3 sätt som maskinlärning förändrar logistikbranschen

Logistikföretag använder artificiell intelligens och maskinlärning för att säkerställa de bästa resultaten för att hålla produktiviteten på sin högsta nivå, fatta bättre affärsbeslut, och hålla jämna steg med konkurrensen. Betydelsen av AI i denna bransch är enorm. Det beräknas att företag kommer att dra nytta av mellan 1,3 biljoner och 2 biljoner dollar om året i ekonomiskt värde tack vare denna avancerade teknik inom 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 ruttplaneringsprogramvara

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

Enligt Goldman Sachs, när vi pratar om leverans av bara 25 paket, möjliga rutter når runt 15 biljoner. Och det är här maskinlärning kommer till undsättning. ML-baserad ruttplaneringsprogramvara 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 arbetscheman, real-tid ruttoptimiseringsalgoritmer 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 kontohandläggare, för att hålla kunder informerade om den förväntade leveranstiden.

Baserat på maskinlärning, ruttoptimiseringsprogramvara 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, du kan också införa 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 ruttoptimiseringssystem övervakar bränsleförbrukning och föreslår de mest kostnadseffektiva rutterna.
• Övervaka förarens prestation: 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 deras 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 förbättring.

Ett verkligt exempel där algoritmisk ruttoptimisering förbättrade intäkter i logistikbranschen är detta fallstudie från McKinsey. Deras kund var ett asiatiskt logistikföretag som bad techföretaget 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, hubbplatser och flottresurser. ​​Denna information tillät dem att bygga en ruttoptimiseringsmodell som genererar anpassade scheman för alla fordon. Med denna lösning kunde de förbättra ledningen på många områden, med hänsyn till faktorer som:

• Fordonstyp
• Användningskostnad
• Maximala lastuttag
• Restid

Vad låg bakom deras framgång?

Det var både erfarenhet och avancerade maskinlärningsalgoritmer som de använde för att bygga denna lösning. Till exempel använde de Network Optimization Algorithm (NOAH)-modellen för att bygga 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 linjehaul-nätverket, 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 köpavsikter? Men en annan resurs säger att 36% av kunderna är fortfarande frustrerade av företagens oförmåga att svara på deras enkla frågor.

Denna data visar betydelsen 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 på en chatt, vanligtvis rakt 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 leder samtalet själv, riktat mot ämnen relaterade till företagets verksamhet eller föreslår ett besök på en relaterad sida.

5 nyckelfördelar med chattbotar

Är du fortfarande 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 kontaktformulär:

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

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

Varför är det viktigt?

Idag 77% av människor förväntar sig omedelbara svar från den online-chatten vid vilken tid på dygnet som helst. 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 deras totala kundtjänsttillfredsställelsepoäng från 4,11 till 4,26.

2. Bättre webbnavigering

Visste du att 34% av kunderna är frustrerade av 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 innehållet på sidan och data för att skapa en logisk flöde av samtalet. 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. Vad mer, de kan 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 ordrar till att 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, handledare och utbildare för DHL:s kundtjänstteam: “Anställda har mycket mer tid att lösa komplexa kundfrågor och förhindra eskaleringar. Anställdas tillfredsställelsegrad har också ökat enormt.”

5. Real-tidsleveransspårning

I logistik är leveranstid och real-tid information om orderns status avgörande. Chattbotar kommer att se 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 orderns status. 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. Att lösa plockningsrutt- och batchningsproblem i lagerverksamhet

En annan uppgift som artificiell intelligens utför i logistik är att utveckla de mest effektiva metoderna för varornas flöde 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 semiautomatiska system) kommer att hantera lasterna. Särskilt hjälpsamma här kan djupinlärning, prediktiv analys, datorseende och produktigenkänningprogramvara 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 monoton men svåra uppgifter. I logistik- och tillverkningsindustrin är en av dessa uppgifter plockningsrutt, som maskiner också kan stödja.

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

​​1. Minska plockningsrutttiden

De förberedde en lösning som tillåter lagerkontroll med en “replätter”-layout (vilket betyder att alla produkter lagras på hyllor placerade i flera rader med gångar). Givet att en arbetare behöver hämta produkter belägna i olika delar av lagret, föreslår systemet den kortaste möjliga rutan över lagret som tillåter att alla artiklarna hämtas.

Nvidias utvecklare skapade OCaPi (Optimal Cart Pick)-algoritmen som hittar den optimala plockningsrutan för arbetaren och även för rörelserna av arbetarens vagn. Det tillät Zalandos arbetare att sluta använda S-formad rutt-heuristik och planera en mer optimal rutt.

2. Att lösa batchningsproblemet

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

Nvidias utvecklare försökte skapa en lösning som möjliggör att uppnå den minsta möjliga summan av restiderna för alla plocklistor, med antagandet att en arbetare kan få plats med 10 artiklar i vagnen. De analyserade OCaPi-plockningsrundor för tio ordrar av två saker för att hitta den mest effektiva uppdelningen av ordrar i plocklistor.

Vilka tekniker kan minska dessa problem?

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

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

Sådana maskinlärningsbaserade lösningar tillåter företag att:

• Öka produktiviteten
• Öka plockningstiderna, vilket resulterar i ökad kundtillfredsställelse
• Öka tillfredsställelsen hos anställda vars arbete stöds av intelligenta lösningar
• Förbättra den dagliga arbetsflödet
• Eliminera mänskliga fel eftersom ruttberäkningen är snabbare och mer exakt än om en människa gjorde det.