ИИ для логистических компаний: как искусственный интеллект прогнозирует спрос на услуги автомобильных перевозок

Эксперты компании ООО «Сбер Бизнес Софт» рассказывают о трендах индустрии, а также делятся опытом создания сервиса, который помогает оптимизировать расходы на логистику с помощью ИИ-технологий.

Для многих компаний (и не только логистических) оптимизация цепочек поставок, складов и доставки – это ключевые проблемы. И все решают проблемы по-своему, но согласно исследованию Deloitte только 10% из российских компаний используют ИИ в логистике и доставке. Тем временем, искусственный интеллект можно применять во многих логистических операциях, чтобы сделать жизнь компаний легче: повысить оперативность бизнеса и улучшить качество обслуживания, а также увеличить конкурентоспособность.

Вместе с экспертами Сбер Бизнес Софт разберем примеры прикладного применения ИИ-сервиса для решения насущной для логистических компаний проблемы – прогнозирования спроса на свои услуги для оптимизации расходов.

На сегодняшний день многие логистические компании сталкиваются с одной общей проблемой – спрос на их услуги зависит от времени года, погодных условий, периодов распродаж и т.д. При этом одни компании для того, чтобы не упускать выгоду и увеличивать свою пропускную способность, зачастую предпочитают содержать автопарки с чрезмерным количеством транспортных средств, рассчитанное больше на сезоны пиковых нагрузок.

Тем временем, содержание больших автопарков на постоянной основе может потребовать:

Другие логистические компании, напротив, стараясь оптимизировать издержки своего автопарка, сокращают пропускную способность. Таким образом, при неизменной загрузке по заказам и урезанных мощностях автоматически увеличиваются сроки доставки. Это неизбежно влияет на качество клиентского сервиса и степень удовлетворенности клиентов.

Конечно же, владельцы бизнеса задумываются о том, чтобы использовать технологии, инструменты или хотя бы какие-то методы, позволяющие предсказывать загрузку логистики или хотя бы минимизировать издержки. По нашему опыту большинство компаний для такого рода планирования используют простейшие подходы, например, скользящую среднюю, или метод экспоненциального сглаживания¹. Но не всегда таким способом можно добиться надлежащего качества прогнозирования. Так необходимость применения более совершенных расчетов с помощью ИИ становиться просто очевидной.

Внедрение ИИ в бизнес идет сейчас везде: с 2017 года доля компаний, внедривших ИИ хотя бы в одну бизнес-функцию выросла в 2,5 раза.

Если говорить о перспективах развития ИИ в России, то по оценке тех же аналитиков полный экономический потенциал ИИ в нашей стране к 2028 году составит 22-36 трлн рублей. И 70% потенциала приходится на 6 основных для российской экономики отраслей:

Рассмотрим, как это применяется, на примере пары кейсов использования ИИ-технологий для решения задач логистических компаний.

Как прогнозируют спрос

Релевантное решение – модель прогнозирования спроса на логистические услуги в разрезе маршрутов и типов перевозок с детализацией до объема, веса товаров, а также потока заказов на ближайшие 3 месяца. Такое решение позволяет прогнозировать будущий спрос с точностью до 90%².

Для разработки такого решения необходимо обладать исторической информацией о перевезенных заказах хотя бы за последние 2 года. Именно поэтому есть ограничение – это решение слабо применимо для новых, не имеющих исторических данных игроков на рынке.

Также следует учитывать ряд других важных нюансов:

Изначальная цель модели прогнозирования спроса на логистические услуги – помочь компаниям максимизировать пользу от эксплуатации транспортных средств и, соответственно, уровень сервиса. А с ростом качества прогнозов повышается возможность потенциального увеличения прибыли за счет сокращения себестоимости перевозок и улучшения обслуживания.

Как оптимизируют маршруты

На рынке существуют ИИ-решения для различных процессов в логистике. Оптимизировать можно не только расходы, но и каждый внутренний процесс в отдельности. Например, есть решение для формирования оптимальных маршрутов доставки заказов с учетом различных ограничений, включая ограничения по времени, по пройденному расстоянию, массогабаритные показатели транспорта и т.д.

Как это работает? Иллюстрируем на примере нашего сервиса для оптимизации логистики.

Модель получает следующие входные данные:

Далее, для решения поставленной задачи, задаются приоритеты в виде «стоимости» того или иного события. Событиями могут служить пропуск заказа, выход машины на смену, сверхурочная работа и т.д. Модель ищет решение с минимальной стоимостью издержек согласно заданным приоритетам. Результатом работы модели являются рейсовые листы с порядком доставки для каждой машины.

Сервис для оптимизации логистики может быть встроен в ERP-систему клиента (планирование ресурсов предприятия) или представлен в виде API (прикладной программный интерфейс), которая взаимодействует с моделью.

Несмотря на ограничения тех или иных решений, факт остается фактом: ИИ-решения уже приносят ощутимую пользу для бизнеса. Ниже представлены несколько из них, но это далеко не исчерпывающий перечень позитивных эффектов, которые дает внедрение ИИ-технологий.

В этой статье мы рассказали о двух практических кейсах использования ИИ-технологий – модели прогнозирования спроса на автоперевозки и модели оптимизации маршрутов, но в сфере логистики возможностей для ИИ-технологий еще много: например, регулировать работу с курьерами – их найм, нагрузку и расписание. Также можно оптимизировать работу сервисных центров, работу складских помещений, сортировку, прогнозировать пробки и т.д.

#бизнес #искусственныйинтеллект #логистика

Реклама. ООО "Сбер Бизнес Софт". ИНН 7730269550. Erid 2RanynrSYPJ

__________________________________

¹ Метод экспоненциального сглаживания – это метод «сглаживания» данных временных рядов, который часто используется для краткосрочного прогнозирования.

² Для оценки качества прогнозов используется ключевая метрика – WAPE, взвешенная абсолютная процентная ошибка, которая показывает ширину разброса прогнозов.