Przy flocie liczącej dziesiątki pojazdów, setkach adresów do obsłużenia i dziesiątkach tysięcy kilometrów, liczba możliwych kombinacji sięga setek milionów. Odpowiedni program dla dyspozytorów musi uwzględnić i przeanalizować je wszystkie, aby wybrać optymalne rozwiązania z punku widzenia kosztów, obowiązujących terminów oraz niespodziewanych wydarzeń na drodze, które wymagają natychmiastowych decyzji ze strony dyspozytora.
Korzyści? Szybsza realizacja zleceń nawet o kilkadziesiąt procent i redukcja kosztów transportu nawet o 15% dzięki bieżącej analizie rentowności. Do takich programów należy bez wątpienia system do optymalizacji tras Tasha, oprogramowanie autorstwa prężnie rozwijającej się czeskiej firmy Solvertech. Program ten wykorzystuje zaawansowane modele heurystyczne i pozwala na redukcję kosztów już od pierwszego dnia po implementacji. Takie oprogramowanie staje się dzisiaj standardem.
W niedawnym raporcie agencji konsultingowej Mckinsey[1] możemy przeczytać, że sztuczna inteligencja (AI w logistyce) przyjęła się na razie w czterech obszarach: obsłudze klienta, w pionie rozwoju usług i produktów, marketingu i sprzedaży oraz oczywiście w optymalizacji łańcucha dostaw (jej rola widoczna jest szczególnie w programach do planowania tras, planowaniu, prognozowaniu popytu i podaży, automatyzacji w magazynach, inspekcji dostaw pod kątem wad i uszkodzeń, sterowaniu dynamiką cen, systemach inteligentnych dróg w rodzaju Valerann).
Za kilkadziesiąt a może kilkanaście lat czeka nas dalsza automatyzacja łańcucha dostaw. Chatboty w działach zaopatrzenia już dziś pomagają w realizacji zamówień, śledzeniu przesyłek i udzielaniu informacji na temat usług. Technologia uczenia maszynowego (z ang. Machine Learning) pomaga przewidzieć zapotrzebowanie na określone produkty, na bieżąco przyczynia się do zmniejszenia kosztów paliwa, zaś dzięki symulatorom cen w łańcuchu dostaw pozwala z większym prawdopodobieństwem przewidzieć cashflow w nadchodzących miesiącach. Wsparcie ze strony robotyki i wózków AGV (Automated Guided Vehicles) w ogromnym stopniu zmieniło zarządzanie stanami magazynowymi.
Sztuczna inteligencja pozwala na ogromne oszczędności. DHL wdrożyło system przewidujący z dużym prawdopodobieństwem opóźnienia dostaw drogą lotniczą z uwagi na tłok na cykliczny tłok na lotniskach czy ekstremalne warunki pogodowe – choć transport lotniczy to zaledwie 1% całego transportu towarów na świecie pod względem tonażu, pod względem wartości stanowi on aż 35% wartości. Inny gigant z branży kurierskiej, UPS, w budżecie na kolejne lata zarezerwował sporą część z 20 miliardów dolarów na inwestycje związane z implementacją AI do obróbki i analizy dziesiątków miliardów rekordów danych, które generowane są każdego miesiąca przez firmę.
Przykładem zaangażowania Big Data w logistyce, który przeszedł już do historii, było praktycznie wyeliminowanie przez UPS skrętów w lewo przez pojazdy dostawcze. Po analizie tras i wyników spalania paliwa uznano, że auta przy skręcie w lewo stoją na włączonym silniku, czekając na pierwszeństwo. Dziś dostawczaki z logo UPS w 90% przypadków skręcają wyłącznie w prawo lub jadą prosto – pozwoliło to firmie zaoszczędzić 37 milionów litrów paliwa rocznie.
Intensywne prace trwają także nad pojazdami autonomicznymi. 75% firm transportowych spodziewa się, że wyjadą one na drogi w ciągu najbliższej dekady[2]. I choć są to bardzo optymistyczne prognozy, z pewnością wcześniej czy później nas to czeka.
[1] https://www.mckinsey.com/featured-insights/artificial-intelligence/ai-adoption-advances-but-foundational-barriers-remain
[2] https://www.iru.org/resources/newsroom/technology-and-automation-will-define-future-road-transport
