3 способи, як машинне навчання трансформує галузь логістики

Логістичні компанії використовують штучний інтелект і машинне навчання для забезпечення найкращих результатів, щоб підтримувати продуктивність на найвищому рівні, приймати кращі бізнес-рішення, і залишатися в конкурентній боротьбі. Важливість штучного інтелекту в цій галузі величезна. За оцінками, протягом наступних 20 років компанії отримають між 1,3 трлн і 2 трлн 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, погляньте на деякі цікаві використання і вирішите, чи це рішення для вас.

1. Програмне забезпечення для маршрутного планування на основі штучного інтелекту

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

За даними Goldman Sachs, коли ми говоримо про доставку лише 25 пакетів, можливі маршрути становлять близько 15 трильйонів трильйонів. І це саме тут машинне навчання приходить на допомогу. Програмне забезпечення для маршрутного планування на основі машинного навчання може проаналізувати всі варіанти, щоб вибрати оптимальне рішення за такими критеріями, як витрати, термін виконання та несподівані дорожні події, які вимагають негайних рішень.

На основі біг-дата, наданих системі, таких як інформація про паливну ефективність, можливі аварії чи перешкоди, розмір транспортного засобу та графік роботи інших водіїв, реальний час алгоритми оптимізації маршруту визначають найкращий маршрут для водіїв. Вони розміщені в хмарі, тому вся інформація надається в реальному часі і може бути доступна для диспетчерів, водіїв, менеджерів та інших працівників, таких як менеджери з обліку, щоб інформувати клієнтів про очікуваний час доставки.

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

• Поліпшення досвіду клієнта: З більш точними оцінками часу доставки клієнти будуть більш задоволені вашою службою і більш схильні залишити позитивний відгук. Що більше, ви також можете запровадити сповіщення про майбутню доставку через електронну пошту або SMS.
• Економія коштів: Одним з ключових переваг машинного навчання зазвичай є економія часу і грошей. Це справедливо і тут, оскільки системи оптимізації маршруту контролюють споживання палива і пропонують найбільш економічні маршрути.
• Моніторинг продуктивності водіїв: Хмарна система на основі машинного навчання допомагає вам контролювати роботу ваших працівників і переконуватися, що вони виконують свої обов’язки надійно. Ви також можете переконатися, що вони дотримуються правил дорожнього руху і графіку роботи. Крім того, те, що менеджери мають доступ до цієї інформації, може підвищити ефективність і продуктивність працівників.
• Відстеження KPI: З огляду на ключову інформацію, таку як час подорожі, витрати на паливо та продуктивність працівників, ви можете краще контролювати ефективність вашої компанії і реагувати швидше, якщо будь-який елемент потребує покращення.

Одним з реальних прикладів, де алгоритмічна оптимізація маршруту покращила доходи в галузі логістики, є цей випадок з McKinsey. Їх клієнтом була азійська логістична компанія, яка попросила технологічну компанію вирішити проблему зі збігом пропозиції флоту та маршрутів з вимогами клієнтів.

Як вони досягли цього?

Спочатку команда McKinsey зібрала всю необхідну інформацію 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 маршруту, яка генерує індивідуальні графіки для всіх транспортних засобів. З цим рішенням вони змогли покращити управління багатьма областями, враховуючи такі фактори, як:

• Тип транспортного засобу
• Витрати на використання
• Максимальна кількість вивантажень
• 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 оптимізації мережі (NOAH), щоб створити візуальні посібники 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 скоротило 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 аж 97% людей кажуть, що погана служба клієнтів впливає на їхні наміри щодо покупки? Однак інший ресурс стверджує, що 36% клієнтів все ще розчаровані відсутністю реакції компаній на їхні прості запитання.

Ці дані показують важливість наявності чат-бота для відповіді клієнтам негайно, щоб зберегти час і покращити досвід клієнта. Віртуальні помічники використовують обробку природної мови для спілкування з людьми на чаті, зазвичай прямо на домашній сторінці компанії. Вони створені з алгоритмами, які можуть розпізнавати запитання і потім відповідати на нього. Якщо користувач задає незрозуміле запитання, на яке немає відповіді в базі даних, чат-бот спробує знайти одну з “запасних” відповідей або вивчити нові закономірності від клієнта, щоб використовувати цю інформацію наступного разу, коли буде задане подібне запитання.

Чат-бот має певний обсяг знань про компанію та її продукти чи послуги. Він може використовувати свою базу даних або отримувати інформацію з зовнішніх джерел. Віртуальний радник відповідає на запитання і проводить розмову самостійно, спрямовуючи розмову на теми, пов’язані з діяльністю компанії або пропонуючи відвідування пов’язаної сторінки.

5 Ключових переваг чат-ботів

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

1. Негайні відповіді 24/7/365

У логістичних компаніях контакт з клієнтом 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 іншу інформацію.

Чому це важливо?

Сьогодні 77% людей очікують негайних відповідей 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, Фонд студентського житла в Гельсінському регіоні відзначив 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, допомагаючи відвідувачам навігації на сайті і швидко знаходити інформацію, яка їх цікавить. Вони допомагають вам створювати позитивний імідж бренду і персоналізований досвід клієнта. Тому, якщо ви піклуєтеся про будівництво задоволеності і лояльності бренду серед клієнтів, чат-бот може бути чудовим першим кроком.

Цікавим прикладом чат-бота, який допомагає знайти всю інформацію про продукт, є чат-бот Алекс, доступний на веб-сайті Intellexer Summarizer. Коли ви задаєте йому запитання, ви отримуєте повідомлення з посиланням на сторінку, де можна знайти інформацію інтересу.

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

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

3. Допомога у доставці

Віртуальні помічники можуть бути першим контактом з клієнтами і 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 більше, вони можуть також негайно виконувати запити клієнтів, пов’язані з доставкою, такі як надсилання рахунку за замовлення або інформування про статус доставки.

4. Комплексна підтримка працівників

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

За словами Баса Вогельса, керівника і тренера служби клієнтів DHL: “Працівникам тепер є багато часу, щоб розібратися з складними запитаннями клієнтів і запобігти ескалаціям. Рівень задоволеності працівників також збільшився величезно”.

5. Відстеження відправлення в реальному часі

У логістиці час доставки і реальний час інформації про статус замовлення мають велике значення. Чат-боти будуть забезпечувати, щоб клієнти не мали чекати на відповідь. Реальний приклад такого рішення є випадок з RoboRobo. Вони створили бота для RPL, який інформує клієнтів про статус їхнього замовлення. Чат-бот дозволяє клієнтам RPL відстежувати місце знаходження свого пакету і 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 і інших каналах.

3. Рішення проблем маршрутизації та пакетування в операціях складу

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

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

Одним з основних завдань алгоритмів машинного навчання є допомога людям у монотонних, але складних завданнях. У галузі логістики та виробництва одним з таких завдань є маршрутизація, яку машини також можуть підтримувати.

Цікавим прикладом цього є рішення, створене Nvidia для Zalando, гіганта електронної комерції, який має 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 планом “ланцюгової драбини” (що означає, що всі товари зберігаються на полицях, розміщених у декількох рядах з проходами). При цьому працівник повинен забрати товари, розташовані в різних частинах складу, система пропонує найкоротший можливий маршрут по складу, який дозволяє забрати всі необхідні товари.

Розробники Nvidia створили алгоритм OCaPi (Оптимальний вибір корзини), який знаходить оптимальну екскурсію для працівника і навіть руху корзини працівника. Це дозволило працівникам Zalando відмовитися від використання евристичного маршруту у формі букви “S” і 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 корзину. Вони проаналізували екскурсії OCaPi для десяти замовлень по дві речі, щоб знайти найбільш ефективні розбирання 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 підбору. Це рішення показало їм, що рух головним чином залежить від часу, витраченого на вибір речі з задньої частини, розташованої далеко від усіх інших товарів.

Щоб зробити оцінку часу руху OCaPi ще швидшою, вони використали каркас нейронної мережі Caffe і бібліотеку нейронних мереж cuDNN компанії 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 одну вибірку на 11%.

Такі рішення на основі машинного навчання дозволяють компаніям:

• Збільшити продуктивність
• Прискорити час підбору замовлень, що призводить до підвищення задоволеності клієнтів
• Збільшити задоволеність працівників, чию роботу підтримують інтелектуальні рішення
• Покращити щоденний потік роботи
• Виключити людську помилку, оскільки розрахунок маршруту є швидшим і точнішим, ніж якщо б це робила людина.