3 способа, которыми машинное обучение преобразует логистическую индустрию

Логистические компании используют искусственный интеллект и машинное обучение, чтобы обеспечить лучшие результаты и поддерживать производительность на самом высоком уровне, принимать лучшие бизнес-решения и следить за конкурентами. Важность ИИ в этой отрасли огромна. Оценивается, что в течение следующих 20 лет компании получат от 1,3 триллиона до 2 триллионов долларов в год экономической выгоды благодаря этой передовой технологии в производстве и глобальных цепочках поставок.

Если вы все еще задаетесь вопросом, как ИИ и машинное обучение могут помочь вашему бизнесу, взгляните на некоторые интересные случаи использования и решите, является ли это решением для вас.

1. Программное обеспечение для планирования маршрутов на основе ИИ

Выбор оптимального маршрута, планирование перерывов для водителей и избежание наиболее загруженных и опасных путей – это только некоторые из многих задач, которые являются частью ежедневной работы в логистической индустрии.

Согласно Goldman Sachs, когда мы говорим о доставке всего 25 пакетов, возможные маршруты достигают около 15 триллионов триллионов. И именно здесь машинное обучение приходит на помощь. Программное обеспечение для планирования маршрутов на основе МО может проанализировать все варианты и выбрать оптимальное решение в плане затрат, сроков и неожиданных событий на дороге, требующих немедленных решений.

На основе больших наборов данных, предоставленных системе, таких как информация о топливной эффективности, возможных авариях или препятствиях, размере транспортного средства и графике работы водителей, алгоритмы реального времени оптимизации маршрута определяют лучший маршрут для водителей. Они являются облачными, поэтому вся информация предоставляется в реальном времени и может быть доступна диспетчерам, водителям, менеджерам и другим сотрудникам, таким как менеджеры по работе с клиентами, чтобы держать клиентов в курсе ожидаемого времени доставки.

На основе машинного обучения программное обеспечение для оптимизации маршрутов может принести многочисленные выгоды вашему бизнесу, такие как:

• Улучшенный опыт клиента: С более точными оценками времени доставки клиенты будут более удовлетворены вашей службой и более вероятно дадут вам положительную обратную связь. Что еще более важно, вы также можете ввести уведомления о предстоящей доставке по электронной почте или SMS.
• Экономия средств: Одним из ключевых преимуществ машинного обучения обычно является экономия времени и денег. Это верно и здесь, поскольку системы оптимизации маршрутов контролируют потребление топлива и предлагают наиболее экономически эффективные маршруты.
• Мониторинг производительности водителей: Облачная система на основе машинного обучения помогает вам контролировать работу ваших сотрудников и убедиться, что они выполняют свои обязанности надежно. Вы также можете убедиться, что они следуют правилам дорожного движения и графику работы. Более того, осознание того, что менеджеры имеют доступ к этой информации, может повысить эффективность и производительность сотрудников.
• Отслеживание KPI: С информацией о таких ключевых показателях, как время в пути, стоимость топлива и производительность сотрудников, вы можете лучше контролировать производительность вашей компании и быстрее реагировать, если какой-либо элемент требует улучшения.

Один из реальных примеров, где алгоритмическая оптимизация маршрутов улучшила доход в логистической индустрии, – это этот кейс-стади от McKinsey. Их клиентом была азиатская логистическая компания, которая попросила технологическую компанию решить их проблему с сопоставлением предложения флота и маршрутов с требованиями клиентов.

Как они достигли этого?

Сначала команда McKinsey собрала все необходимые данные о их процессах, чтобы найти любые проблемы, которые можно улучшить. Они проанализировали важную информацию, такую как местонахождение клиентов, местонахождение хабов и ресурсы флота. Эта информация позволила им создать модель оптимизации маршрутов, которая генерирует индивидуальные графики для всех транспортных средств. С этим решением они смогли улучшить управление во многих областях, учитывая такие факторы, как:

• Тип транспортного средства
• Стоимость использования
• Максимальная загрузка
• Время в пути

Что стояло за их успехом?

Это было как их опыт, так и передовые алгоритмы машинного обучения, которые они использовали для создания этого решения. Например, они использовали модель алгоритма оптимизации сетей (NOAH), чтобы создать визуальные руководства в ежедневных картах маршрутов. Кроме того, они предоставили мобильное приложение, показывающее данные в реальном времени, что делает работу как для диспетчеров, так и для водителей проще.

В результате их решение уменьшило затраты на 3,6% и повысило эффективность линейной сети, что привело к увеличению прибыли на 16%.

2. Чат-боты в логистике

Знаете ли вы, что столько же, как 97% людей говорят, что плохой сервис имеет влияние на их намерения покупать? Однако другой ресурс говорит, что 36% клиентов все еще разочарованы неспособностью компаний реагировать на их простые вопросы.

Эти данные показывают важность наличия чат-бота, чтобы немедленно реагировать на клиентов и экономить время, а также улучшать опыт клиента. Виртуальные помощники используют обработку естественного языка, чтобы разговаривать с людьми в чате, обычно прямо на домашней странице компании. Они построены с алгоритмами, которые могут распознавать вопрос и затем соответствовать ответу. Если пользователь задает непонятный вопрос, для которого нет ответа в базе данных, чат-бот пытается соответствовать одному из “резервных” ответов или изучать новые закономерности у клиента, чтобы использовать эту информацию в следующий раз, когда будет задан аналогичный вопрос.

Чат-бот имеет определенный объем знаний о компании и ее продуктах или услугах. Он может использовать свою базу данных или извлекать информацию из внешних источников. Виртуальный советник отвечает на вопросы и ведет разговор сам, направляя разговор на темы, связанные с деятельностью компании или предлагая посетить связанную страницу.

5 ключевых преимуществ чат-ботов

Все еще не уверены, что чат-боты являются хорошим решением для вашего бизнеса? Просто взгляните на пять ключевых преимуществ их реализации в логистической компании.

1. Немедленные ответы 24/7/365

В логистических компаниях контакт с клиентом имеет решающее значение. Например, DHL предлагает три разных формы контакта:

• Электронная почта в службу поддержки
• Телефонный контакт
• Чат-бот 24/7

Чат-бот позволяет клиентам получить мгновенную информацию о статусе доставки, ценах, ожидаемом времени доставки посылки и многое другое.

Почему это важно?

Сегодня 77% людей ожидают получить немедленные ответы из онлайн-чата в любое время суток. Чат-боты могут работать все время, даже когда ваши сотрудники не работают (плюс, они никогда не будут уставать).

Реализация чат-бота, который всегда доступен, значительно улучшает опыт пользователя. Например, с помощью чат-бота Helmi, созданного GetJenny, Фонд студенческого жилья в регионе Хельсинки отметил увеличение общего балла удовлетворенности клиентов с 4,11 до 4,26.

2. Лучшая навигация по сайту

Знаете ли вы, что 34% клиентов разочарованы трудной навигацией по сайту?

Чат-боты могут решить эту проблему, помогая посетителям ориентироваться на сайте и быстро находить интересующую их информацию. Они помогают создать положительный имидж бренда и персонализированный опыт клиента. Итак, если вы заботитесь о построении удовлетворенности и лояльности бренда среди ваших клиентов, чат-бот может быть отличным первым шагом.

Интересный пример чат-бота, который помогает найти всю информацию о продукте, – это чат-бот Алекс, доступный на сайте Intellexer Summarizer. Когда вы задаете ему вопрос, вы получите сообщение с ссылкой на страницу, где можно найти интересующую информацию.

Источник: https://summarizer.intellexer.com/

Чтобы создать такого бота, вам не нужно предоставлять и извлекать много данных. Вам просто нужно обработать содержание сайта, чтобы предоставить его в подходящей форме. Затем вы отделяете информацию о содержании страницы и данные, чтобы создать логический поток разговора. Кроме того, чат-боты постоянно учатся, поэтому чем больше вопросов они получают, тем более точными будут их ответы. Часто этот тип чат-бота является первым решением ИИ, которое выбирают компании.

3. Помощь в доставке

Виртуальные помощники могут быть первым контактом с клиентами и получать запросы на доставку от них. Как и другие решения ИИ, они могут облегчить вашим сотрудникам многие повторяющиеся задачи, такие как сбор информации о заказе. Что еще более важно, они также могут мгновенно выполнить запросы клиентов, связанные с доставкой, такие как отправка счета за заказ или информирование о статусе доставки.

4. Комплексная поддержка сотрудников

Чат-боты могут помочь вашим сотрудникам во многих отношениях, от документов до заказов и обработки платежей. Они могут получать или заполнять документы, такие как счета или запросы на оплату, и многое другое. И когда машинам нужна человеческая помощь, они отправляют сообщение человеческим работникам, чтобы сделать правильный следующий шаг.

Согласно Bas Vogels, руководителю и тренеру команды службы поддержки клиентов DHL: “Сотрудники имеют гораздо больше времени, чтобы разобраться с сложными вопросами клиентов и предотвратить эскалации. Уровень удовлетворенности сотрудников также увеличился enormно.”

5. Отслеживание отправлений в реальном времени

В логистике время доставки и информация в реальном времени о статусе заказа имеют решающее значение. Чат-боты будут следить за тем, чтобы ваши клиенты не должны были ждать ответа. Реальный пример такого решения – кейс-стади от RoboRobo. Они создали бота для RPL, который информирует клиентов о статусе их заказа. Чат-бот позволяет клиентам RPL отслеживать местонахождение своей посылки и узнать, когда она будет доставлена.

Чат-боты могут использоваться во многих местах, не только на сайте. Все больше компаний выбирают чат-боты, доступные на Facebook, Skype, WhatsApp и других каналах.

3. Решение проблем маршрутизации и пакетирования в операциях склада

Другой задачей, которую искусственный интеллект выполняет в логистике, является разработка наиболее эффективных методов для потока товаров как на складе, так и на этапе распределения.

Системы управления складом на основе ИИ могут записывать все hoạtности и процессы, происходящие на складе. Программное обеспечение анализирует исторические данные, собранные и использует их для планирования того, как оборудование, используемое (роботы и как автоматические, так и полуавтоматические системы), будет обрабатывать грузы. Особенно полезным здесь может быть глубокое обучение, предсказательный анализ, компьютерное зрение и программное обеспечение для распознавания продукции, которое может помочь распознавать объекты на складе и делать расширенное прогнозирование того, какие действия будут необходимы.

Одной из основных целей алгоритмов машинного обучения является помощь людям в монотонных, но трудных задачах. В логистической и производственной отраслях одной из таких задач является маршрутизация, которую машины также могут поддержать.

Интересный пример этого – решение, созданное Nvidia для Zalando, гиганта электронной коммерции, который имеет тысячи новых заказов каждый час. Их решение на основе ИИ позволило решить две проблемы.

1. Сокращение времени маршрутизации

Они подготовили решение, позволяющее контролировать склад с помощью “лестницы-веревки” (что означает, что все продукты хранятся на полках, расположенных в нескольких рядах с проходами). Учитывая, что работнику нужно получить продукты, расположенные в разных частях склада, система предлагает самый короткий возможный маршрут по складу, который позволяет получить все необходимые предметы.

Разработчики Nvidia создали алгоритм OCaPi (Оптимальный карт-пик), который находит оптимальную экскурсию для работника и даже для движения тележки работника. Это позволило работникам Zalando отказаться от использования S-образной маршрутизации и спланировать более оптимальный маршрут.

2. Решение проблемы пакетирования

В Zalando все заказы должны быть назначены в список для сбора. Когда список завершен, продукты упаковываются для клиента.

Разработчики Nvidia попытались создать решение, которое позволяет достичь суммы времени путешествия для всех списков как можно меньшей, предполагая, что работник может поместить только 10 предметов в тележку. Они проанализировали экскурсии OCaPi для десяти заказов из двух вещей, чтобы найти наиболее эффективные разделы заказов на списки для сбора.

Какие технологии могут сократить эти проблемы?

Ключевой технологией, используемой в этих проектах, является алгоритм OCaPi – высоко нелинейная функция, которая позволила разработчикам рассчитать время путешествия, учитывая разные позиции для сбора. Это решение показало им, что время путешествия в основном зависит от времени, потраченного на сбор предмета из заднего угла, расположенного далеко от всех других продуктов.

Чтобы сделать оценку времени путешествия OCaPi еще быстрее, они использовали фреймворк нейронной сети Caffe и библиотеку свёрточной нейронной сети cuDNN от NVIDIA. Это позволило им обучить четыре модели параллельно, чтобы найти очень точную архитектуру нейронной сети. В результате их система позволила компании уменьшить время путешествия на предмет, собранный, примерно на 11%.

Такие решения на основе машинного обучения позволяют компаниям:

• Повысить производительность
• Ускорить время сбора заказов, что приводит к увеличению удовлетворенности потребителей
• Повысить удовлетворенность сотрудников, чья работа поддерживается интеллектуальными решениями
• Улучшить ежедневный поток работы
• Исключить человеческую ошибку, поскольку расчет маршрута быстрее и точнее, чем если бы это делал человек.