Более половины общих затрат, которые несут логистические и дистрибьюторские компании, приходится на оказание услуг первой мили, управление запасами, планирование спроса и услуги последней мили. Таким образом, логистические компании всегда стремились сократить расходы за счет ускорения процесса транспортировки и распределения и обеспечения его надежности и эффективности.

С быстрым развитием данных, искусственного интеллекта, облачных платформ и ускоренной оцифровкой логистической отрасли мы видим, что все больше и больше компаний добавляют искусственный интеллект (AI) и машинное обучение (ML) в свои цепочки поставок и логистику в целях оптимизации свои ресурсы за счет сокращения времени и денег, затрачиваемых на выяснение того, что, как, где и когда продавать и доставлять.

В этой истории я представляю реальный жизненный опыт, когда я принесла машинное обучение и искусственный интеллект региональному дистрибьютору и использовал его для улучшения логистики за счет повышения надежности, снижения затрат на транспортировку, более быстрой обработки и выбора оптимальных маршрутов для операции последней мили.

Бизнес-задача

Ведущий дистрибьютор. Компания занимается оптовой и розничной продажей, а также послепродажным обслуживанием на Ближнем Востоке. Компания имеет большое количество складских площадей по всему региону и торговый парк, насчитывающий более сотни автомобилей. Она является лидером рынка в ежедневном распространении продукции среди тысяч независимых и организованных розничных клиентов, географически разбросанных по всему региону.

Из-за интенсивной конкуренции в отрасли, замедляющегося роста B2B в категориях продуктов, давления на маржу по всей цепочке создания стоимости и стратегий выхода на рынок поставщиков компания была вынуждена искать новые трансформационные и разрушительные методы, чтобы изменить способ управления. свою логистику и цепочку поставок.

Инвестиции в искусственный интеллект и машинное обучение, чтобы нарушить процессы доставки, сделать их намного быстрее и эффективнее, а также обеспечить доставку в тот же день, стали для нас единственным инструментом для достижения этих целей. Для начала мы определили нашу стратегию на основе ключевых сценариев использования, которые приносят наибольший эффект, путем поиска наилучшего маршрута доставки, оптимизации плана поездки перед предварительным заказом, точной оценки сроков доставки, а также планирования спроса и определения правильного ассортимента складской продукции. при минимизации затрат.

Решение

На протяжении всей трансформации мы использовали искусственный интеллект и машинное обучение во многих аспектах операций цепочки поставок. Тем не менее, большая часть эффективности, внесенной AI и ML, была видна в областях маршрутизации транспортных средств, сетевого планирования и прогнозирования спроса. Инновации в этих областях, основанные на машинном обучении, сделали компанию более гибкой и динамичной, что позволило логистике обеспечить превосходное качество обслуживания розничных торговцев / клиентов. Результаты также показали лучшее планирование мощностей и запасов, оптимальное планирование маршрута, оптимальное распределение ресурсов и транспортных средств.

Ключевые варианты использования и избранные алгоритмы

1. Оптимизация автопарка. Одной из наших ключевых задач было повышение эффективности - от способа распределения нашего автопарка до сокращения сроков доставки и, как следствие, повышения качества обслуживания клиентов (розничных продавцов). Кроме того, этот процесс был полностью ручным и в первую очередь основывался на опыте людей, поэтому мы хотели использовать это как возможность полностью автоматизировать распределение грузовиков, фургонов и мотоциклов, а также автоматизировать определение наилучшего позиционирования и наилучшего сочетания автопарков. вся география, в которой работает наш бизнес.

После рассмотрения того, какие атрибуты данных использовать и как их упорядочить для достижения лучшего результата, наиболее важным мероприятием стал выбор наиболее подходящего технологического стека и разработка структуры с помощью алгоритма машинного обучения. Используя SageMaker и выбирая из огромного множества доступных и готовых к использованию алгоритмов, мы смогли автоматизировать планирование парка и обслуживать всех розничных продавцов на основе заранее определенных соглашений об уровне обслуживания, эксплуатационных расходов и сегментации клиентов, а также всех полностью автоматизированных процессов.

Для этого варианта использования мы включили три алгоритма для следующих различных целей:

Во-первых, для кластеризации местоположений розничных продавцов был использован набор алгоритмов кластеризации.

После этого мы разбили большие кластеры на более мелкие, определив количество подразделений на основе доходов кластера, объемов заказов и т. Д.

Наконец, мы сформировали кластеры с длинным хвостом, которые ориентированы на небольшие кластеры, формирующиеся в городских районах, и с остальными областями, чтобы обслуживать длинный хвост наилучшим образом.

2. Оптимизация доставки. Маршрутизация транспортных средств - одна из самых сложных логистических задач, которые необходимо решить, чтобы снизить затраты и оптимизировать логистические ресурсы. Планирование маршрута имеет несколько факторов неопределенности, таких как неустойчивый спрос на продукт, дорожные происшествия, непредвиденные погодные условия и т. Д .; все это может привести к увеличению затрат на управление логистикой, если не будет должным образом учтено.

Чтобы решить эту проблему, мы использовали алгоритмы DVRPTW (Задача динамической маршрутизации транспортных средств с временным окном). Основная цель заключалась в том, чтобы найти оптимальные маршруты для нескольких транспортных средств, посещающих набор мест, за счет минимизации времени и затрат и сосредоточения внимания на создании оптимального маршрута для доставки всем розничным торговцам, которые являются частью выделенной зоны доставки.

Модель создает пулы поверх определенных кластеров, определенных в предыдущем варианте использования, и определяет фиксированные и динамические маршруты на основе доступных предварительных заказов, а также управляет динамическими новыми заказами и новыми заказами в реальном времени.

Модель машинного обучения, наряду с мощью автоматизации SageMaker, позволила нам рассмотреть более широкий спектр факторов, помимо заказов и возможностей доставки; Фактически, это позволило нам учитывать условия движения в реальном времени, расстояние, которое нужно преодолеть, SLA, классификацию клиентов и другие факторы, создавая при этом оптимальный маршрут в режиме реального времени.

3. Планирование и прогнозирование спроса. Как и в любом дистрибьюторском бизнесе, прогнозирование жизненно важно для множества вариантов использования, от планирования спроса на продукцию, ресурсов, запасов до прогнозирования финансовых результатов. Прогнозирование позволяет использовать прошлые данные и внешние факторы, чтобы понять, как выглядит их ближайшее будущее с точки зрения затрат, необходимых для обеспечения продуктивности, доходов, которые будут получены от продаж, и областей, в которые следует инвестировать или выйти с целью удовлетворения требований компании. желаемые цели.

Поэтому точное прогнозирование чрезвычайно важно. Например, заниженный прогноз спроса на продукцию может привести к упущенным возможностям, в то время как завышение прогнозов может привести к потере ресурсов и невозвратным расходам компании. Точно так же заниженные финансовые показатели могут оставить у компании другого выбора, кроме как снизить цены, в то время как завышенные прогнозы могут привести к истощению денежных резервов.

Использование Amazon Forecast позволило нам спрогнозировать соответствующие уровни запасов для всех мест хранения запасов, которые распределяются по всем сетям розничных продавцов. Amazon Forecast также обеспечивает точное прогнозирование продаж, что позволяет лучше прогнозировать потребности в запасах и осуществлять планирование запасов для розничных продавцов.

Технология и подход

Разработка и настройка платформы данных

Чтобы реализовать эти варианты использования, мы заключили партнерское соглашение с AWS в качестве основного поставщика технологий. Благодаря этому партнерству мы с моей командой создали движок инноваций в области данных и искусственного интеллекта на основе технологического стека, полностью построенного на AWS, с AWS SageMaker и Amazon Forecast в его основе, чтобы преобразовать традиционную модель распределения и управлять цепочкой поставок от начала до конца. завершите автоматизацию и обеспечьте операционную эффективность вместе с новыми моделями доставки.

Использование AWS не только для развертывания сред в облаке, но и для решения критических бизнес-проблем благодаря готовым и настраиваемым решениям AI / ML в их полностью управляемом стеке услуг, которые ускоряют и автоматизируют общий процесс «Сборка / Обучение / Развертывание »жизненного цикла модели масштабируемым, оптимальным с точки зрения затрат и наиболее точным способом.

Мы разработали платформу данных, оптимально настраивая наше озеро больших данных с корзинами S3 и корпоративным хранилищем данных, разработанным с использованием Redshift.

Выберите алгоритмы машинного обучения

Выбор правильных моделей машинного обучения не был простым и одноразовым дизайнерским упражнением, это был постоянный подход, включающий следующие шаги:

  • Сбор правильных данных
  • Очистка данных
  • Поиграйте с данными в Excel, чтобы понять существующие сценарии и лазейки
  • Визуализация текущего местоположения автопарка и координат дилеров на картах
  • Анализ результатов
  • Оценка доступных алгоритмов, которые генерируют желаемые модели
  • Обучение алгоритмов
  • Калибровка и улучшение модели

Ключевые результаты

Amazon Forecast позволил нам точно прогнозировать продажи и улучшить планирование запасов. Это настоящая победа не только для нас и нашего бизнеса, но и для наших клиентов. До использования Amazon Forecast мы в значительной степени полагались на использование комбинации статистических моделей и ручных процессов для прогнозирования продаж и управления запасами. Это потребовало значительных затрат времени и людей для поддержания этих прогнозов вручную, а также оставляло место для ошибок. Благодаря Amazon Forecast мы увидели увеличение продемонстрированной доступности более чем на 20% и повышение эффективности складских запасов на 15%. Кроме того, мы переместили наши команды, которые делали прогнозы вручную, чтобы теперь сосредоточиться на дополнительных усилиях по извлечению информации из новых прогнозов, чтобы помочь улучшить результаты нашего бизнеса. В целом, с помощью трех сценариев использования, описанных в этой истории, мы достигли важных бизнес-преимуществ, таких как:

  • Снижение затрат парка на распространение на 20%
  • Полная автоматизация распределения автопарков по нескольким странам
  • Включены новые модели доставки, основанные на фиксированной и динамической маршрутизации флота для выполнения доставки последней мили.
  • Улучшенное распределение на уровне обслуживания доставки последней мили
  • Снижение совокупной стоимости владения на выполнение прогнозов прогнозирования спроса на 60% по сравнению с совокупной стоимостью владения унаследованных решений для планирования и прогнозирования спроса.
  • Увеличение продемонстрированной доступности на 15%
  • Повышение эффективности складских запасов на 10%

Примечание автора

Этот блог был опубликован только в информационных и иллюстративных целях и не предназначен для использования в качестве рекомендаций какого-либо характера. Информация, содержащаяся в этом блоге, и ссылки на нее являются добросовестными. Эта история также содержит определенную информацию, доступную в открытом доступе, а используемые и упомянутые алгоритмы широко используются и являются общеизвестными.