Как ИИ незаметно меняет логистику: сокращение отходов и увеличение прибыли

Хотя финансы и здравоохранение получают основное внимание за принятие ИИ, некоторые из наиболее прибыльных случаев использования находятся на дорогах. Логистика является основой мировой торговли, и руководители начали понимать это – в 2024 году 90% лидеров цепочки поставок заявили, что технологические возможности являются основными факторами при выборе партнеров по грузоперевозкам. Причина? ИИ превращает отрасль, известную своей неэффективностью, в конкурентное преимущество для бизнеса.

Исторически логистика полагалась на бумажные процессы, что делало ее слепым местом для лидеров цепочки поставок. Этот недостаток видимости подпитывает эффект бульбуля: небольшие изменения спроса на розничном рынке увеличиваются, когда они распространяются по цепочке поставок, достигая поставщиков сырья. В сочетании с длительными сроками поставки это заставляет каждую стадию – розничных торговцев, оптовиков, дистрибьюторов и производителей – заказывать больше, чем необходимо, что усугубляет проблему.

Но давайте представим, что вместо того, чтобы заполнять грузовики и склады полупроводниковыми чипами, только чтобы спрос на ПК снизился, логистика имела реальную видимость цепочки поставок и возможность отслеживать грузы в режиме реального времени. Что, если бы они могли предсказать колебания спроса с точностью 99,9%? И предоставлять гибкие логистические решения, такие как транспорт на demande, в ответ?

С помощью ИИ и машинного обучения это идеальное состояние может не быть так далеко, как думают бизнес-лидеры.

Видимость цепочки поставок объясняет необъяснимое

Когда их спросили: “Какие технологические возможности грузоперевозчиков вы считаете наиболее ценными?”, 67% респондентов проголосовали за отслеживание грузов в режиме реального времени.

Устройства Интернета вещей (IoT) революционизируют отслеживание грузов, обеспечивая детальную видимость и оповещения в режиме реального времени о состоянии товаров – что крайне важно для времени-чувствительных или температурно-контролируемых грузов, таких как продукты питания и фармацевтические препараты, которые имеют строгие правила проверки. Не только лидеры цепочки поставок могут узнать, сколько у них есть запасов и где они находятся в любой момент, но они также могут узнать о их состоянии. Отправители могут контролировать и делиться информацией о том, горячие, холодные, влажные или сухие товары, и они могут видеть, открываются ли двери, коробки или другие контейнеры. Эти знания объясняют аномалии с продуктами питания, которые прибывают в испорченном виде, минимизируя будущие отходы.

Переходя к электронной промышленности, компании могут гарантировать клиентам, что продукты, такие как материнские платы ноутбуков, являются подлинными, когда предметы отслеживаются и отслеживаются. Менеджеры складов и запасов могут сканировать штрих-коды и QR-коды, чтобы отслеживать уровень запасов, или использовать радиочастотную идентификацию (RFID) меток, прикрепленных к объектам, чтобы отслеживать ценные активы без необходимости сканирования их. Более продвинутые RFID-метки предлагают оповещения в режиме реального времени, когда условия (такие как температура) отклоняются от предварительно установленных порогов.

Видимость на уровне предмета стала необходимостью для отправителей и их партнеров по цепочке поставок. Логистические компании должны быстро адаптироваться к нарушениям и изменениям спроса, и эта видимость увеличивает устойчивость. Эти знания позволяют бизнесу иметь целостный вид запасов и принимать обоснованные решения в режиме реального времени, сокращая отходы и улучшая использование ресурсов.

Прогнозирование спроса и надежные сроки поставки

Полезность датчиков IoT распространяется далеко за пределы простого отслеживания предметов и обновления клиентов в режиме реального времени. Они предоставляют данные, которые питает алгоритмы прогнозирования спроса.

Возьмем, например, Coca-Cola. Гигант производства напитков использует IoT для мониторинга и сбора данных с своих автоматов и холодильников, отслеживая показатели запасов и анализ предпочтений потребителей в режиме реального времени. Это позволяет Coca-Cola делать обоснованные прогнозы о спросе на конкретные типы и вкусы продукции.

Грузоперевозчики все чаще используют подобный метод для прогнозирования объема грузов на конкретных маршрутах, что позволяет им оптимизировать развертывание флота и выполнять соглашения об уровне обслуживания (SLA). Хорошая новость для бизнеса, поскольку они получают более надежные сроки поставки, что означает более низкие затраты на запасы и меньше дефицита.

Существует два основных способа, которыми логистические компании используют прогнозирование:

1. Долгосрочное (стратегическое): Для бюджета и планирования активов (планы на 6 месяцев – 3 года).
2. Краткосрочное (оперативное): Наиболее ценно для логистики, прогнозируя наземные грузоперевозки до 14 дней вперед, и 1-12 недель для морских перевозок.

Например, компания DPDgroup, курьерская компания Speedy, прогнозирует спрос, сочетая исторические данные о отправках (размер посылки, время доставки, поведение клиентов и т. д.) с внешними факторами, такими как праздники, пик розничной торговли (Черная пятница) и т. д. Под новой системой прогнозирование спроса с помощью ИИ позволило Speedy быстро выявить и отменить ненужные поездки и линейные перевозки. Это привело к снижению затрат на перевозку между хабами на 25% и увеличению использования флота на 14%. McKinsey обнаружила аналогичные результаты в управлении цепочкой поставок, где инструменты прогнозирования сократили ошибки на 20-50%.

Совпадение груза и вместимости: перестаньте перевозить воздух

Uber Freight сообщил в 2023 году, что между 20% и 35% из оценочных 175 миллиардов миль, которые грузовики проезжают в США каждый год, вероятно, пусты – истощая топливо и бюджет труда. Теперь, когда ИИ, МО и цифровая двойная технология стали мейнстримом, грузовик, который только что сделал доставку в Далласе, не должен возвращаться в Чикаго без груза. Платформы сопоставления грузов, управляемые ИИ, анализируют спрос на грузоперевозки, доступность грузовиков и маршруты, чтобы обеспечить максимальную эффективность каждой поездки.

Логистические компании используют собранную информацию о грузоперевозках, используемую в инструментах прогнозирования спроса (размер груза, вес, размеры, тип – является ли он скоропортящимся, опасным и т. д.), и анализируют ее вместе со своей вместимостью. Аналитика, управляемая ИИ, может просмотреть размер грузовика, функции, местоположение и доступность, а также правила рабочего времени водителей, чтобы соединить отправителей и перевозчиков в режиме реального времени. Цифровая двойная технология может потенциально пойти дальше, имитируя виртуальные сценарии, чтобы обеспечить оптимальное совпадение.

Допустим, отправитель вводит информацию о предстоящей посылке в цифровую платформу. Система анализирует доступную вместимость перевозчика и сопоставляет груз с наиболее подходящим вариантом, учитывая факторы оптимизации, упомянутые ранее. Транзакция обрабатывается, и отправка отслеживается на протяжении всего пути.

Отслеживая активы, прогнозируя спрос и сопоставляя грузы, логистические компании экономят огромные суммы. Они минимизируют пустые мили, максимизируют использование транспортных средств и исключают углеродный след – в конечном итоге улучшая отношения с клиентами за счет более надежных доставок.

Преимущества распространяются за пределы логистики. Этот уровень видимости цепочки поставок позволяет розничным торговцам и производителям оптимизировать графики производства и сократить затраты на хранение запасов. Они могут планировать отправки более эффективно, минимизируя задержки и складские сборы, и снижая транспортные расходы, обеспечивая оптимальное использование грузовиков и минимальную неработающую вместимость.

Любая отрасль, которая занимается распределением ресурсов – авиакомпании, производство, даже облачные вычисления – может научиться тому, как ИИ оптимизирует логистические операции.

отправки более эффективно, минимизируя задержки и складские сборы, и снижая транспортные расходы, обеспечивая оптимальное использование грузовиков и минимальную неработающую вместимость. Любая отрасль, которая занимается распределением ресурсов – авиакомпании, производство, даже облачные вычисления – может научиться тому, как ИИ оптимизирует логистические операции.