3 måter maskinlæring transformerer logistikkbransjen

Logistikk-selskaper 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 estimeres 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 bedrift, se på noen spennende brukstilfeller og bestem deg om dette er løsningen for deg.

1. AI-basert ruteplanlegging programvare

​​Velg den optimale ruten, planlegg pauser for sjåfører, og unngå de mest overfyrtede 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 billioner. Og dette er der maskinlæring kommer til unnsetning. ML-basert ruteplanlegging programvare kan analysere alle alternativene for å velge den optimale løsningen når det gjelder kostnader, anvendelige frister og uventede veihendelser som krever umiddelbare avgjørelser.

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

Basert på maskinlæring, ruteoptimaliserings programvare kan bringe mange fordeler til din bedrift, som:

• Forbedret kundeopplevelse: Med mer nøyaktige leveringstids估计, vil kundene være mer tilfreds med din tjeneste og mer sannsynlig å gi deg positiv tilbakemelding. Hva mer, du kan også introdusere varslinger om en kommende levering via e-post eller SMS. 
• Kostnadsbesparelser: En av de viktigste fordelene med maskinlæring er vanligvis besparelser i tid og penger. Dette er sant her, da ruteoptimaliserings systemer overvåker drivstoffforbruk og foreslår de mest kostnadseffektive ruter. 
• Overvåke sjåførprestasjon: En sky-basert 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 veireglene og deres arbeidsskema. I tillegg kan det øke ansattes effektivitet og produktivitet.
• KPI-sporing: Med innsikt i nøkkelinformasjon som reisetid, drivstoffkostnader og ansattes produktivitet, kan du bedre overvåke bedriftens ytelse og reagere raskere hvis noe element trenger forbedring.

Et ekte eksempel der algoritme-basert ruteoptimalisering forbedret inntekten i logistikkbransjen er dette saken fra McKinsey. Deres kunde var et asiatisk logistikk-selskap som ba teknologiselskapet 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 eventuelle problemer som kunne forbedres. 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.

• 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 til å bygge visuelle veiledninger i daglige kart over ruter. I tillegg ga 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 fortjeneste.

2. Chatboter i logistikk

Visste du at så mange som 97% av menneskene sier at dårlig kundeservice har en innvirkning på deres kjøpsintensjoner? Men en annen kilde sier 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 som responderer på kundene umiddelbart for å spare tid og forbedre kundeopplevelsen. Virtuelle assistenter bruker naturlig språkbehandling til 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 deres produkter eller tjenester. Den kan bruke sin database eller hente 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 bedrift? Bare se på fem nøkkel fordeler med å implementere dem i en logistikk-selskap.

1. Umiddelbare svar 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 tillater kundene å få umiddelbar informasjon om leveringstatus, pris, forventet leveringstid for en pakke og mer.

Hvorfor er det viktig?

I dag 77% av menneskene forventer å få umiddelbare svar fra den online-chatten til enhver tid på døgnet. Chatboter kan arbeide alltid, selv når dine ansatte ikke arbeider (i tillegg vil de aldri være trøtte). 

Å implementere en chatbot som alltid er tilgjengelig, forbedrer betraktelig brukeropplevelsen. For eksempel, med chatboten Helmi, som er 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 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 kundeopplevelse. Så hvis du bryr deg om å bygge tilfredshet og merkevarelojalitet 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 trenger bare 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 i 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 å sende en faktura for en ordre eller informere om leveringstatus.

4. Omfattende ansattestøtte

Chatboter kan hjelpe dine ansatte på mange måter, fra papirarbeid til å plassere ordrer til å prosessere 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 ordne komplekse kundespørsmål og forhindre eskalasjoner. Ansatttilfredshetsratene 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 et svar. Et ekte eksempel på denne løsningen er saken fra RoboRobo. De skapte en bot for RPL som informerer kundene om ordrens status. Chatboten tillater RPLs kunder å 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 routing og batching-problemer i lagerdrift

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

AI-basert lagerstyringssystemer kan registrere alle aktiviteter og prosesser 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 programvare 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 skapt av Nvidia for Zalando, en e-handels-gigant, som har tusenvis av nye ordrer hver time. Deres AI-basert løsning tillot å løse to problemer.

​​1. Redusere picker routing-tid

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

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

2. Løsning av batching-problemet

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

Nvidias utviklere prøvde å skape en løsning som tillot å oppnå summen av reisetidene for alle pick-lister så små som mulig, under forutsetning av at en arbeider kan få plass til 10 varer i vognen. De analyserte OCaPi pick-turer for ti ordrer av to ting for å finne den mest effektive splittningen av ordrer i pick-lister.

Hvilke 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 ulike plukk-posisjoner. Denne løsningen viste dem at reise hovedsakelig avhenger av tiden brukt på å plukke en vare fra bakre hjørne, plassert langt fra alle andre produkter. 

For å gjøre OCaPi reisetids-estimering enda raskere, brukte de Caffe neural network-rammeverk og NVIDIAs cuDNN konvolusjonsneural network-bibliotek. Det tillot dem å trene fire modeller i parallell for å finne en meget nøyaktig neural network-arkitektur. Som resultat tillot deres system selskapet å redusere reisetiden per plukket vare med omkring 11%.

Slike maskinlæringsbaserte løsninger tillater selskaper å:

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