3 sätt som maskinlärning förändrar logistikbranschen

Logistikföretag använder artificiell intelligens och maskinlärning för att säkerställa de bästa resultaten och hålla produktiviteten på högsta nivå, fatta bättre affärsbeslut och hålla jämna steg med konkurrensen. AI:s betydelse i denna bransch är enorm. Det beräknas att under de kommande 20 åren kommer företag att generera mellan 1,3 biljoner och 2 biljoner dollar per år i ekonomiskt värde tack vare denna avancerade teknik i tillverkning och globala leverantörskedjor.

Om du fortfarande undrar hur AI och maskinlärning kan hjälpa ditt företag, ta en titt på några spännande användningsfall och bestäm om detta är lösningen för dig.

1. AI-baserad ruttplanering

​​Att välja den optimala rutan, planera pauser för förare och undvika de mest trafikerade och farliga vägarna är bara några av de många utmaningar som är en del av det dagliga arbetet i logistikbranschen.

Enligt Goldman Sachs (GS ), när vi pratar om att leverera bara 25 paket, möjliga rutter når runt 15 biljoner. Och det är här maskinlärning kommer till undsättning. ML-baserad ruttplanering kan analysera alla alternativ för att välja den optimala lösningen i termer av kostnader, tillämpliga tidsfrister och oväntade väghändelser som kräver omedelbara beslut.

Baserat på stora datamängder som tillhandahålls systemet, såsom information om bränsleeffektivitet, möjliga trafikolyckor eller hinder, fordonstorlek och andra förarens arbetschema, real-tids rutt-optimiserings algoritmer bestämmer den bästa rutan för förare. De är molnbaserade, så all information tillhandahålls i real-tid och kan nås av dispatchers, förare, chefer och andra anställda, såsom kontohandlare, för att hålla kunder informerade om den förväntade leveranstiden.

Baserat på maskinlärning, rutt-optimiserings programvara kan bringa många fördelar till ditt företag, såsom:

• Förbättrad kundupplevelse: Med mer exakta leveranstidsuppskattningar kommer kunderna att vara mer nöjda med din tjänst och mer benägna att ge dig positiv feedback. Vad mer, kan du också introducera meddelanden om en kommande leverans via e-post eller SMS.
• Kostnadsbesparingar: En av de viktigaste fördelarna med maskinlärning är vanligtvis besparingar i tid och pengar. Detta gäller här, eftersom rutt-optimiserings system övervakar bränsleförbrukning och föreslår de mest kostnadseffektiva rutterna.
• Övervaka förarprestation: Ett molnbaserat system baserat på maskinlärning hjälper dig att övervaka dina anställdas arbete och se till att de utför sina uppgifter på ett tillförlitligt sätt. Du kan också se till att de följer trafikreglerna och sitt arbetschema. Dessutom kan medvetenheten om att chefer har tillgång till denna information öka anställdas effektivitet och produktivitet.
• KPI-spårning: Med insikt i nyckelinformation som restid, bränslekostnader och anställdas produktivitet kan du bättre övervaka ditt företags prestation och reagera snabbare om något element behöver förbättras.

Ett verkligt exempel där algoritmisk rutt-optimisering förbättrade intäkter i logistikbranschen är detta fallstudie från McKinsey. Deras kund var ett asiatiskt logistikföretag som bad teknikföretaget att lösa deras problem med att matcha flottans utbud och rutter till kundkrav.

Hur uppnådde de detta?

Först samlade McKinseys team in all viktig data om deras processer för att hitta eventuella problem som kan förbättras. De analyserade viktig information som kundplatser, nav-platser och flottresurser. Denna information gjorde det möjligt för dem att skapa en rutt-optimiseringsmodell som genererar anpassade scheman för alla fordon. Med denna lösning kunde de förbättra ledningen inom många områden, med hänsyn till faktorer som:

• Fordonstyp
• Användningskostnad
• Maximal last
• Restid

Vad låg bakom deras framgång?

Det var både erfarenheten och de avancerade maskinlärningsalgoritmerna de använde för att bygga denna lösning. Till exempel använde de Network Optimization Algorithm (NOAH)-modellen för att skapa visuella guider i dagliga kartor över rutterna. Dessutom tillhandahöll de en mobilapp som visar realtidsdata, vilket underlättar arbetet för både dispatchers och förare.

Som resultat minskade deras lösning kostnaderna med 3,6 % och ökade effektiviteten i linjehållsnätverket, vilket ledde till en 16 % vinstökning.

2. Chattbotar i logistik

Visste du att så många som 97 % av människor säger att dålig kundservice har en inverkan på deras köpbeslut? Men en annan resurs säger att 36 % av kunder fortfarande är frustrerade över företagens oförmåga att svara på deras enkla frågor.

Dessa data visar vikten av att ha en chattbot för att svara på kunder omedelbart för att spara tid och förbättra kundupplevelsen. Virtuella assistenter använder naturlig språkbehandling för att prata med människor i en chatt, vanligtvis direkt på företagets startsida. De är byggda med algoritmer som kan känna igen frågan som ställs och sedan matcha svaret till den. Anta att en användare ställer en oförståelig fråga för vilken det inte finns något svar i databasen. I så fall försöker chattboten att matcha ett av “fallback”-svaren eller lära sig nya mönster från kunden för att använda denna information nästa gång en liknande fråga ställs.

En chattbot har en viss mängd kunskap om ett företag och dess produkter eller tjänster. Den kan använda sin databas eller hämta information från externa källor. Den virtuella rådgivaren svarar på frågor och bedriver samtalet själv, och riktar samtalet till ämnen som är relaterade till företagets verksamhet eller föreslår ett besök på en relaterad sida.

5 nyckelfördelar med chattbotar

Forfarande osäker på att chattbotar är en bra lösning för ditt företag? Bara ta en titt på fem nyckelfördelar med att implementera dem i ett logistikföretag.

1. Omedelbara svar 24/7/365

I logistikföretag är kundkontakt avgörande. Till exempel erbjuder DHL tre olika kontaktformer:

• E-post till kundtjänst
• Telefonkontakt
• 24/7-chattbot

Chattboten tillåter kunder att få omedelbar information om leveransstatus, priser, den förväntade leveranstiden för ett paket och mer.

Varför är det viktigt?

Idag 77 % av människor förväntar sig att få omedelbara svar från den online-chatten vid vilken tidpunkt som helst på dygnet. Chattbotar kan arbeta hela tiden, även när dina anställda inte arbetar (plus, de kommer aldrig att vara trötta).

Att implementera en chattbot som alltid är tillgänglig förbättrar avsevärt användarupplevelsen. Till exempel, med chattboten Helmi skapad av GetJenny, noterade The Foundation for Student Housing in the Helsinki Region en ökning av sin totala kundtjänsttillfredsställelsepoäng från 4,11 till 4,26.

2. Bättre webbnavigering

Visste du att 34 % av kunder är frustrerade över svår webbnavigering?

Chattbotar kan lösa detta problem genom att hjälpa besökarna navigera på webbplatsen och snabbt hitta den information de är intresserade av. De hjälper dig att skapa en positiv varumärkesbild och personlig kundupplevelse. Så om du bryr dig om att bygga tillfredsställelse och varumärkeslojalitet bland dina kunder, kan en chattbot vara ett utmärkt första steg.

Ett intressant exempel på en chattbot som hjälper dig hitta all information om en produkt är chattboten Alex, tillgänglig på Intellexer Summarizer-webbplatsen. När du ställer en fråga till honom kommer du att få ett meddelande med en länk till en sida där du kan hitta intressant information.

Källa: https://summarizer.intellexer.com/

För att skapa en sådan bot behöver du inte tillhandahålla och extrahera en stor mängd data. Du behöver bara bearbeta webbplatsens innehåll för att tillhandahålla det i en lämplig form. Sedan separerar du informationen om sidans innehåll och data för att skapa en logisk konversation. Dessutom lär sig chattbotar ständigt, så ju fler frågor de får, desto mer exakta blir deras svar. Ofta är detta slag av chattbot den första AI-lösningen som företag väljer.

3. Leveranshjälp

Virtuella assistenter kan vara den första kontakten med kunder och ta emot leveransförfrågningar från dem. Liksom andra AI-lösningar kan de lindra dina anställda från många repetitiva uppgifter, såsom att samla in orderinformation. Dessutom kan de också omedelbart utföra leveransrelaterade kundförfrågningar, såsom att skicka en faktura för en order eller informera om leveransstatus.

4. Omfattande anställdastöd

Chattbotar kan hjälpa dina anställda på många sätt, från pappersarbete till att placera beställningar och bearbeta betalningar. De kan ta emot eller fylla i dokument som fakturor eller betalningsförfrågningar och många fler. Och när maskiner behöver mänskligt stöd skickar de ett meddelande till mänskliga arbetare för att göra rätt nästa steg.

Enligt Bas Vogels, chef och utbildare för DHL:s kundtjänstteam: “Anställda har mycket mer tid att lösa komplexa kundfrågor och förhindra eskaleringar. Anställdas tillfredsställelse har också ökat avsevärt.”

5. Real-tidsleveransspårning

I logistik är leveranstid och real-tids information om orderns status avgörande. Chattbotar ser till att dina kunder inte behöver vänta på ett svar. Ett verkligt exempel på denna lösning är fallet från RoboRobo. De skapade en bot för RPL som informerar kunder om deras beställningsstatus. Chattboten tillåter RPL:s kunder att övervaka paketsplaceringen och ta reda på när det kommer att levereras.

Chattbotar kan användas på många platser, inte bara på en webbplats. Allt fler företag väljer chattbotar som är tillgängliga på Facebook, Skype, WhatsApp och andra kanaler.

3. Lösning av picker-rutt- och batchproblem i lagerverksamhet

En annan uppgift som artificiell intelligens utför i logistik är att utveckla de mest effektiva metoderna för varuflytten både i lagret och i distributionsfasen.

AI-baserade lagerhanteringssystem kan spela in alla aktiviteter och processer som sker i lagret. Programvaran analyserar historiska data som samlats in och använder dem för att planera hur utrustningen som används (robotar och både automatiska och semi-automatiska system) kommer att hantera lasterna. Särskilt användbara här kan djupinlärning, prediktiv analys, datorseende och produktigenkänning vara, som kan hjälpa till att känna igen objekt i lagret och göra utökad prognostisering av vilka åtgärder som kommer att behövas.

En av de viktigaste målen för maskinlärningsalgoritmer är att hjälpa människor med monotona men svåra uppgifter. I logistik- och tillverkningsindustrin är en av dessa uppgifter picker-ruttning, som maskiner också kan stödja.

Ett spännande exempel på detta är lösningen som skapats av Nvidia (NVDA ) för Zalando, en e-handelsjätte, som har tusentals nya beställningar varje timme. Deras AI-baserade lösning tillät att lösa två problem.

​​1. Minskning av picker-rutt-tid

De förberedde en lösning som möjliggör lagerkontroll med en “repladders”-layout (vilket innebär att alla produkter lagras på hyllor i flera rader med gångar). Givet att en arbetare behöver hämta produkter som lagras i olika delar av lagret, föreslår systemet den kortaste möjliga rutan genom lagret som tillåter att alla artiklar som behövs plockas.

Nvidias utvecklare skapade OCaPi (Optimal Cart Pick)-algoritmen som hittar den optimala plockrutan för arbetaren och även för arbetarens vagns rörelser. Det tillät Zalandos arbetare att sluta använda S-formens rutt-heuristik och planera en mer optimal rutt.

2. Lösning av batch-problemet

På Zalando måste alla beställningar tilldelas en plocklista. När listan är komplett paketeras produkterna för kunden.

Nvidias utvecklare försökte skapa en lösning som gör det möjligt att uppnå summan av restiderna för alla plocklistor så liten som möjlig, med antagandet att en arbetare kan få plats med 10 artiklar i vagnen. De analyserade OCaPi-plockturer för tio beställningar av två saker för att hitta den mest effektiva uppdelningen av beställningar i plocklistor.

Vilka teknologier kan minska dessa problem?

En nyckelteknologi som används i dessa projekt är OCaPi-algoritmen – en mycket icke-linjär funktion som tillät utvecklarna att beräkna restiden, med hänsyn till olika upphämtningspositioner. Denna lösning visade dem att resan främst beror på den tid som tillbringas med att plocka en artikel från bakkanten, placerad långt ifrån alla andra produkter.

För att göra OCaPi-restidsestimatet ännu snabbare använde de Caffe neurala nätverksramverket och Nvidias cuDNN konvolutionsneuronnätverksbibliotek. Det tillät dem att träna fyra modeller i parallellt för att hitta en mycket exakt neural nätverksarkitektur. Som ett resultat tillät deras system företaget att minska restiden per artikel som plockats med cirka 11 %.

Sådana maskinlärnings-baserade lösningar tillåter företag att:

• Öka produktiviteten
• Öka plocktider, vilket resulterar i ökad kundtillfredsställelse
• Öka anställdas tillfredsställelse vars arbete stöds av intelligenta lösningar
• Förbättra anställdas dagliga arbetsflöde
• Eliminera mänskliga fel eftersom ruttberäkning är snabbare och mer exakt än om en människa gjorde det.