hvorvidt varer er varme, kalde, våte eller tørre, og de kan se om dører, bokser eller andre beholdere blir åpnet. Denne innsikten forklarer unormalt med matvarer som ankommer omkommet, og minimerer fremtidig avfall.

Ved å gå over til elektronikkindustrien kan selskaper forsikre kunder om at produkter som hovedkort for bærbare datamaskiner er ekte når varer spores og spores. Lager- og lageransvarlige kan skanne strekkoder og QR-koder for å spore lagernivåer, eller bruke RFID-koder (radiofrekvensidentifikasjon) festet til objekter for å spore verdifulle eiendeler uten å måtte skanne dem. Mer avanserte RFID-brikker gir sanntidsvarsler når forhold (som temperatur) avviker fra forhåndsinnstilte terskler.

Synlighet på varenivå har blitt et must for avsendere og deres leverandørkjedepartnere. Logistikkleverandører må raskt tilpasse seg forstyrrelser og kreve endringer, og denne synligheten øker motstandskraften. Denne innsikten lar virksomheter ha et helhetlig syn på inventar og ta informerte beslutninger i sanntid, redusere avfall og forbedre ressursutnyttelsen.

Etterspørselsprognoser og pålitelige ledetider

Nytten av IoT-sensorer strekker seg mye lenger enn bare å spore varer og oppdatere kunder i sanntid. De gir data som driver algoritmer for etterspørselsprognoser.

Ta Coca-Cola, for eksempel. Brus-giganten utnytter IoT til å overvåke og samle data fra sine salgsautomater og kjøleskap, spore sanntidsmålinger for lagernivåer og forbrukerpreferanseanalyse. Dette gjør at Coca-Cola kan komme med informerte spådommer om etterspørselen etter spesifikke produkttyper og smaker.

Speditører bruker i økende grad en lignende metode for å forutsi fraktvolum i spesifikke baner, slik at de kan optimalisere flåtedistribusjon og oppfylle servicenivåavtaler (SLAer). Gode ​​nyheter for bedrifter ettersom de drar fordel av mer pålitelige ledetider, noe som betyr lavere lagerkostnader og færre lagerbeholdninger.

Det er to overordnede måter logistikkselskaper bruker prognoser:

1. Lang rekkevidde (strategisk): For budsjetter og aktivaplanlegging (6-måneders til 3-års planer).
2. Kort rekkevidde (operativ): Mest verdifull for logistikk, forutsi bakketransport opp til 14 dager i forveien, og 1-12 uker for sjøfart.

For eksempel forutsier DPDgroups budfirma, Speedy, etterspørselen ved å kombinere historiske forsendelsesdata (pakkestørrelse, leveringstider, kundeadferd, etc.) med eksterne faktorer som helligdager, detaljhandelstopper (Black Friday), etc. Under det nye systemet tillot AI-drevet etterspørselsprognoser Speedy å raskt identifisere og kansellere unødvendige reiser. Dette førte til en 25 % hub-to-hub kostnadsreduksjon og en økning på 14 % i flåteutnyttelsen. McKinsey fant lignende resultater i supply chain management, med prognoseverktøy redusere feil med 20 til 50 %.

Last-til-kapasitet-tilpasning: Slutt å hale luft

Uber Freight rapporterte i 2023 at mellom 20% og 35% av de estimerte 175 milliarder milene lastebiler kjører i USA hvert år er sannsynligvis tomme – tapper drivstoff og arbeidsbudsjetter. Nå som AI, ML og digital tvillingteknologi er mainstream, bør en lastebil som nettopp leverte i Dallas ikke dra tilbake til Chicago. AI-drevne lasttilpasningsplattformer analyserer fraktbehov, lastebiltilgjengelighet og rutemønstre for å sikre at hver lastebil drar med maksimal effektivitet.

Logistikkselskaper tar den innsamlede fraktinformasjonen som brukes i etterspørselsprognoseverktøy (laststørrelse, vekt, dimensjoner, type – enten den er lett bedervelig, farlig osv.) og kryssanalyserer denne med deres kapasitet. AI-drevet analyse kan gjennomgå lastebilstørrelsen, funksjonene, plasseringen og tilgjengeligheten, sammen med sjåførens driftstimer, for å koble avsendere og transportører i sanntid. Digital tvillingteknologi kan potensielt ta dette et skritt videre, og simulere virtuelle scenarier for å sikre optimal match.

La oss si at en avsender legger inn informasjon om sin kommende last i en digital plattform. Systemet analyserer tilgjengelig transportkapasitet og matcher lasten med det mest passende alternativet, med tanke på optimaliseringsfaktorene nevnt tidligere. Transaksjonen behandles, og forsendelsen spores gjennom hele reisen.

Ved å spore eiendeler, forutsi etterspørsel og matche belastninger, sparer logistikkbedrifter enorme beløp. De minimerer tomme mil, maksimerer kjøretøyutnyttelsen og eliminerer karbonavtrykk – og forbedrer til syvende og sist kundeforhold med mer pålitelige leveranser.

Fordelene strekker seg utover logistikk. Dette nivået av forsyningskjedesynlighet lar forhandlere og produsenter optimalisere produksjonsplaner og redusere lagerkostnader. De kan planlegge forsendelser mer effektivt, minimere forsinkelser og lagringsavgifter, og redusere transportutgifter ved å sikre optimal lastebilutnyttelse og minimalt med sløsing med kapasitet.

Enhver bransje som arbeider med ressursallokering – flyselskaper, produksjon, til og med cloud computing – kan lære av hvordan logistikk-AI effektiviserer driften.