Искусственный интеллект увеличил доходность транспорта и логистики Беларуси

Искусственный интеллект поднял доходность бизнесов и стал доступным

— Могли бы вы простым языком объяснить: за счет чего ИИ стал способен приносить деньги пользователям?

— Тысячи компаний используют наши облачные системы более 20 лет. Это позволило алгоритмам сравнивать поведение обезличенных пользователей между собой, уловить успешные практики, обучить на них систему и создать «отраслевой разум». Теперь система может находить максимально выгодные решения почти мгновенно.

— ИИ обучился и дает решения лучше людей и старых технологий?

— Не только. Если у вас надежная информация — вы принимаете верные решения. Если у вас надежная информация за 20 лет, алгоритмы улавливают тенденции и миллионы факторов — вы принимаете верные решения на будущие недели.

— Стало возможным прогнозирование?

— Да, благодаря одному из продуктов платформы INFINIUM — TMS Logimus — это онлайн-система оптимизации логистики и контроля процессов доставки. Важно то, что система подсказывает сотрудникам, какое их действие не оптимально, может их обучать. К тому же она видит реально эффективных сотрудников, что позволяет руководителю вовремя премировать их, чтобы не потерять.

— О каких цифрах экономии на практике идет речь?

— Если мы говорим о грузовых автоперевозках, то около 15% затрат неоправданно истираются об асфальт. Система это видит, сравнивая 100 000 водителей между собой: многие проезжают с тем же темпом в полностью аналогичных условиях, но с меньшими затратами. Значит, остальные неоправданно перерасходуют ресурсы своих компаний. И система дает инструменты для их сокращения, одним из таких является продукт платформы INFINIUM — Optidriving.

А если говорить о доставке в магазины и E-commerce, то там исторически сложилась цифра недополученной доходности логистики до 30–50%.

— Давайте поговорим о логистике доставки: 30–50% — это много. Как это работает? И при чем здесь прогнозы?

— Мы имеем GPS-данные движения 100 000+ обезличенных корпоративных автомобилей за 20 лет. Наши Data Science-инженеры научились на их основе прогнозировать трафик на дорогах, очереди в гипермаркетах.

— А как это связано с доходностью бизнесов?

— Это позволяет давать водителю на завтра максимально напряженное, но гарантированно выполнимое задание. То есть максимально выгодное предприятию. Без недовольства водителя.

Затем мы 10 лет разрабатывали собственные алгоритмы и систему оптимизации сетей маршрутов доставки с учетом загрузки улиц и очередей на разгрузку в TMS Logimus, чтобы маршрутные задания водителю были оптимальны и создавались за секунды.

— А кто учтет требования покупателей, возможности водителей?

— Робот учитывает от цены автомобиля и гибкости водителя до желаний клиентов и рисков отказа их от заказов. Это позволяет балансировать на пике финансовой оптимальности логистики. И вместо рутины логисты получили возможность управлять стратегиями доставки.

На практике наш робот сокращает время работы логистов в среднем в 30 раз, а затраты на доставку — на 30%.

— А как уследить, чтобы все водители ехали именно так, как предписано?

— Интеллектуальное планирование и GPS-контроль водителей — в одной системе. Поэтому стало возможным сравнение план/факт. Автоматика выявляет отклонения от оптимальных маршрутов, пробегов и графиков. Не нужно смотреть за всеми: уделяйте внимание только нарушениям.

— Какие преимущества получают ваши пользователи в сравнении с зарубежными системами?

— Google, TomTom, «Яндекс» и пр. получают данные от навигаторов и не знают, на чем едет пользователь, но водитель городского автобуса и шустрый курьер на легковушке — это разные «планеты». Усреднять их скорость — это «средняя температура по больнице». Соответственным получается и прогноз скорости доставки...

Мы смогли решить эту проблему: одна из наших компаний («БелТрансСпутник») 20 лет своими руками ставила более 100 000 GPS на автомобили, и нам известно, от какого типа авто приходят GPS-данные.

Поэтому мы строим прогнозы скорости на улицах отдельно для легковых, фургонов, грузовиков. Эта точность убрала конфликты с водителями и обоснованно увеличила темп доставки. Водитель видит в карте нашего приложения Logimus Route, как ехать, когда, где быть, какой пробег ему оплатят в конце дня.

Последствия ИИ: сотрудник — ценнее, руководитель — независимее

— Может, логисты, как штурманы в авиации, исчезнут как профессия?

— Штурман не исчез. Технологии сделали его вторым пилотом.

Что делает обычно логист в доставке? Целый день раскидывает заказы по машинам на завтра. Он должен учесть вместимость и цену каждого автомобиля, доступность водителя и заезды на склады поставщиков, требования клиентов и возврат тары, кросс-докинг и совместимость грузов... К вечеру он закончит один вариант логистики и разошлет задания водителям на завтра.

А ведь нужно как-то сделать логистику оптимальной для своей компании. Учесть риски простоя в очередях, переноса сроков, трафик на каждой улице на завтра. И хорошо бы просчитать десяток альтернативных вариантов логистики, чтобы выбрать оптимальный...

Соревноваться человеку с компьютером, как пешеходу обогнать самолет. С ним нужно не соревноваться, а «оседлать», дать в руки инструмент, который позволит добиться лучших сценариев доставки.

— Так получается, что работа логиста больше не нужна?

— Наоборот. Система настолько автоматизирует работу логиста, что он через 15 минут может закрыть компьютер. Но может в системе TMS Logimus дальше просчитывать разные стратегии: «клиентоориентированность — доходность», «риски — выгода» и найти еще более выгодное решение.

Например, логист попробует разрешить приезжать раньше на 10 минут к некоторым клиентам. Система сделает перерасчет и сократит, скажем, 3–4 машины в доставке дня. В месяц это экономия $10–15 тыс. Если за месяц не было нареканий от клиентов, значит, логист все сделал правильно и достоин бонуса из сэкономленных денег.

— А в чем выгода руководителя, кроме экономии?

— Оцифрованность процессов. Сотрудник хочет получать больше. Для этого он иногда пытается сделать компанию зависимой от себя. Например, логист держит в своей голове, когда нужно доставлять грузы в магазины, каково примерное время разгрузки и т. д. Уйдет такой логист — все рухнет.

При внедрении мы оцифровываем знания сотрудника. Вкладываем их в систему оптимизации логистики TMS Logimus и учим логиста создавать более выгодные решения, увеличивать доходность компании. Да, с его уходом ничего не рухнет, но отпускать такого сотрудника невыгодно: это про «курицу» и «золотые яйца». Поэтому получается Win-Win.

Сила — в простоте пользования, а риски легко устранимы

— Насколько сложно перейти от привычных процессов к использованию ИИ? Какому проценту сотрудников это удается?

— Простота — ключевое требование. После экспертной настройки системы под процессы компании логистическая рутинная работа делается одной кнопкой. Если кто-то говорит: «Вам нужно изменить процессы под нашу систему», значит, разработчики не сделали настройки под любые бизнес-процессы или хотят получить с вас деньги за «персональные» доработки.

— Значит, система «взлетит» и увеличит доходность нажатием одной кнопки?

— Если вы используете сильную систему, то такого не будет. Чем больше система может «прогнуться» под ваши процессы, тем больше в ней настроек.

Вы можете взять в лизинг «Боинг». Ваши знакомые летают на нем и довольны, но зайдите в кабину: там сотни ручек и кнопок. Можно летать в любых условиях, но если вы для обучения не наймете пилота-инструктора, то не взлетите.

Так же и система оптимизации затрат. Кроме права пользования «самолетом», вам нужно оплатить «пилота-инструктора». Он вникнет, сам настроит «самолет» под ваши задачи, научит вас «летать» и получать удовольствие.

Кстати, «Боингом» управлять не сложно. Если все правильно настроено до взлета, то управлять самолетом не сложнее велосипеда. Все остальное делает за вас автоматика.

— А как может компания без остановки бизнеса перейти на использование ИИ?

— Если у вас сотрудники, которые хотят научиться управлять ИИ, стать более ценными, то рисков перехода у вас нет.

Если ваши сотрудники не хотят освоить новые технологии, то мы рекомендуем до внедрения заказать логистический аудит. Он покажет, какая дополнительная доходность стоит на кону, как можно выполнить доставку с помощью TMS Logimus меньшим количеством автомобилей, пробегов и трудочасов ваших сотрудников.

«Отдайте на съедение» выводы аудита вашим логистам. Пусть попробуют найти ошибки, а когда увидите, что возразить им нечего, а найденная экономия составляет 30%, вы поймете, что нужно начинать.

Не стоит беспокоиться: ломать никого не придется. В случае нежелания сотрудников осваивать новую технологию мы создадим IT-канал параллельного выполнения логистической работы. Когда он включится, вы пропустите через него 5% заказов, затем 20%, 50% и без рисков начнете работу по-новому, а лучшие сотрудники сами захотят перейти в новый отдел.

Удержание водителей через Big Data и Data Mining стало реальностью

— Давайте вернемся к автоперевозчикам. Их сталкивают на тендерах, где каждый процент важен. А вы сказали о 15% избыточных потерь. Откуда эта цифра?

— Мы 20 лет собирали данные о работе более 100 000 обезличенных водителей. Разработали алгоритмы Optidriving, которые сравнили водителей между собой, и увидели: многие водители выполняют работу с одинаковой производительностью, но с меньшими затратами.

Один человек проехал участок и потратил 26 литров топлива, а второй потратил 30 литров. Если условия были одинаковыми, то второй водитель зря сжег 4 литра, потому что первый своим проездом доказал, что можно потратить 26 литров.

А куда девались излишне сожженные 4 литра? Они дополнительно истерли шины, диски, увеличили аварийность и т. д. Это закон сохранения энергии, поэтому умножайте стоимость зря потраченного топлива на 2–3.

— А как вы выделяете водителей, которые действительно были в сопоставимых условиях?

— Мы сравниваем между собой водителей на одном типе машин, дорог, с таким же грузом, погодой, плотностью трафика, временем прохождения маршрута и мн. др. Но даже если на каждом участке дороги сгруппировать всех водителей в полностью сопоставимых условиях, то виден большой разброс создаваемых ими затрат. Это как «рентген», определяющий скрытые качества водителя.

— Но ведь сегодня на рынке дефицит водителей. Выбирать иногда не из кого.

— Система Optidriving — не против водителя, а в помощь ему и HR-службе. Она показывает водителю его неоптимальные действия на дороге, учит больше экономить топливо, больше оставлять его себе как бонус. Предложите водителю не «кнут», а «пряник», помогите ему больше заработать без релокации семьи в Польшу. И тогда вопрос удержания водителя не будет для вас таким острым.

А компания получает не меньше за счет продления ресурса автомобиля и его расходных материалов, снижения аварийности. Добавьте сюда маркетинговые преимущества — вот как четко мы следим за бережной перевозкой ваших грузов, как снижаем риски их повреждения, выбросы CO.

— А почему вы упомянули HR-службу?

— Потому что это фильтр на входе. Уже через первых 50–100 км система оценки покажет, кто перед вами. И не голословно: сама учтет сложность маршрута, предоставит набор доказательств на карте с неоптимальными действиями водителя в этих условиях. Вы не пропустите в коллектив людей, которые будут создавать избыточные затраты.

Кроме того, по каждому вашему водителю система показывает, каков он в рейтинге вашей отрасли, какова вероятность, что за воротами стоит лучший кандидат.

— В рекламе встречаются системы оценки водителей. Почему они не работают?

— Они строятся на формальных подходах: процент времени движения на круиз-контроле, повышенные обороты, нажатия на тормоз, соблюдения знаков скорости и пр. Но может, водитель грамотно тормозил двигателем — вот и повышенные обороты. Может, он ехал по холмам и правильно отключил круиз-контроль, мешающий экономить топливо? Может, он въехал в город на 69 км/ч и проехал его без торможений на этой скорости ночью? То есть он профессионал. Вы зря его накажете, он хлопнет дверью — и вы потеряете отличного сотрудника. Попробуйте оценить любого водителя такой системой, и он возмутится: «У меня был сложный маршрут, там лучше не проедешь». И вам придется подстраивать систему оценки, чтобы не обидеть человека, а что это за линейка, которую нужно изгибать под измеряемого?

— Как можно учесть сложность маршрута и как достигается объективность оценки?

— Мы 20 лет кропотливо собирали отдельные Big Data работы водителей разных отраслей: от E-commerce до международных перевозок. Под каждым участком дороги накапливали базу до миллионов проездов по нему. И теперь сравниваем на участке каждой сложности, как по нему проехали тысячи разных водителей в полностью аналогичных условиях. Мы не знаем ни одной системы, которая смогла бы так же успешно решить эту задачу. И рады, что это удалось сделать в Беларуси и помочь нашим компаниям.

— Хотелось бы понять: а почему вы раньше не брались за решения всех этих проблем?

— Есть закон о переходе количества в качество. Пока наша Big Data «зрела», пока не стала настолько большой и разносторонней, что к ней можно применить инструменты Data Science, мы не могли решить эти задачи. Да и математические методы поиска закономерностей Data Mining появились совсем недавно.

— Зато теперь нам по плечу все больше задач, которые раньше не имели решения.

Партнерский материал