Najważniejsze informacje:
- AI może wspierać przewidywanie opóźnień, aktualizację tras i wcześniejsze wykrywanie problemów w sieci dostaw.
- Warunkiem skutecznego wykorzystania sztucznej inteligencji są aktualne, spójne dane oraz systemy zdolne do ich szybkiej wymiany.
- Starsze, monolityczne systemy TMS mogą utrudniać skalowanie operacji, integrację danych i rozwój nowych funkcji.
- W opisanym w raporcie wdrożeniu czas generowania tras skrócił się o 50 proc., a liczba ręcznych czynności administracyjnych spadła o 70 proc.
- Rosnące znaczenie mają systemy modułowe, które można rozwijać bez przebudowy całej platformy
W tradycyjnym modelu trasy są przygotowywane z wyprzedzeniem, a późniejsze zmiany wymagają interwencji dyspozytora. W logistyce ostatniej mili takie podejście coraz częściej okazuje się niewystarczające.
Opóźnienie pojazdu, zmiana adresu dostawy, brak wolnej pojemności w automacie paczkowym czy nagłe zwiększenie liczby zleceń mogą wymagać niemal natychmiastowej korekty planu. Dlatego systemy coraz częściej mają nie tylko planować trasę, ale również stale ją aktualizować wraz ze zmianą danych operacyjnych.
Sztuczna inteligencja może w tym modelu wspierać prognozowanie: wcześniej identyfikować ryzyko opóźnień, przewidywać problemy i pomagać w aktualizacji planu dostaw.
Problemem bywają nie algorytmy, lecz stare systemy
Raport zwraca uwagę, że rozwój AI może być ograniczany przez architekturę systemów, na których pracują operatorzy.
Starsze, monolityczne platformy TMS mogą przy rosnącej skali działalności utrudniać integrację danych, rozwój nowych funkcji i reagowanie na zdarzenia w czasie rzeczywistym. Wraz ze wzrostem liczby dostaw może też rosnąć liczba ręcznych czynności potrzebnych do utrzymania sprawności operacji.
Nowoczesne systemy mają być bardziej modułowe. Planowanie tras, aplikacje kierowców, śledzenie przesyłek i komunikacja z odbiorcami powinny korzystać ze spójnych danych i wymieniać je na bieżąco.
Dopiero wtedy narzędzia AI mogą faktycznie wpływać na operację, a nie jedynie generować dodatkowe analizy.
W logistyce ostatniej mili informacja ma wartość wtedy, gdy można ją wykorzystać odpowiednio wcześnie. Jeżeli system rozpoznaje ryzyko opóźnienia, ale ta wiedza nie trafia do planowania tras ani do komunikacji z odbiorcą, możliwości poprawy obsługi pozostają ograniczone – mówi Łukasz Łukasiewicz, Operations Manager w SwipBox Polska.
O 50 proc. szybsze generowanie tras
Jednym z przykładów opisanych w raporcie jest wdrożenie u operatora zajmującego się dostawami świeżych posiłków. Wraz ze wzrostem skali działalności dotychczasowy system zaczął ujawniać ograniczenia. Problemem były m.in. rozproszone dane i niestabilność podczas nocnych operacji. W ciągu sześciu miesięcy wdrożono modułowy system TMS, łączący gotowe komponenty z rozwiązaniami dostosowanymi do specyfiki dostaw.
Według studium przypadku czas generowania tras skrócił się o 50 proc., natomiast liczba ręcznych czynności administracyjnych spadła o 70 proc. Istotny był jednak nie tylko sam poziom automatyzacji. Modernizacja objęła również sposób przepływu informacji oraz architekturę systemu. Wdrożenie prowadzono etapami, weryfikując kolejne elementy w rzeczywistych warunkach i zachowując ciągłość dostaw.
AI ma reagować, zanim problem dotrze do odbiorcy
Podobny mechanizm może być wykorzystywany w sieciach automatów paczkowych i punktów odbioru. Informacja o dostępnej pojemności może wspierać planowanie kolejnych dostaw, natomiast prognoza obciążenia poszczególnych lokalizacji pozwala wcześniej zidentyfikować sytuacje wymagające interwencji.
AI może dodatkowo analizować powtarzające się wzorce i przewidywać problemy, zanim wpłyną one na odbiorców.
W praktyce najważniejsze nie jest więc samo wdrożenie algorytmu, ale to, czy wygenerowana przez niego informacja prowadzi do konkretnej decyzji operacyjnej – zmiany trasy, przesunięcia dostawy lub przekierowania przesyłek do innego punktu.
Nie każdą decyzję powinien podejmować system
Rosnąca automatyzacja nie oznacza całkowitego wyeliminowania człowieka z procesu.
W logistyce nadal potrzebne jest jasne określenie, które decyzje system może podejmować samodzielnie, a które powinny trafić do operatora lub dyspozytora.
Skuteczność takich rozwiązań warto oceniać przez jakość operacji, czyli terminowość dostaw, wykorzystanie infrastruktury i liczbę spraw wymagających ręcznej interwencji. Potrzebne są przy tym wiarygodne dane oraz jasne zasady określające, które decyzje system podejmuje samodzielnie, a które wymagają oceny człowieka – podkreśla Łukasz Łukasiewicz.
TMS staje się systemem reagowania, nie tylko planowania
Zmiana zachodząca w logistyce ostatniej mili dotyczy więc nie tylko AI. Coraz większe znaczenie ma zdolność całego systemu do ciągłego dostosowywania operacji do zmieniających się warunków. TMS przestaje być wyłącznie narzędziem do przygotowania planu przewozów, a staje się platformą, która musi reagować na dane napływające w czasie rzeczywistym.
To właśnie połączenie modułowej architektury, bieżących danych i jasno określonego zakresu automatyzacji może w największym stopniu wpłynąć na sprawność ostatniej mili.
Sama sztuczna inteligencja nie zastąpi jednak dobrze zaprojektowanej operacji. Jeśli dane są niepełne, systemy słabo zintegrowane, a informacje docierają z opóźnieniem, możliwości wykorzystania AI w bieżącej operacji pozostają ograniczone.
