Як штучний інтелект допомагає скорочувати витрати на перевезення: реальні кейси
Сьогодні усі дуже багато говорять про революцію, яку штучний інтелект несе у галузь виробництва та логістики. Та ми помітили, що цій дискусії дуже часто бракує конкретики. Як саме штучний інтелект допомагає заощадити на перевезеннях? Як він впливає на бізнес? Як виміряти ефективність його впровадження в цифрах? Ми вирішили розглянути практичні кейси використання ШІ в логістиці, з відчутними та вимірюваними результатами.
Як застосувати штучний інтелект в логістиці?
Тут нам би не хотілося писати щось абстрактне про оптимізацію та автоматизацію, це й так очевидно. Краще зупинимось на реалістичних сценаріях використання інструментів ШІ. У сфері перевезень і доставлення ці сценарії можуть виглядати так:
• аналіз мільйонів комбінацій доставлення вантажу (маршрут, завантаження машини, час відправлення, пакування тощо);
• прогнозування вартості доставлення на основи факторів попиту, сезонності тощо;
• порівняння вартості прямих та непрямих перевезень;
• порівняння вартості зберігання товарів на складах відвантаження та призначення;
• підбір оптимального часу завантаження і розвантаження товарів;
• Генерація дизайну та варіантів пакування продукції;
• автоматизований моніторинг зберігання/перевезення товарів за допомогою телематики й систем комп'ютерного зору;
• автоматизація підтримки клієнтів за допомогою текстових і голосових чатботів.
І це лише ті можливості, які використовуються просто зараз. Усе вказує на те, що ці інструменти будуть стрімко захоплювати ринок.
Як свідчить торішнє (2022) опитування McKinsey, сьогодні електронні таблиці досі залишаються найпоширенішим інструментом планування для лідерів у ланцюжках постачання – на них розраховують 73% респондентів. Водночас 20% опитаних фахівців вже використовують для планування ШІ та машинне навчання, 43% – планують використовувати ці інструменти для окремих завдань планування, а 17% мають намір пристосувати їх для вирішення більшості таких завдань.
З огляду на ці показники та тенденції, в майбутньому ми побачимо нові інструменти й підходи до застосування ШІ.
Практичні кейси впровадження ШІ
Як це працює на практиці? Ми обрали низку загальновідомих кейсів, в яких штучний інтелект надав бізнесу суттєві нові можливості, або довів свою чітку ефективність. Розгляньмо їх.
Amazon. Цей американський велетень ритейлу давно й послідовно реалізує стратегію диджиталізації своїх ланцюжків постачання за допомогою ШІ та робототехніки. Наразі компанія сфокусувалась на прискоренні доставлення шляхом мінімізації відстані між товаром та його покупцем. Зокрема, ШІ допомагає оптимально спланувати розміщення запасів у величезній логістичній мережі Amazon. Якщо товар знаходиться близько до покупця, сервіс може доставити його день у день, або наступного дня після замовлення. Для цього необхідна технологія, що здатна аналізувати дані для прогнозування попиту на певні категорії товарів у певних регіонах. Як зазначають в Amazon, впровадження ШІ дає результат. Наразі понад 76% замовлень у США комплектуються у місцевих фулфілмент-центрах. Тобто, три чверті товарів мережі завжди перебувають поруч з покупцями й можуть бути доставлені без затримок.
UPS. Всесвітньо відома служба експрес-доставлення використовує низку засобів ШІ аби скорочувати витрати та покращувати ефективність операцій. Найважливішою з них є платформа ORION (On-Road Integrated Optimization and Navigation), яка стала головним робочим інструментом компанії.ORION використовує алгоритми ШІ для оптимального планування маршрутів водіїв, скорочуючи сукупний пробіг вантажівок UPS на мільйони миль щороку – із відповідним фінансовим ефектом. У 2021 платформа отримала можливість оновлювати маршрути в режимі реального часу. За оцінками експертів, розробка й розгортання ORION коштувала близько $250 млн, але вона дозволяє щорічно заощаджувати на перевезеннях від $300 до 400 млн.
DHL. Ще один глобальний логістичний велетень, який масштабно застосовує ШІ у своїх операціях. Однією з найоригінальніших ініціатив DHL сьогодні є OptiCarton – система на основі ШІ, що допомагає оптимально пакувати вантажі, з огляду на їхні характеристики, об'єм та розміри. В компанії зазначають, що інтерфейс платформи “схожий на гру Tetris”. З її допомогою співробітники можуть використовувати матеріали для пакування і робочий простір вантажівок максимально ефективно. Це допомагає скорочувати витрати на перевезення і пакування, мінімізувати кількість відходів, а також уникати епізодів пошкодження пакунків. За допомогою OptiCarton DHL прагне скоротити витрати матеріалів для пакування на 50%, а відтак і вуглецевий слід кожного від окремого доставлення.
C.H. Robinson. Важливий гравець на американському транспортному ринку, що активно автоматизує свої операції за допомогою машинного навчання та штучного інтелекту. У компанії звітують про успіхи цієї стратегії: ставка на технології від початку року дозволила підвищити продуктивність внутрішніх процесів на 12%, попри суттєве скорочення штату. Відтак компанія скоротила свої операційні видатки на 18,8% без втрати ефективності. Наразі оператор впровадив машинні алгоритми в організацію роботи з перевізниками та сервіс для клієнтів. Він також експериментує з генеративним ШІ для автоматизації й повідомляє про обнадійливі результати.
NileDutch та TIP. Ці нідерландські логістичні гравці звернулися до індивідуальних рішень на базі ШІ, аби покращити своє управління активами. Хоча перша компанія спеціалізується на морських перевезеннях, а друга – на сухопутних, їхні проблеми були схожими – неефективне використання наявних транспортних потужностей. Ключ до скорочення витрат в цих кейсах крився у покращенні можливостей прогнозування.
У випадку NileDutch ШІ дозволив прораховувати оптимальний план використання транспортних контейнерів на 10-12 тижнів вперед, аби уникати їх надлишку та визначати найефективніші шляхи перепозиціонування. Планування на основі ШІ дозволило компанії задовольнити той самий попит із залученням менших активів. Для TIP платформа на базі ШІ забезпечила точне (95%) прогнозування попиту на 6 тижнів вперед. Відтак компанія очікує зростання доходів на 11%.
Цей перелік можна було б продовжувати. Надалі, із поширенням засобів ШІ, він лише зростатиме.
Як запровадити інструменти ШІ в логістичний бізнес
Це велике і комплексне питання, яке зазвичай потрібно розглядати детально, в реаліях окремо взятої компанії. Втім, ми можемо позначити пару ключових моментів.
Ринок штучного інтелекту для логістики стрімко зростає, у ньому легко загубитись. Давно відомі провайдери TMS та ERP-рішень поспішають впровадити ШІ у свої продукти (як той же SAP). Велетні кремнієвої долини пропонують власні рішення (як приклад – новий логістичний функціонал ШІ у платформі Dynamics 365 від Microsoft). Поруч з ними виникають нові стартапи, які пропонують власні сервіси на базі ШІ.
Водночас компанії, що хочуть мати повний контроль над власною tech-інфраструктурою, інвестують у розробку власного софту та інструментів на основі ШІ. В низці випадків розробка індивідуального софту з нуля може бути для бізнесу набагато ефективнішим рішенням, ніж впровадження готової системи від вендора. Адже інтеграція чужого софту в операції зрілої компанії може бути дуже тривалим, витратним та “болісним” процесом.
Безумовна перевага індивідуальної розробки полягає у можливості кастомізації функціонала та інтерфейсу системи під специфіку окремого взятого бізнесу. Унікальний характер операцій, численні необхідні технології та інтеграції, традиції компанії й звички персоналу – усе це можна врахувати в логіці софту, який створюється з нуля.
Наш досвід роботи над такими проектами дозволяє стверджувати, що успішне впровадження кастомного софту дозволяє скоротити витрати на зберігання та транспортування товару на 10-15%. Важливими бонусами впровадження TMS-рішень майже завжди є інтеграція даних, розпорошених по різних платформах, та ефективні інструменти для планування операцій, які дозволять забути про електронні таблиці.
Щодо використання ШІ в логістиці – то інструменти для цього ринку завжди важко “упакувати” у певний сервіс для широкого загалу. Адже цей ринок сильно фрагментований, двох однакових транспортних компаній на ньому просто не існує. З іншого боку, аби показати максимальну ефективність, генеративний ШІ чи алгоритм машинного навчання має навчатись на операційних даних вашої компанії. Цей процес вкрай важливо зробити захищеним від зовнішнього впливу та безпечним. Важливо також забезпечити правильну вибірку даних для налаштування системи. Чи варто говорити, що всі ці процеси найпростіше належним чином організувати саме в рамках індивідуальної розробки?
Так чи інакше, наступне десятиліття буде добою ШІ-революції в логістиці – сьогодні ці технології використовують здебільшого флагмани галузі, але вже завтра їх будуть використовувати усі. Тож ігнорувати штучний інтелект не можна. Транспортні компанії, що візьмуться за інтеграцію засобів ШІ просто зараз, отримають суттєву фору.
