3 Sposoby, w Jakie Machine Learning Przekształca Branżę Logistyczną

Firmy logistyczne wykorzystują sztuczną inteligencję i machine learning, aby zapewnić najlepsze wyniki i utrzymać produktywność na najwyższym poziomie, podejmować lepsze decyzje biznesowe, oraz dotrzymywać kroku konkurencji. Znaczenie AI w tej branży jest ogromne. Szacuje się, że w ciągu najbliższych 20 lat firmy uzyskają między 1,3 biliona a 2 biliony dolarów rocznie wartości ekonomicznej dzięki tej zaawansowanej technologii w produkcji i globalnych łańcuchach dostaw.

Jeśli nadal zastanawiasz się, jak AI i machine learning mogą pomóc Twojemu biznesowi, spójrz na kilka interesujących przypadków użycia i zdecyduj, czy to jest rozwiązanie dla Ciebie.

1. Oprogramowanie do planowania tras oparte na AI

​​Wybór optymalnej trasy, planowanie przerw dla kierowców i unikanie najbardziej zatłoczonych i niebezpiecznych dróg to tylko niektóre z wielu wyzwań, które są częścią codziennej pracy w branży logistycznej.

Według Goldman Sachs, gdy mówimy o dostarczeniu tylko 25 paczek, możliwe trasy sięgają około 15 trylionów trylionów. I to jest miejsce, w którym machine learning przychodzi z odsieczą. Oprogramowanie do planowania tras oparte na ML może analizować wszystkie opcje, aby wybrać optymalne rozwiązanie pod względem kosztów, terminów i nieoczekiwanych zdarzeń drogowych wymagających natychmiastowych decyzji.

Na podstawie dużych zbiorów danych udostępnionych systemowi, takich jak informacje o wydajności paliwa, możliwych wypadkach lub przeszkodach, rozmiarze pojazdu i innych grafikach pracy kierowców, algorytmy optymalizacji tras w czasie rzeczywistym określają najlepszą trasę dla kierowców. Są one oparte na chmurze, więc wszystkie informacje są dostępne w czasie rzeczywistym i mogą być dostępne dla dyspozytorów, kierowców, menedżerów i innych pracowników, takich jak menedżerowie kont, aby utrzymać klientów informowanych o oczekiwanym czasie dostawy.

Na podstawie machine learning, oprogramowanie do optymalizacji tras może przynieść wiele korzyści Twojemu biznesowi, takich jak:

• Poprawiona doświadczenie klienta: Z bardziej dokładnymi szacunkami czasu dostawy, klienci będą bardziej zadowoleni z Twojej usługi i bardziej prawdopodobnie dadzą Ci pozytywną opinię. Co więcej, możesz również wprowadzić powiadomienia o nadchodzącej dostawie za pomocą e-maila lub SMS.
• Oszczędności kosztów: Jednym z kluczowych korzyści machine learning jest zwykle oszczędność czasu i pieniędzy. Jest to prawda tutaj, ponieważ systemy optymalizacji tras monitorują zużycie paliwa i sugerują najbardziej ekonomiczne trasy.
• Monitorowanie wydajności kierowców: Chmurowy system oparty na machine learning pomaga Ci nadzorować pracę Twoich pracowników i upewnić się, że wykonują swoje obowiązki wiarygodnie. Możesz również upewnić się, że przestrzegają zasad ruchu drogowego i ich harmonogramu pracy. Co więcej, świadomość, że menedżerowie mają dostęp do tych informacji, może zwiększyć wydajność i produktywność pracowników.
• Śledzenie KPI: Z wglądem w kluczowe informacje, takie jak czas podróży, koszty paliwa i produktywność pracowników, możesz lepiej monitorować wyniki Twojej firmy i szybciej reagować, jeśli którykolwiek element wymaga poprawy.

Jeden przykład z życia wzięty, w którym algorytmiczna optymalizacja tras poprawiła przychody w branży logistycznej, to ten przypadek z McKinsey. Ich klientem była azjatycka firma logistyczna, która poprosiła firmę technologiczną o rozwiązanie problemu dopasowania podaży floty i tras do wymagań klientów.

Jak to osiągnęli?

Po pierwsze, zespół McKinsey zbierał wszystkie niezbędne dane o ich procesach, aby znaleźć wszelkie problemy do poprawy. Analizowali kluczowe informacje, takie jak lokalizacje klientów, lokalizacje centrów dystrybucyjnych i zasoby floty. Ta informacja pozwoliła im na stworzenie modelu optymalizacji tras, który generuje niestandardowe harmonogramy dla wszystkich pojazdów. Z tym rozwiązaniem byli w stanie poprawić zarządzanie w wielu obszarach, biorąc pod uwagę takie czynniki, jak:

• Typ pojazdu
• Koszt wykorzystania
• Maksymalne wyładunki
• Czas podróży

Co za tym stało?

Było to zarówno doświadczenie, jak i najnowocześniejsze algorytmy Machine Learning, które wykorzystali do stworzenia tego rozwiązania. Na przykład, wykorzystali model algorytmu optymalizacji sieci (NOAH), aby stworzyć wizualne przewodniki w codziennych mapach tras. Dodatkowo, dostarczyli aplikację mobilną wyświetlającą dane w czasie rzeczywistym, co ułatwiło pracę zarówno dyspozytorom, jak i kierowcom.

W efekcie, ich rozwiązanie zmniejszyło koszty o 3,6% i zwiększyło wydajność sieci linii, co doprowadziło do 16% wzrostu zysku.

2. Czatboty w logistyce

Czy wiesz, że aż 97% ludzi mówi, że złe obsługiwanie klienta ma wpływ na ich zamiary zakupowe? Jednak inny zasób mówi, że 36% klientów wciąż jest sfrustrowanych brakiem reakcji firm na ich proste pytania.

Ten danych pokazuje wagę posiadania czatbota, który odpowiada klientom natychmiast, aby zaoszczędzić czas i poprawić doświadczenie klienta. Wirtualni asystenci wykorzystują przetwarzanie języka naturalnego, aby rozmawiać z ludźmi na czacie, zwykle bezpośrednio na stronie internetowej firmy. Są one zbudowane z algorytmami, które mogą rozpoznać pytanie zadane i następnie dopasować odpowiedź do niego. Gdy użytkownik zadaje niezrozumiałe pytanie, dla którego nie ma odpowiedzi w bazie danych, czatbot próbuje dopasować jedną z “fallback” odpowiedzi lub nauczyć się nowych wzorców od klienta, aby wykorzystać tę informację w przyszłości, gdy podobne pytanie zostanie zadane.

Czatbot ma określoną ilość wiedzy o firmie i jej produktach lub usługach. Może wykorzystywać swoje bazy danych lub pobierać informacje z zewnętrznych źródeł. Wirtualny doradca odpowiada na pytania i prowadzi rozmowę, kierując ją na tematy związane z działalnością firmy lub sugerując wizytę na powiązanej stronie.

5 Kluczowych Korzyści z Czatbotów

Nadal nie jesteś przekonany, że czatboty są dobrym rozwiązaniem dla Twojego biznesu? Po prostu spójrz na pięć kluczowych korzyści z wdrożenia ich w firmie logistycznej.

1. Natychmiastowe Odpowiedzi 24/7/365

W firmach logistycznych, kontakt z klientem jest kluczowy. Na przykład, DHL oferuje trzy różne formularze kontaktowe:

• E-mail do obsługi klienta
• Kontakt telefoniczny
• Czatbot 24/7

Czatbot pozwala klientom uzyskać natychmiastowe informacje o statusie wysyłki, cennikach, oczekiwanym czasie dostawy paczki i więcej.

Dlaczego jest to ważne?

Dziś, 77% ludzi oczekuje natychmiastowych odpowiedzi z czatu online o każdej porze dnia i nocy. Czatboty mogą pracować cały czas, nawet gdy Twoi pracownicy nie pracują (plus, nigdy nie będą zmęczeni).

Wdrożenie czatbota, który jest zawsze dostępny, znacznie poprawia doświadczenie użytkownika. Na przykład, z czatbotem Helmi stworzonym przez GetJenny, Fundacja ds. Zakwaterowania Studentów w Regionie Helsinek zanotowała wzrost ogólnego wskaźnika satysfakcji z obsługi klienta z 4,11 do 4,26.

2. Lepsza Nawigacja na Stronie

Czy wiesz, że 34% klientów jest sfrustrowanych trudną nawigacją na stronie?

Czatboty mogą rozwiązać ten problem, pomagając odwiedzającym znaleźć informacje, które ich interesują. Pomagają Ci tworzyć pozytywny wizerunek marki i personalizowane doświadczenie klienta. Jeśli dbasz o budowanie satysfakcji i lojalności wśród klientów, czatbot może być doskonałym pierwszym krokiem.

Interesującym przykładem czatbota, który pomaga znaleźć wszystkie informacje o produkcie, jest czatbot Alex, dostępny na stronie Intellexer Summarizer. Gdy zadajesz mu pytanie, otrzymujesz wiadomość z linkiem do strony, na której możesz znaleźć interesujące Cię informacje.

Źródło: https://summarizer.intellexer.com/

Aby stworzyć taki bot, nie musisz dostarczyć i wyodrębnić dużej ilości danych. Musisz tylko przetworzyć zawartość strony, aby ją udostępnić w odpowiedniej formie. Następnie oddzielisz informacje o zawartości strony i danych, aby utworzyć logiczny przepływ rozmowy. Co więcej, czatboty ciągle uczą się, więc im więcej pytań otrzymują, tym bardziej dokładne są ich odpowiedzi. Często ten rodzaj czatbota jest pierwszym rozwiązaniem AI, na które decydują się firmy.

3. Pomoc w Dostawie

Wirtualni asystenci mogą być pierwszym kontaktem z klientami i otrzymywać od nich wnioski o dostawę. Jak inne rozwiązania AI, mogą odciążyć Twoich pracowników od wielu powtarzalnych zadań, takich jak zbieranie informacji o zamówieniu. Co więcej, mogą również natychmiast realizować wnioski klientów związane z dostawą, takie jak wysłanie faktury za zamówienie lub poinformowanie o statusie dostawy.

4. Kompleksowe Wsparcie Pracowników

Czatboty mogą pomóc Twoim pracownikom na wiele sposobów, od dokumentów do składania zamówień i przetwarzania płatności. Mogą otrzymywać lub wypełniać dokumenty, takie jak faktury lub wnioski o płatność, i wiele innych. A gdy maszyny potrzebują pomocy ludzkiej, wysyłają wiadomość do pracowników, aby podjęli odpowiednie następne kroki.

Według Bas Vogels, nadzorcy i trenera zespołu obsługi klienta DHL: “Pracownicy mają znacznie więcej czasu, aby rozwiązać skomplikowane pytania klientów i zapobiec eskalacjom. Wskaźnik satysfakcji pracowników również znacznie wzrósł”.

5. Śledzenie Przesyłek w Czasie Rzeczywistym

W logistyce, czas dostawy i informacje w czasie rzeczywistym o statusie zamówienia są kluczowe. Czatboty upewnią się, że Twoi klienci nie muszą czekać na odpowiedź. Przykładem takiego rozwiązania jest przypadek z RoboRobo. Stworzyli bota dla RPL, który informuje klientów o statusie ich zamówienia. Czatbot pozwala klientom RPL śledzić lokalizację swojej paczki i dowiedzieć się, kiedy zostanie dostarczona.

Czatboty mogą być wykorzystywane w wielu miejscach, nie tylko na stronie internetowej. Coraz więcej firm decyduje się na czatboty dostępne na Facebooku, Skype, WhatsApp i innych kanałach.

3. Rozwiązywanie Problemów z Trasami i Batchingiem w Operacjach Magazynowych

Innym zadaniem, które sztuczna inteligencja wypełnia w logistyce, jest rozwinięcie najbardziej efektywnych metod dla przepływu towarów zarówno w magazynie, jak i w fazie dystrybucji.

Systemy zarządzania magazynem oparte na AI mogą rejestrować wszystkie działania i procesy zachodzące w magazynie. Oprogramowanie analizuje dane historyczne zebrane i wykorzystuje je do planowania, jak urządzenia wykorzystywane (roboty i zarówno automatyczne, jak i półautomatyczne systemy) będą obsługiwać ładunki. Szczególnie pomocne tutaj mogą być głębokie uczenie się, analiza predykcyjna, wizja komputerowa i oprogramowanie do rozpoznawania produktów, które mogą pomóc w rozpoznawaniu obiektów w magazynie i tworzeniu rozszerzonej prognozy działań, które będą potrzebne.

Jednym z głównych celów algorytmów machine learning jest pomoc ludziom w monotonnych, ale trudnych zadaniach. W branży logistycznej i produkcji jednym z takich zadań jest trasowanie, które maszyny również mogą wspierać.

Interesującym przykładem jest rozwiązanie stworzone przez Nvidia dla Zalando, giganta e-commerce, który ma tysiące nowych zamówień każdej godziny. Ich rozwiązanie oparte na AI pozwoliło rozwiązać dwa problemy.

​​1. Zmniejszenie Czasu Trasowania

Przygotowali rozwiązanie, które pozwala na kontrolę magazynu z układem “drabiny” (co oznacza, że wszystkie produkty są przechowywane na półkach umieszczonych w kilku rzędach z alejkami). Ponieważ pracownik musi pobrać produkty zlokalizowane w różnych częściach magazynu, system sugeruje najkrótszą możliwą trasę przez magazyn, aby pobrać wszystkie potrzebne produkty.

Nvidia’s developers stworzyli algorytm OCaPi (Optimal Cart Pick), który znajduje optymalną trasę dla pracownika i nawet dla ruchu wózka pracownika. Pozwoliło to pracownikom Zalando zrezygnować z heurystyki trasowania w kształcie litery S i zaplanować bardziej optymalną trasę.

2. Rozwiązywanie Problemu Batchingu

W Zalando wszystkie zamówienia muszą być przypisane do listy pobierania. Gdy lista jest kompletna, produkty są pakowane dla klienta.

Nvidia’s developers próbowali stworzyć rozwiązanie, które pozwoli na uzyskanie sumy czasów podróży dla wszystkich list pobierania tak małych, jak to możliwe, zakładając, że pracownik może zmieścić tylko 10 przedmiotów w wózku. Analizowali trasy OCaPi dla dziesięciu zamówień dwóch rzeczy, aby znaleźć najbardziej efektywne podziały zamówień na listy pobierania.

Jakie Technologie Mogą Zmniejszyć Te Problemy?

Kluczową technologią wykorzystywaną w tych projektach jest algorytm OCaPi — wysoko nieliniowa funkcja, która pozwoliła developerom obliczyć czas podróży, biorąc pod uwagę różne pozycje pobierania. To rozwiązanie pokazało im, że podróż głównie zależy od czasu spędzonego na pobraniu przedmiotu z tylnego rogu, umieszczonego z dala od wszystkich innych produktów.

Aby uczynić szacowanie czasu podróży OCaPi jeszcze szybszym, wykorzystali framework sieci neuronowej Caffe i bibliotekę cuDNN sieci neuronowych NVIDIA. Pozwoliło im to na przeszkolenie czterech modeli równolegle, aby znaleźć bardzo dokładną architekturę sieci neuronowej. W efekcie, ich system pozwolił firmie na zmniejszenie czasu podróży na przedmiot o około 11%.

Takie rozwiązania oparte na machine learning pozwalają firmom na:

• Zwiększenie produktywności
• Przyspieszenie czasu pobierania zamówień, co skutkuje zwiększeniem satysfakcji klienta
• Zwiększenie satysfakcji pracowników, których praca jest wspierana przez inteligentne rozwiązania
• Poprawienie codziennego przepływu pracy
• Wyeliminowanie błędów ludzkich, ponieważ obliczanie trasy jest szybsze i bardziej dokładne niż gdyby to robił człowiek.