Машинное обучение в транспортных перевозках и логистике

Многие считают, что понятие логистика подразумевает перемещение товара из пункта А в пункт Б. На самом деле, для бизнеса — это многомиллиардная отрасль, которая может стать большим конкурентным преимуществом.

Совет логистического менеджмента США в 1976 году определил понятие логистики как необходимость в едином управлении товарно-материальными потоками. Логистика — это процесс планирования и обеспечения эффективного и непрерывного поступления товаров, услуг и сопутствующей информации оттуда, где они создаются, к потребителям, и направленный на удовлетворение потребительских запросов. Это весьма сложная сфера деятельности, которая состоит из множества отдельных операций.

Логистика является быстрорастущей и важной отраслью мировой экономики. На данный момент она занимает 5% мирового ВВП, что в денежном эквиваленте составляет более $4 трлн. На протяжении последних пяти лет индустрия растет на 7–10% ежегодно. В 2017 году транспортные компании заработали около $ 4,161трлн.

В то же время, увеличивается и количество данных, которые накапливаются в процессе логистической деятельности. В 2017 году их объем, генерируемый в сети, составлял 16.2 зеттабайта (16 трлн Гбайт). По оценкам специалистов и ученых, количество данных будет удваиваться каждые два года, и уже к 2020 году составит около 44 зеттабайт (44 трлн Гбайт).

И здесь на помощь — в анализе и интерпретации этих больших массивов данных — приходят алгоритмы машинного обучения (МО). Цель МО — делать прогнозы, основанные на ранее определенных тенденциях и свойствах. Используя алгоритмы МО есть возможность анализировать большие базы данных без включения человека в этот процесс. Иными словами, машинное обучение — это способ поставить аналитику больших данных на поток. С помощью такой технологии компьютер можно научить выявлять определенные закономерности, встречаясь с которыми, он будет выполнять определенные действия, которыми могут быть: расчет кратчайшего маршрута доставки, моментальное вычисление стоимости перевозки, оптимизация расписаний, флота (машины, вагоны), а также оптимизация эксплуатации оборудования.

Важно то, что алгоритмы машинного обучения универсальны и совершенно не привязаны к конкретному бизнесу или отрасли экономики. Мониторинг клиентской базы и определение вероятности оттока клиентов, анализ движения транспортных потоков и вероятные места появления заторов — все эти задачи можно решить при помощи одного и того же математического аппарата.

Как и любая другая отрасль рыночной экономики, логистика часто сталкивается с проблемами повышения рентабельности предприятия. Есть три основных способа достижения этой цели.

1. Повышение цен — в условиях свободного рынка конкуренты могут предоставлять те же услуги, но дешевле; как следствие, клиенты перестанут платить необоснованную цену и воспользуются услугами других компаний.
2. Сокращение персонала — в условиях роста спроса на услуги логистических предприятий, компании должны быть готовы к повышению нагрузки на собственные ресурсы и вовремя реагировать на изменения. В краткосрочной перспективе можно сэкономить на заработной плате нескольких работников, однако через некоторое время возникнет острая нехватка кадров, а существующие сотрудники не будут справляться с увеличенной нагрузкой.
3. Оптимизация расходов — данный метод рассчитан на оптимизацию затрат на перевозки за счет умного распределения ресурсов, а не сокращения численности сотрудников.

Для проведения оптимизации операционной деятельности логистических предприятий можно эффективно использовать машинное обучение. Инструменты МО в области обработки больших данных позволяют переосмыслить методы ведения бизнеса и сократить издержки.

Объединив данные о клиентах, экономических показателях и геолокации, логистические компании могут прогнозировать спрос, точность которого с каждым разом будет расти за счет дообучения алгоритмов на основе поступившей информации. Это позволит оптимально распределять нагрузки на транспортные средства и эффективно планировать маршруты доставок товаров.

Однако, такой инструмент не может решить все проблемы самостоятельно: он будет работать только в случае, если его применять совместно с планированием. Благодаря использованию технологий нейронных сетей и МО, такой анализ адаптируется и учится на прошлых периодах.

Например, логистическому предприятию поступил срочный заказ на перевозку товара день в день. За такой короткий промежуток времени найти обратный груз маловероятно и, как следствие, рентабельность услуги падает, а стоимость доставки повышается. Такой вариант не устраивает ни заказчика, ни исполнителя. Решение, которое предлагает анализ больших данных заключается в следующем: на основе данных прошлых периодов, система определяет, что конкретный клиент с высокой долей вероятности оформит заказ в понедельник, а с вероятностью ниже — во вторник. На обратный путь алгоритм, на базе сведений за прошедшие периоды, составит расписание, где автотранспортные средства будут максимально загружены, и предложит оптимальный маршрут и время отправления.

На деятельность логистических организаций влияет ряд экономических факторов: спрос на услуги перевозок, стоимость топлива, тип транспорта, внутренние и внешние коммуникации, надежность цепей поставки и т.д. Для их всестороннего анализа, учета и корректировки, необходимы обработанные и структурированные большие данные, которые при умелом использовании в алгоритмах МО, являются базисом для улучшения отдельных бизнес-показателей и, в целом, рентабельности предприятия. Благодаря использованию алгоритмов машинного обучения и анализу больших данных транспортные компании смогут получить колоссальную выгоду.

Инструменты машинного обучения, которые могут быть использованы в логистике:

• Агрегация огромного количества заказов, а также их последующий анализ, для оптимального распределения нагрузки на автотранспортные средства.
• Прогнозирование рентабельности и стоимости перевозки с помощью алгоритмов машинного обучения.
• Эффективное планирование маршрутов, благодаря технологии нейросетей и МО, которая обучается на базе данных о перевозках за прошедшие периоды.
• Оптимизация расписаний, флота (машины, вагоны) и эксплуатации оборудования за счет выявленных ранее закономерностей на основе, алгоритмически определенных, свойств и тенденций.
• Предсказание аварий, так же основанное на данных, которые были получены на предыдущих периодах.
• Компьютерное зрение для обеспечения безопасности зон, не предназначенных для посторонних, контроля остатков на складе, мониторинга отгрузки товаров, распознавания работников, сбора данных. И это только некоторые из множества примеров возможностей компьютерного зрения.
• Распознавание речи для обслуживания клиентов. Система распознавания речи является сложной, но очень интересной технологией в мире МО (далее в своих статьях мы расскажем про опыт распознавания человеческой речи: с какими проблемами столкнулись и каких успехов достигли).

Мир меняется, а вместе с ним и методы ведения бизнеса. Сейчас важно понимать, что трансформация бизнеса на основе трендов и технологий — это ключевое условие для выживания на рынке. Нельзя недооценивать данные, когда их количество неуклонно растет, а роль заметно усиливается. В 2018 году, использование алгоритмов машинного обучения — уже необходимость!