3 способи, як машинне навчання трансформує логістичну промисловість

Логістичні компанії використовують штучний інтелект і машинне навчання, щоб забезпечити найкращі результати та підтримувати продуктивність на найвищому рівні, приймати кращі бізнес-рішення, та бути врівні з конкурентами. Важливість штучного інтелекту в цій галузі величезна. За оцінками, протягом наступних 20 років компанії отримають від 1,3 до 2 трильйонів доларів на рік економічної вартості завдяки цій передовій технології у виробництві та глобальних ланцюгах постачання.

Якщо ви все ще сумніваєтеся, як штучний інтелект і машинне навчання можуть допомогти вашому бізнесу, то подивіться на деякі цікаві використання і вирішіть, чи це рішення для вас.

1. Програмне забезпечення для маршрутного планування на основі штучного інтелекту

​​Вибір оптимального маршруту, планування перерв для водіїв та уникнення найбільш завантажених і небезпечних шляхів – це лише деякі з багатьох завдань, які входять до щоденної роботи в логістичній галузі.

За даними Goldman Sachs (GS ), коли ми говоримо про доставку лише 25 пакетів, можливі маршрути становлять близько 15 трильйонів трильйонів. І саме тут машинне навчання приходить на допомогу. Програмне забезпечення для маршрутного планування на основі машинного навчання може проаналізувати всі варіанти та вибрати оптимальне рішення щодо витрат, термінів виконання та несподіваних подій на дорозі, які вимагають негайних рішень.

На основі біг-дата, наданих системі, таких як інформація про паливну ефективність, можливі аварії або перешкоди, розмір транспортного засобу та графіки роботи інших водіїв, реальний час оптимізаційні алгоритми визначають найкращий маршрут для водіїв. Вони є хмарними, тому вся інформація надається в реальному часі і може бути доступна диспетчерам, водіям, менеджерам та іншим працівникам, таким як менеджери з обліку, для інформування клієнтів про очікуваний час доставки.

На основі машинного навчання, програмне забезпечення для оптимізації маршрутів може принести багато переваг вашому бізнесу, таких як:

• Поліпшення клієнтського досвіду: З більш точними оцінками часу доставки клієнти будуть більш задоволені вашими послугами та більш імовірно залишать позитивні відгуки. Що ще важливіше, ви можете також запропонувати повідомлення про майбутню доставку електронною поштою або SMS.
• Економія коштів: Одним із ключових переваг машинного навчання зазвичай є економія часу та коштів. Це справедливо і тут, оскільки програмне забезпечення для оптимізації маршрутів контролює споживання палива та пропонує найбільш економічні маршрути.
• Моніторинг продуктивності водіїв: Хмарна система на основі машинного навчання допомагає вам контролювати роботу ваших працівників та переконуватися, що вони виконують свої обов’язки надійно. Ви також можете переконатися, що вони дотримуються правил дорожнього руху та графіку роботи. Крім того, те, що менеджери мають доступ до цієї інформації, може підвищити ефективність та продуктивність працівників.
• Відстеження KPI: З оглядом ключової інформації, такої як час подорожі, витрати на паливо та продуктивність працівників, ви можете краще контролювати результати діяльності вашої компанії та реагувати швидше, якщо якийсь елемент потребує покращення.

Одним із реальних прикладів, де алгоритмічна оптимізація маршрутів покращила прибуток у логістичній галузі, є цей випадок з McKinsey. Їх клієнтом була азійська логістична компанія, яка попросила технологічну компанію вирішити свою проблему зі збігом пропозиції флоту та маршрутів із вимогами клієнтів.

Як їм це вдалося?

Спочатку команда McKinsey зібрала всі необхідні дані про їхні процеси, щоб знайти будь-які питання для покращення. Вони проаналізували важливу інформацію, таку як місця розташування клієнтів, місця розташування хабів та ресурси флоту. Ця інформація дозволила їм створити модель оптимізації маршрутів, яка генерує індивідуальні графіки для всіх транспортних засобів. З цією рішенням вони змогли покращити управління багатьма областями, враховуючи такі фактори, як:

• Тип транспортного засобу
• Витрати на використання
• Максимальна кількість відвантажень
• Час подорожі

Що стало причиною їхнього успіху?

Це були як досвід, так і передові алгоритми машинного навчання, які вони використали для створення цього рішення. Наприклад, вони використали модель алгоритму Network Optimization Algorithm (NOAH), щоб створити візуальні керівництва в щоденних картах маршрутів. Крім того, вони надали мобільний додаток, який показує дані в реальному часі, що робить роботу легшою як для диспетчерів, так і для водіїв.

В результаті їхнє рішення зменшило витрати на 3,6% і підвищило ефективність лінійної мережі, що призвело до збільшення прибутку на 16%.

2. Чат-боти в логістиці

Чи знаєте ви, що 97% людей кажуть, що поганий сервіс клієнтів впливає на їхні наміри щодо покупки? Однак інший ресурс стверджує, що 36% клієнтів все ще розчаровані тим, що компанії не реагують на їхні прості питання.

Ці дані свідчать про важливість наявності чат-бота для відповіді клієнтам негайно, щоб зберегти час і покращити клієнтський досвід. Віртуальні помічники використовують обробку природної мови, щоб розмовляти з людьми в чаті, зазвичай прямо на домашній сторінці компанії. Вони побудовані на основі алгоритмів, які можуть розпізнати питання, поставлене користувачем, і потім знайти відповідь на нього. Якщо користувач ставить незрозуміле питання, на яке немає відповіді в базі даних, чат-бот намагається знайти одну з “резервних” відповідей або вивчити нові закономірності з клієнта, щоб використовувати цю інформацію наступного разу, коли буде поставлене подібне питання.

Чат-бот має певний обсяг знань про компанію та її продукти чи послуги. Він може використовувати свої бази даних або отримувати інформацію з зовнішніх джерел. Віртуальний радник відповідає на питання та проводить розмову самостійно, спрямовуючи розмову на теми, пов’язані з діяльністю компанії, або пропонуючи відвідати пов’язану сторінку.

5 ключових переваг чат-ботів

Все ще не впевнені, що чат-боти є хорошим рішенням для вашого бізнесу? Просто подивіться на п’ять ключових переваг реалізації їх у логістичній компанії.

1. Негайні відповіді 24/7/365

У логістичних компаніях контакт з клієнтами має велике значення. Наприклад, DHL пропонує три різні форми контакту:

• Електронна пошта до служби клієнтів
• Телефонний контакт
• Чат-бот 24/7

Чат-бот дозволяє клієнтам отримувати негайну інформацію про статус доставки, ціни, очікуваний час доставки пакету та інше.

Чому це важливо?

Сьогодні 77% людей очікують негайної відповіді від онлайн-чату в будь-який час доби. Чат-боти можуть працювати весь час, навіть коли ваші працівники не працюють (крім того, вони ніколи не будуть втомлені).

Реалізація чат-бота, який завжди доступний, значно покращує досвід користувача. Наприклад, з чат-ботом Helmi, створеним GetJenny, The Foundation for Student Housing in the Helsinki Region відзначила збільшення загального балу задоволеності клієнтів з 4,11 до 4,26.

2. Краща навігація на сайті

Чи знаєте ви, що 34% клієнтів розчаровані складною навігацією на сайті?

Чат-боти можуть вирішити цю проблему, допомігши відвідувачам навігації на сайті та швидко знайти інформацію, яка їх цікавить. Вони допомагають вам створити позитивний імідж бренду та персоналізований клієнтський досвід. Отже, якщо ви піклуєтеся про створення задоволеності та лояльності клієнтів, чат-бот може бути відмінним першим кроком.

Цікавим прикладом чат-бота, який допомагає вам знайти всю інформацію про продукт, є чат-бот Alex, доступний на сайті Intellexer Summarizer. Коли ви ставите йому питання, ви отримуєте повідомлення з посиланням на сторінку, де можна знайти цікаву інформацію.

Джерело: https://summarizer.intellexer.com/

Щоб створити такий бот, вам не потрібно надавати та витягувати велику кількість даних. Вам просто потрібно обробити вміст сайту, щоб надати його у відповідній формі. Потім ви відокремлюєте інформацію про вміст сторінки та дані для створення логічного потоку розмови. Крім того, чат-боти постійно вчаться, тому чим більше питань вони отримують, тим точніші будуть їхні відповіді. Часто цей тип чат-бота є першим рішенням штучного інтелекту, яке компанії обирають.

3. Допомога у доставці

Віртуальні помічники можуть бути першим контактом з клієнтами та приймати запити на доставку від них. Як і інші рішення штучного інтелекту, вони можуть звільнити ваших працівників від багатьох повторюваних завдань, таких як збір інформації про замовлення. Що ще важливіше, вони можуть негайно виконувати запити клієнтів, пов’язані з доставкою, такі як надсилання рахунку за замовленням або інформування про статус доставки.

4. Комплексна підтримка працівників

Чат-боти можуть допомогти вашим працівникам багатьма способами, від паперової роботи до розміщення замовлень та обробки платежів. Вони можуть приймати або заповнювати документи, такі як рахунки або запити на оплату, та багато іншого. І коли машинам потрібна допомога людини, вони надсилають повідомлення людям, щоб зробити правильний наступний крок.

За словами Баса Вогельса, керівника та тренера команди клієнтської служби DHL: “Працівники мають значно більше часу для вирішення складних питань клієнтів та запобігання ескалації. Рівень задоволеності працівників також збільшився величезно”.

5. Моніторинг доставки в реальному часі

У логістиці час доставки та реальний час інформації про статус замовлення мають вирішальне значення. Чат-боти будуть забезпечувати те, що ваші клієнти не будуть чекати на відповідь. Реальним прикладом такого рішення є випадок з RoboRobo. Вони створили бота для RPL, який інформує клієнтів про статус їхнього замовлення. Чат-бот дозволяє клієнтам RPL відстежувати місцезнаходження свого пакету та дізнаватися, коли він буде доставлений.

Чат-боти можуть бути використані в багатьох місцях, не тільки на сайті. Все більше компаній обирають чат-боти, доступні на Facebook, Skype, WhatsApp та інших каналах.

3. Рішення проблем маршрутизації та пакетування у виробничих операціях

Іншим завданням, яке штучний інтелект виконує в логістиці, є розробка найбільш ефективних методів руху товарів як у складі, так і в розподільчій фазі.

Системи управління складом на основі штучного інтелекту можуть реєструвати всі діяльності та процеси, які відбуваються на складі. Програмне забезпечення аналізує історичні дані, зібрані та використовує їх для планування того, як обладнання, яке використовується (роботи та як автоматичні, так і напівавтоматичні системи), буде обробляти вантажі. Особливо корисними тут можуть бути глибоке навчання, передбачувальна аналітика, комп’ютерне зір та програмне забезпечення для розпізнавання продуктів, яке може допомогти розпізнати об’єкти на складі та зробити розширені прогнози щодо дій, які будуть необхідні.

Одним із головних завдань алгоритмів машинного навчання є допомога людям у монотонних, але складних завданнях. У логістичній та виробничій галузях одним із таких завдань є маршрутизація, яку машини також можуть підтримувати.

Цікавим прикладом цього є рішення, створене Nvidia (NVDA ) для Zalando, гіганта електронної комерції, який отримує тисячі нових замовлень кожну годину. Їхнє рішення на основі штучного інтелекту дозволило вирішити дві проблеми.

​​1. Зменшення часу маршрутизації

Вони підготували рішення, яке дозволяє контролювати склад з “ланцюговою” схемою (що означає, що всі продукти зберігаються на полицях, розташованих у декількох рядах з проходами). При цьому працівник повинен забрати продукти, розташовані в різних частинах складу, система пропонує найкоротший можливий маршрут по складу, який дозволяє забрати всі необхідні товари.

Розробники Nvidia створили алгоритм OCaPi (Оптимальний карт-пік), який знаходить оптимальну екскурсію для працівника та навіть для руху його візка. Це дозволило працівникам Zalando припинити використовувати евристичний маршрут у формі букви “S” та спланувати більш оптимальний маршрут.

2. Рішення проблеми пакетування

У Zalando всі замовлення повинні бути призначені до списку вибірки. Коли список завершено, товари упаковуються для клієнта.

Розробники Nvidia намагалися створити рішення, яке дозволяє досягти мінімальної суми часу руху для всіх списків вибірки, припускаючи, що працівник може помістити лише 10 товарів у візок. Вони проаналізували тури OCaPi для десяти замовлень по дві речі, щоб знайти найбільш ефективний розподіл замовлень на списки вибірки.

Які технології можуть зменшити ці проблеми?

Ключовою технологією, використаною в цих проектах, є алгоритм OCaPi – високо нелінійна функція, яка дозволила розробникам розрахувати час руху, враховуючи різні позиції підйому. Це рішення показало їм, що рух головним чином залежить від часу, витраченого на вибір речі з заднього кута, розташованого далеко від усіх інших товарів.

Щоб зробити оцінку часу руху OCaPi ще швидшою, вони використали фреймворк нейронної мережі Caffe та бібліотеку нейронних мереж cuDNN від NVIDIA. Це дозволило їм тренувати чотири моделі паралельно, щоб знайти дуже точну архітектуру нейронної мережі. В результаті їхня система дозволила компанії зменшити час руху на товар на близько 11%.

Такі рішення на основі машинного навчання дозволяють компаніям:

• Повысити продуктивність
• Прискорити час підбору замовлень, що призводить до підвищення задоволеності клієнтів
• Повысити задоволеність працівників, чию роботу підтримують інтелектуальні рішення
• Покращити щоденну роботу
• Виключити людську помилку, оскільки розрахунок маршруту швидший і точніший, ніж якщо б це робила людина.