Як штучно інтелект тихо змінює логістику: скорочення відходів та підвищення прибутковості

Хоча фінанси та охорона здоров’я привертають увагу завдяки впровадженню штучного інтелекту, деякі з найбільш прибуткових випадків використання знаходяться на дорогах. Логістика є основою світової торгівлі, і виконавчі директори починають це розуміти – у 2024 році 90% керівників ланцюгів постачання сказали, що технологічні можливості є основними факторами при виборі партнерів з перевезень. Причина полягає в тому, що штучний інтелект перетворює галузь, відому своєю неефективністю, на перевагу бізнесу над конкурентами.

Історично логістика залежала від паперових процесів, тому була сліпою плямою для керівників ланцюгів постачання. Ця відсутність видимості сприяє ефекту бульбашки: невеликі зміни у попиті роздрібних магазинів збільшуються, коли вони рухаються вгору ланцюга постачання, досягаючи постачальників сировини. У поєднанні з довгими термінами поставок це змушує кожну стадію – роздрібні магазини, оптових дилерів, дистриб’юторів та виробників – замовляти надмірну кількість товарів, що посилює проблему.

Але уявіть, що замість того, щоб заповнювати вантажівки та склади напівпровідниковими чіпами тільки для того, щоб попит на ПК впав, логістика мала б реальне відстежування та видимість ланцюга постачання. Що, якщо вони могли б передбачити коливання попиту з точністю 99,9%? І надавати гнучкі логістичні рішення, такі як транспорт на вимогу, у відповідь?

З допомогою штучного інтелекту та машинного навчання цей ідеал може не бути так далеко, як думають керівники бізнесу.

Видимість ланцюга постачання пояснює незрозумілі речі

Коли їх запитали: “Які технологічні можливості фрахтових агентів ви вважаєте найбільш цінними?”, 67% респондентів проголосували за відстежування відправлень в реальному часі.

Пристрої Інтернету речей (IoT) революціонізують відстежування вантажів, забезпечуючи детальну видимість та сповіщення в реальному часі про стан товарів – що є важливим для 时间чутливих або температурно-контрольованих відправлень, таких як продукти харчування та фармацевтичні товари, які мають суворі правила верифікації. Не тільки керівники ланцюгів постачання можуть дізнатися, скільки запасів вони мають і де вони знаходяться в будь-який момент, але вони також можуть дізнатися про їхній стан. Відправники можуть контролювати та обмінюватися інформацією про те, чи товари гарячі, холодні, вологі чи сухі, і вони можуть бачити, чи відкриті двері, коробки чи інші контейнери. Ці знання пояснюють аномалії з продуктами харчування, які прибувають у поганому стані, мінімізуючи майбутні відходи.

Переходячи до галузі електроніки, компанії можуть гарантувати клієнтам, що товари, такі як материнські плати ноутбуків, є справжніми, коли товари відстежуються та відслідковуються. Менеджери складу та інвентарю можуть сканувати штрих-коди та QR-коди, щоб відстежувати рівні запасів, або використовувати радіочастотні ідентифікатори (RFID), прикріплені до об’єктів, щоб відслідковувати цінні активи без необхідності сканування. Більш просунуті RFID-теги пропонують сповіщення в реальному часі, коли умови (наприклад, температура) відхиляються від попередньо встановлених порогів.

Відстежування на рівні окремих товарів стало обов’язковим для відправників та їхніх партнерів ланцюга постачання. Логістичні компанії повинні швидко адаптуватися до порушень та змін попиту, і ця видимість збільшує стійкість. Ці знання дозволяють підприємствам мати цілісний погляд на інвентаризацію та приймати обґрунтовані рішення в реальному часі, скорочуючи відходи та покращуючи використання ресурсів.

Прогнозування попиту та надійні терміни поставок

Корисність датчиків IoT розширюється далеко за межі простого відстежування товарів та оновлення клієнтів в реальному часі. Вони забезпечують дані, які живлять алгоритми прогнозування попиту.

Розглянемо Coca-Cola, наприклад. Софт-дриковий гігант використовує IoT для моніторингу та збору даних з своїх автоматів з продажу та холодильників, відстежуючи показники рівня запасів та аналіз споживчих переваг. Це дозволяє Coca-Cola робити обґрунтовані прогнози щодо попиту на конкретні типи та смаки продукції.

Фрахтові агенти все частіше використовують подібний метод для прогнозування обсягу вантажів у конкретних напрямках, що дозволяє їм оптимізувати розгортання флоту та виконувати угоди про рівень обслуговування (SLA). Добра новина для підприємств, оскільки вони отримують більш надійні терміни поставок, що означає нижчі витрати на інвентаризацію та менше випадків відсутності товарів.

Є два основних способи, якими логістичні компанії використовують прогнозування:

1. Довгострокове (стратегічне): Для бюджетів та планування активів (6-місячних до 3-річних планів).
2. Короткострокове (операційне): Найцінніше для логістики, передбачення наземного транспортування до 14 днів вперед, і 1-12 тижнів для океанського транспорту.

Наприклад, компанія DPDgroup, кур’єрська компанія Speedy, передбачає попит, поєднуючи історичні дані про відправлення (розмір пакету, час доставки, поведінка клієнта тощо) з зовнішніми факторами, такими як свята, піки роздрібної торгівлі (Чорна п’ятниця) тощо. Під новою системою штучний інтелект дозволив Speedy швидко визначити та скасувати непотрібні поїздки та лінії перевезень. Це призвело до 25% зниження витрат на перевезення між хабами та 14% збільшення використання флоту. McKinsey знайшов подібні результати в управлінні ланцюгом постачання, де інструменти прогнозування знизили помилки на 20-50%.

Сумістність вантажів з місткістю: зупиніть перевезення повітря

Uber Freight повідомив у 2023 році, що між 20% та 35% з приблизно 175 мільярдів миль, які вантажівки проїжджають у США щороку, ймовірно, порожні – виснажуючи паливні та трудові бюджети. Тепер, коли штучний інтелект, машинне навчання та технологія цифрового двійника стали загальними, вантажівка, яка тільки що зробила доставку в Далласі, не повинна повертатися в Чикаго порожньою. Платформи сумістності вантажів, керовані штучним інтелектом, аналізують попит на вантажі, доступність вантажівок та шаблони маршрутів, щоб забезпечити максимальну ефективність кожного вантажівки.

Логістичні компанії використовують зібрану інформацію про вантажі, використану в інструментах прогнозування попиту (розмір вантажу, вага, розміри, тип – чи це перішабні, небезпечні товари тощо), і перетинають цей аналіз зі своєю місткістю. Аналітика, керована штучним інтелектом, може переглянути розмір вантажівки, особливості, місце розташування та доступність, а також правила годин роботи водіїв, щоб зв’язати відправників та перевізників в реальному часі. Технологія цифрового двійника потенційно може розширити це ще далі, симулюючи віртуальні сценарії, щоб забезпечити оптимальну сумістність.

Наприклад, якщо відправник вводить інформацію про майбутній вантаж у цифрову платформу, система аналізує доступну місткість перевізників та сумістить вантаж з найбільш підходящим варіантом, враховуючи фактори оптимізації, згадані раніше. Транзакція обробляється, а відправлення відстежується протягом всього шляху.

Відстежуючи активи, передбачаючи попит та сумістячи вантажі, логістичні компанії економлять великі кошти. Вони мінімізують порожні мили, максимізують використання транспортних засобів та ліквідують вуглецевий слід – в кінцевому підсумку покращуючи відносини з клієнтами завдяки більш надійним доставкам.

Переваги виходять за межі логістики. Цей рівень видимості ланцюга постачання дозволяє роздрібним торговцям та виробникам оптимізувати графіки виробництва та скорочувати витрати на утримання запасів. Вони можуть планувати відправлення більш ефективно, мінімізуючи затримки та витрати на зберігання, та скорочуючи витрати на транспортування завдяки забезпеченню оптимального використання вантажівок та мінімального відходження місткості.

Будь-яка галузь, яка займається розподілом ресурсів – авіакомпанії, виробництво, навіть хмарні обчислення – може вивчити, як штучний інтелект логістики оптимізує операції.