W jaki sposób uczenie maszynowe przyspiesza dostawy na ostatnim odcinku i na ostatnim metrze

Podczas gdy większość wysiłków branży logistycznej zmierzających do skrócenia czasu dostaw skupia się na optymalizacji tras, okazuje się, że kierowcy nie spędzają tam większość czasu.

W rzeczywistości aż 75% ich dnia pracy poświęca się na nawigowanie nie ostatnią milą, ale ostatnimi 100 metrami — oczekiwanie w dokach załadunkowych, wyszukiwanie miejsc parkingowych i interakcję z klientami. Chazz Sims, dyrektor generalny Wise Systems , startup z siedzibą w Cambridge w stanie Massachusetts, który opracował oprogramowanie do autonomicznego wyznaczania tras i wysyłek.

Korzystając z danych i narzędzi uczenia maszynowego, firma odkryła, że ​​ten rodzaj czasu obsługi różni się znacznie w zależności od pory dnia, konkretnego klienta, danych towarów i osoby dostarczającej, dodał Sims. Na przykład niektóre sklepy są zajęte obsługą klientów o określonych porach dnia lub odbieraniem towarów z różnych samochodów dostawczych w innych. Dostrzegając te wzorce i zmieniając harmonogramy, firma była w stanie skrócić czas i koszty dostaw.

Narzędzia Wise Systems automatycznie dostosowują trasy, kierowców i harmonogramy w ciągu dnia w odpowiedzi na inne zmieniające się warunki, w tym pogodę, natężenie ruchu i zapasowe doki załadunkowe. Analizując dane z floty firmy piwowarskiej Anheuser-Busch, jednego z największych klientów startupu, Wise Systems był w stanie zredukować opóźnione dostawy o 85%, a mile flotowe o 13%.

Firma, założona w 2014 roku, uniesiony 7 milionów dolarów z funduszu AI Google pod koniec zeszłego roku.

ukryć