Как ИИ тихо меняет логистику: сокращение отходов и увеличение прибыли

Хотя финансы и здравоохранение получают заголовки за принятие ИИ, некоторые из наиболее прибыльных случаев использования находятся на дорогах. Логистика является основой мировой торговли, и руководители начинают понимать это — в 2024 году 90% лидеров цепочки поставок сказали, что технологические возможности являются главными факторами при выборе партнеров по грузоперевозкам. Причина? ИИ превращает отрасль, известную своей неэффективностью, в верхнюю руку над конкурентами.

Исторически логистика полагалась на бумажные процессы, и это было слепым пятном для лидеров цепочки поставок. Это отсутствие видимости подпитывает эффект бичом: небольшие изменения спроса в рознице увеличиваются, когда они распространяются по цепочке поставок, достигая поставщиков сырья. В сочетании с длительными сроками поставок это заставляет каждую стадию — розничных торговцев, оптовиков, дистрибьюторов и производителей — заказывать слишком много, усугубляя проблему.

Но давайте представим, что вместо того, чтобы заполнять грузовики и склады полупроводниковыми чипами только для того, чтобы спрос на ПК снизился, логистика имела бы реальное отслеживание и видимость цепочки поставок. Что, если бы они могли предсказать колебания спроса с точностью 99,9%? И предоставлять гибкие логистические решения, такие как транспорт по требованию, 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 реальном времени.

Устройства Интернета вещей (IoT) революционизируют отслеживание грузов, предоставляя подробную видимость и оповещения в реальном времени о состоянии товаров — что крайне важно для времени-чувствительных или температурно-контролируемых грузов, таких как продукты питания и фармацевтика, 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 отслеживать и делиться информацией о том, горячие, холодные, влажные или сухие товары, и они могут видеть, открываются ли двери, коробки или другие контейнеры. Эти идеи объясняют аномалии с продуктами питания, прибывающими в испорченном виде, минимизируя будущие отходы.

Переходя к электронной промышленности, компании могут заверить клиентов, 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 реальном времени, когда условия (такие как температура) отклоняются от предварительно установленных порогов.

Видимость на уровне предметов стала необходимой для отправителей и их партнеров по цепочке поставок. Поставщики логистических услуг должны быстро адаптироваться к нарушениям и изменениям спроса, и эта видимость увеличивает устойчивость. Эти идеи позволяют бизнесу иметь целостный вид запасов и принимать обоснованные решения в реальном времени, сокращая отходы и улучшая использование ресурсов.

Прогнозирование спроса и надежные сроки поставок

Полезность IoT-сенсоров распространяется далеко за пределы простого отслеживания предметов и обновления клиентов в реальном 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 по продаже и холодильников, отслеживая метрики запасов и анализ потребительских предпочтений в реальном времени. Это позволяет Coca-Cola делать обоснованные прогнозы о спросе на определенные 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 поставок, что означает более низкие затраты на запасы и меньше дефицита.

Существует два основных способа, которыми логистические компании используют прогнозирование:

1. Долгосрочное (стратегическое): Для бюджетов и планирования активов (планы на 6 месяцев до 3 лет).
2. Краткосрочное (оперативное): Наиболее ценно для логистики, прогнозируя наземный грузоперевозочный транспорт до 14 дней вперед, и 1-12 недель для морского транспорта.

Например, компания DPDgroup, курьерская служба Speedy, прогнозирует спрос, сочетая исторические данные о отправках (размер посылки, время доставки, поведение клиентов и т. д.) с внешними факторами, такими как праздники, пик розничных продаж (Черная пятница) и т. д. В новой системе прогнозирование спроса с помощью ИИ позволило Speedy быстро выявить и отменить ненужные поездки и линейные перевозки. Это привело к 25% снижению затрат на перевозку от хаба до хаба и 14% увеличению использования флота. McKinsey обнаружил аналогичные результаты в управлении цепочкой поставок, с инструментами прогнозирования, сокращающими ошибки на 20-50%.

Совпадение груза и вместимости: перестать перевозить воздух

Uber Freight сообщил в 2023 году, что между 20% и 35% из оценочных 175 миллиардов миль, которые грузовики ездят в США каждый год, вероятно, пусты — истощая топливо и бюджет труда. Теперь, когда ИИ, МО и технология цифрового двойника 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, (размер груза, вес, размер, тип — является ли он скоропортящимся, опасным и т. д.) и пересекают ее с их вместимостью. Аналитика, управляемая ИИ, может просмотреть размер грузовика, функции, местоположение и доступность, а также правила обслуживания водителей, чтобы связать отправителей и перевозчиков в реальном времени. Технология цифрового двойника может потенциально пойти дальше, имитируя виртуальные сценарии, чтобы обеспечить оптимальное совпадение.

Допустим, отправитель вводит информацию о предстоящем грузе 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 устраняют углеродный след — в конечном итоге улучшая отношения с клиентами более надежными доставками.

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, занимающаяся распределением ресурсов — авиакомпании, производство, даже облачные вычисления — может извлечь пользу из того, как ИИ оптимизирует логистические операции.