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 od 1,3 do 2 bilionów 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, przyjrzyj się kilku interesującym przypadkom użycia i zdecyduj, czy to jest rozwiązanie dla Ciebie.

1. Oprogramowanie do planowania tras opartego na AI

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

Według Goldman Sachs, gdy mówimy o dostarczeniu zaledwie 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 dostarczonych do systemu, takich jak informacje o wydajności paliwa, możliwych wypadkach lub przeszkodach, rozmiarze pojazdu i innych grafikach pracy kierowców, algorytmy optymalizacji tras w czasie rzeczywistym determinują najlepszą trasę dla kierowców. Są one oparte na chmurze, więc wszystkie informacje są dostarczane 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 pośrednictwem e-maila lub SMS-a.
• Oszczędności kosztów: Jednym z kluczowych korzyści machine learning jest zwykle oszczędność czasu i pieniędzy. To jest 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 wiernie. Możesz również upewnić się, że przestrzegają przepisów drogowych i swojego 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 jakiekolwiek problemy do poprawy. Analizowali kluczowe informacje, takie jak lokalizacje klientów, lokalizacje hubów 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 stało za ich sukcesem?

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 pokazującą dane w czasie rzeczywistym, co ułatwiało 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 zła obsługa klienta ma wpływ na ich intencje zakupowe? Jednak inny zasób mówi, że 36% klientów wciąż jest sfrustrowanych brakiem odpowiedzi firm na ich proste pytania.

Te dane pokazują, jak ważne jest posiadanie czatbota, który może odpowiedzieć 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 pewien, czy czatboty są dobrym rozwiązaniem dla Twojego biznesu? Po prostu przyjrzyj się pięciu kluczowym korzyściom 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 (ponadto, 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 w nawigacji na stronie i szybkim znalezieniu interesujących ich informacji. Pomagają Ci w tworzeniu pozytywnego wizerunku marki i personalizowanego doświadczenia klienta. Jeśli dbasz o budowanie satysfakcji i lojalności marki 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 zadasz mu pytanie, otrzymasz 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 jedynie 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 są w ciągłym procesie uczenia, więc im więcej pytań otrzymują, tym bardziej dokładne będą ich odpowiedzi. Często ten typ 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 żądania dostawy. Jak inne rozwiązania AI, mogą odciążyć Twoich pracowników od wielu powtarzalnych zadań, takich jak zbieranie informacji o zamówieniu. Co więcej, mogą również natychmiast wykonywać żądania klientów związane z dostawą, takie jak wysłanie faktury za zamówienie lub poinformowanie o statusie dostawy.

4. Kompleksowe wsparcie pracowników

Czatboty mogą pomóc Twoim pracownikom w wielu sposób, od dokumentacji po składanie zamówień i przetwarzanie płatności. Mogą otrzymywać lub wypełniać dokumenty, takie jak faktury lub wnioski o płatność, i wiele więcej. 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 zapewnią, że Twoi klienci nie będą musieli 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 trasą i pakowaniem 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, w jaki sposób używany sprzęt (roboty i zarówno automatyczne, jak i półautomatyczne systemy) będzie obsługiwał ładunki. Szczególnie przydatne tutaj mogą być głębokie uczenie się, analiza predykcyjna, komputerowe widzenie i rozpoznawanie produktów, które mogą pomóc w rozpoznawaniu obiektów w magazynie i dokonywaniu 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 przemysłowej jednym z tych 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). Biorąc pod uwagę, że pracownik musi pobrać produkty znajdujące się w różnych częściach magazynu, system sugeruje najkrótszą możliwą trasę przez magazyn, która pozwala pobrać wszystkie potrzebne produkty.

Deweloperzy Nvidia 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 pakowania

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

Deweloperzy Nvidia próbowali stworzyć rozwiązanie, które pozwoli na uzyskanie sumy czasów podróży dla wszystkich list pobierania tak małych, jak to możliwe, zakładając, że pracownik może pomieścić 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 — bardzo nieliniowa funkcja, która pozwoliła deweloperom obliczyć czas podróży, biorąc pod uwagę różne pozycje pobierania. To rozwiązanie pokazało im, że podróż przede wszystkim zależy od czasu spędzonego na pobraniu przedmiotu z tylnego rogu, umieszczonego z dala od wszystkich innych produktów.

Aby uczynić estymację czasu podróży OCaPi jeszcze szybszą, wykorzystali framework sieci neuronowej Caffe i bibliotekę sieci neuronowych cuDNN firmy 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 konsumentów
• 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.