Hogyan tud az AI jobb 3PL ügyfélszolgálati élményt nyújtani?

 

Valamennyi harmadik féltől származó logisztikai (3PL) szervezet elsődleges célja, hogy ügyfelei számára kihelyezett logisztikai támogatást nyújtson az áruk és anyagok mozgásának kezelésével a gyártástól a tároláson át a kiszállításig. De hogyan lehet ezt megtenni egy olyan működési környezetben, amelyet egyre szűkösebb munkaerő, váratlan és gyakran zavaró események és információs túlterheltség jellemez?

 

"Minden 3PL szervezet hasonló kihívásokkal néz szembe" - mondja Brien Downie, a Holman Logistics elnöke. "Az ügyfelek azt akarják, hogy készletük védve legyen, amikor az a raktárban van. Pontos, valós idejű információkat akarnak nyersanyagaik és késztermékeik helyéről. Azt akarják, hogy mindent menetrend szerint szállítsanak ki, és semmi olyat, aminek nem kellene. Legfőképpen , azt akarják, hogy a szállítások befejeződjenek és időben megtörténjenek.

 

Ezeknek az ügyfeleknek az igényeinek kielégítése elég nehéz lenne, ha a rendelések teljes teherautónyi mennyiségre korlátozódnának, amelyet közvetlenül a raktárakból szállítanak a címzett fogadódokkjába. A valóság azonban egészen más. A rendelési minták összetettek, különösen az e-kereskedelmi tranzakciók esetében, amelyek egyre nagyobb részt vesznek ki az ország kereskedelméből. „Az ügyfelek egyenként rendelhetnek dolgokat” – mondja Downie. "de az egyedi és kis mennyiségű tételek kezelése drága lehet."

 

A dolgok akkor állnak meg, amikor az ellátási láncot káros időjárás, szállítási meghibásodás vagy munkavégzés éri. "Bármikor, amikor fennakadás történik, a dolgok nagyon költségessé válnak" - mondja Downie. "Végül többletkapacitást vesz fel a személyzet tekintetében a rendelések pontos nyomon követéséhez vagy az anyagmozgató berendezésekhez szokatlan körülmények között. Aztán ott van a kihívás, hogy mit kezdjünk az emberekkel és a berendezésekkel, ha a válság elmúlt."

 

A hatékonyság növelése

Az egyre igényesebb működési környezet követelményeinek való megfelelés érdekében a 3PL szervezetek AI-vezérelt szoftverszolgáltatókkal dolgoznak együtt. Az élvonalbeli technológia számos olyan problémát kezelhet, amelyek javítják a működési hatékonyságot. Az egyik fontos példa a fokozott biztonság. „A biztonságos raktár hatékony raktár” – mondja Downie. "A kevesebb baleset azt jelenti, hogy a 3PL szolgáltató jobban tud gondoskodni a raktárban dolgozó emberekről és az ott tárolt termékekről." A balesetmentes műveletek közvetlenül hozzájárulnak az eredményhez és az ügyfélszolgálati célokhoz a sérülések és a termékmozgás megszakadásának csökkentése révén.

 

A biztonság garantálásának hagyományos megközelítése az volt, hogy érzékelőket szereltek fel, amelyek leállítják a felvonókat, ha ütéseket észlelnek. A felszínen ez nagyszerű megoldásnak tűnik. Valójában egy ilyen rendszer magasabb költségekkel jár, ha az érzékelők nem tudják megkülönböztetni a várt vagy normál ütéseket a károsaktól.

 

"A hagyományos érzékelők nem adnak elegendő információt" - mondja Downie. "Nem tudják elkülöníteni a jelet a zajtól. Gyakran vannak g-force érzékelőik, amelyek leállítják a targoncákat, ha a vibrációs szintet túllépik. A cél az, hogy azonosítsák, ha valaki ütközött vagy nekiütközött egy darabnak. De a probléma az, hogy nagyon gyakran egy ártalmatlan ütésen való áthajtás aktiválja az érzékelőt. És amikor a rendszer nem tudja megkülönböztetni a jót a rossztól, akkor az emberek kikapcsolják a rendszert teljesen." Ez természetesen növeli a költséges balesetek kockázatát.

 

Az érzékelőrendszer fejlesztésre szorul, hogy kiszűrje a normál működés alóli kivételeket. Itt jön be az AI-feldolgozás. Fejlett mintafelismerése gyorsan és pontosan választja el a jelet a zajtól. Az eredmény a biztonsági kérdések vezető mutatóinak csökkenése. A munkaadók azonosíthatják, hogy mely kezelők ütköztek állványokba vagy hajtottak végre agresszív kanyarokat, valamint azt, hogyan és mikor teszik ezt. "Az AI világos képet ad arról, hogy mi történik valójában a raktárban" - mondja Downie. "Hatékonyan képes azonosítani a lehetséges baleseteket, mielőtt azok bekövetkeznének."

 

Optimális hornyolás

Az áruk megérkeznek a raktárba, a csapat feldolgozza, majd továbbkerül a polcokra. Azonban aminek zökkenőmentesnek kell lennie, az tele lehet olyan hiányosságokkal, amelyek növelik a munkaerő- és kezelési költségeket, és veszélyeztetik a pontos szállítást.

 

"Történelmileg nem sok fejlesztés történt gépi tanulási szempontból a termék raktárba kerülését és kiszállítását illetően" - mondja Downie. – Ez gyorsan változik. Mostantól a 3PL szervezetek alkalmazhatnak mesterséges intelligencia-alapú raktárkezelő szoftvert automatikus résbeosztással, amely a korábbi termékmozgási mintákat használja fel az új készletek kezelésének automatikus irányítására.

 

A mesterséges intelligencia által vezérelt raktárfelügyeleti platform hatékonyabbá teheti a világ 3PL-jeit az olyan műveletekben, mint a komissiózás, az elrakás és a készletezés pontossága. "Sok raktárban nem helyezik el a termékeket az optimális helyen, mert egyszerűen nem ismerik az adatpontok egész sorát, például azt, hogy milyen rendelések érkeznek valós időben, hány raktári dolgozó lesz egy műszakban, és nem ismerik a szakértelmüket. munkások” – mondja Yosh Eisbart, a Fulfilld, egy mesterséges intelligencia-kompatibilis raktári hangszerelési vállalat vezérigazgatója és társalapítója. "A mesterséges intelligencia lenyelheti ezeket az információkat, és felhasználhatja a "mi lenne, ha" forgatókönyvek futtatására. Például: "Mi lenne, ha ezt a terméket ezen a helyen mozgatnánk, vagy ezeket a termékeket ezekre a helyekre a 20 leggyorsabban mozgó elem érdekében? Hogyan nézne ki? tekintettel a nagyobb komissiózási hatékonyságra és a kisebb munkaerőigényre?' Az eredmény egy olyan szintű raktárhatékonyság, amely máskülönben nem létezik."

 

A mesterséges intelligencia előtt a raktárvezetők a hatékonyság növelése érdekében rendszeres időközönként ad hoc alapon próbálták átrendezni a terméket. "Néha ez működne, néha pedig nem" - mondja Eisbart. "De még a legjobb esetekben is csak egy pillanatfelvételen alapulnak a döntések. Az AI lehetővé teszi az állandó újraértékelést és újraelosztást, valamint az eredmények folyamatos tesztelését, amely feltárja a hatékonyság és a költségek százalékos változásait."

 

Az elpazarolt raktári dolgozók lépéseinek csökkentésével a 3PL szervezet termelékenyebbé, költséghatékonyabbá, pontosabbá és ügyesebbé válik. Gyorsabban és olcsóbban szállíthatja ki a megrendeléseket, így biztosítva a végfelhasználói elégedettséget és csökkentve az ügyfelek költségeit.

 

A mesterséges intelligencia rendszerek a személyes történelem és teljesítmény elemzése alapján még azt is kijelölhetik, hogy mely alkalmazottaknak kell áthelyezniük az egyes termékeket. "Míg ezt az értékelést hagyományosan egy felügyelő végzi el, ami néhány embernél működik, az hamar túl nehézkessé válik több ezer dolgozó számára" - jegyzi meg Downie. "A szoftvereszközök lehetővé teszik a vállalat számára, hogy optimalizálja a munkaerő elosztását a maximális hatékonyság érdekében."

 

Az AI hatékonyabb ezekben a döntésekben, mert a hagyományos "digitális iker" elveit beépíti szoftverébe. A technológia azonnali és folyamatos hozzáférést biztosít az olyan raktári információkhoz, mint az épületek méretei, a folyosók helyzete és magassága, a folyosók közötti távolság, a rakodódokk helyei, a helyszíni alkalmazottak száma és szakértelme, valamint a rendelkezésre álló targoncák helye és adatai. , autonóm mobil robotok és automatikus tárolási visszakereső rendszerek. "A mesterséges intelligencia alaptermékének digitális kettős részévé tétele lehetővé teszi, hogy nagyobb raktári hatékonyságot alakítson ki, ami jobb ügyfélélményt eredményez" - mondja Eisbart.

 

A digitális iker segít megoldani a raktári dolgozók fluktuációjának költséges problémáját is. A helyettesítő személyzetből, akiket gyakran gyorsan kell felvenni a kereslet kielégítése érdekében, túl gyakran hiányzik az optimális hatékonyság fenntartásához szükséges szakértelem. "Az új dolgozók nem ismerik a raktár elrendezését, de a mesterséges intelligencia gyorsan felgyorsítja őket azáltal, hogy térképeket biztosít optimalizált útválasztási utasításokkal" - mondja Eisbart. "Ahelyett, hogy a raktár fele sétálna, hogy A pontból B pontba jusson, az új dolgozó követheti a javasolt útvonalat. Az eredmény a jobb képesség a készlet gyors megtalálására és feldolgozására."

 

Az emberi tényező

Bármilyen lenyűgöző is, a mesterséges intelligencia önmagában nem képes elérni a 3 PL-t a maximális hatékonyság eléréséig. Emberi szakértelem továbbra is szükséges. "A mesterséges intelligencia kihasználása nem eredményez automatikusan hatékonyságnövekedést" - mondja Downie. "Az embereknek továbbra is részt kell venniük. Bár az AI képes elsajátítani a témát, nagyon gyakran téves következtetésekre jut. A 3PL szervezetnek biztosítania kell, hogy megőrizze a kritikusan gondolkodó és az AI korlátait felismerő emberek belátásait."

 

Az AI előnyei nem jelentkeznek egyik napról a másikra, és időbe telik, amíg az alkalmazottak meggyőződnek a technológia lehetőségeiről. "Az emberek izgatottak lesznek az MI-vel kapcsolatban, ha meglátják, hogyan segíthet elkerülni a sok fárasztó, ismétlődő munkát" - mondja Downie. "Értékelni fogják a termelékenység növekedését."

 

A vállalatoknak két kihívással kell szembenézniük az AI technológia megvalósítása során. Egy szinten fontos a hiteles elkötelezettség. "Vannak olyan cégek, amelyek valóban kihasználják az AI-t" - mondja Eisbart. "És vannak cégek, amelyek csak azért teszik fel a weboldalukra, hogy csiszolják a képüket."

 

Második szinten az eredmények nyomon követésének kihívása áll. "A nyereség a telepítéstől függően változhat" - mondja Eisbart. "Néhány használati eset optimalizálási lehetőséget kínál, mások pedig nem." Az egyik közelmúltbeli Fortune 500-as vállalat 40%-kal csökkentette a raktári munkások elvesztegetett lépéseit, 15%-kal növelte a komissiózási hatékonyságot, és 20%-kal növelte az elrakás hatékonyságát. A mesterséges intelligencia sikeréhez hozzájáruló tényezők közé tartozik a létesítmény mérete, a dolgozók jelenlegi szakértelme, a termék sebessége, valamint az, hogy a műveletek milyen mértékben építettek be már gépi tanulást.

 

Mindenekelőtt – mondja Eisbart – az AI-t alkalmazó 3PL szervezeteknek a végső célon kell szemmel tartaniuk: a jobb eredményt. "Azok a szervezetek, amelyek vezető szerepet töltenek be a technológiával, vagy amelyek az innovációra összpontosítanak anélkül, hogy felmérnék az üzleti eredményekre gyakorolt ​​hatást, hiányzik a lényeg."