در حالی که امور مالی و مراقبت های بهداشتی عناوینی را برای پذیرش هوش مصنوعی دریافت می کنند ، برخی از پرسود ترین موارد استفاده در جاده ها هستند. تدارکات ستون فقرات تجارت جهانی است و مدیران در سال 2024 در حال جلب توجه هستند. 90 ٪ از رهبران زنجیره تأمین گفت: قابلیت های فن آوری در انتخاب شرکای حمل و نقل ، مهمترین عوامل است. دلیل؟ هوش مصنوعی صنعت را به دلیل ناکارآمدی به دست بالای مشاغل بدنام می کند.
از نظر تاریخی به فرآیندهای مبتنی بر کاغذ متکی است ، تدارکات یک نقطه کور برای رهبران زنجیره تأمین بوده است. این عدم دید ، اثر گاو نر را می سوزاند: تغییرات تقاضای خرده فروشی کوچک هنگام سفر به زنجیره تأمین ، به تأمین کنندگان مواد اولیه می رسد. همراه با زمان سرب طولانی ، این هر مرحله – مواد مخدر ، عمده فروشان ، توزیع کنندگان و تولید کنندگان – را به سمت بیش از حد ، تشدید مشکل می کند.
اما بیایید برای یک ثانیه تصور کنیم که به جای پر کردن کامیون ها و انبارها با تراشه های نیمه هادی فقط برای کاهش تقاضای رایانه شخصی ، تدارکات دارای ردیابی در زمان واقعی و دید زنجیره تأمین بود. چه می شود اگر آنها بتوانند نوسانات تقاضا را با دقت 99.9 ٪ پیش بینی کنند؟ و در پاسخ راه حل های تدارکاتی انعطاف پذیر مانند حمل و نقل در صورت تقاضا ارائه می شود؟
با هوش مصنوعی و یادگیری ماشین ، این ایده آل ممکن است به اندازه رهبران تجارت نباشد.
دیدگاه زنجیره تأمین غیر قابل توضیح را توضیح می دهد
وقتی از وی پرسید: “کدام یک از قابلیت های فناوری حمل و نقل حمل و نقل را با ارزش ترین می دانید؟” ، 67 ٪ از پاسخ دهندگان به ردیابی حمل و نقل در زمان واقعیبشر
دستگاه های اینترنت اشیاء (IoT) در ردیابی محموله ها انقلابی ، فراهم آوردن دید گرانول و هشدارهای در زمان واقعی در مورد وضعیت کالاها را ایجاد می کنند-برای محموله های حساس به زمان یا کنترل دما مانند مواد غذایی و دارویی که دارای مقررات تأیید صحت هستند. رهبران زنجیره ای نه تنها می توانند دریابند که چقدر سهام دارند و در هر لحظه در کجا قرار دارند ، بلکه می توانند در مورد وضعیت آن نیز بیاموزند. حمل و نقل می توانند اطلاعات مربوط به اینکه آیا کالاهای گرم ، سرد ، مرطوب یا خشک است ، نظارت و به اشتراک بگذارند و می توانند ببینند که درها ، جعبه ها یا ظروف دیگر باز می شوند. این بینش ها ناهنجاری ها را با وسایل غذایی که از بین می روند ، توضیح می دهد و زباله های آینده را به حداقل می رساند.
با حرکت به صنعت الکترونیک ، شرکت ها می توانند به مشتریان اطمینان دهند که در هنگام ردیابی و ردیابی وسایل ، محصولاتی مانند مادربردهای لپ تاپ واقعی هستند. مدیران انبار و موجودی می توانند بارکد و کدهای QR را برای ردیابی سطح سهام اسکن کنند ، یا از برچسب های شناسایی فرکانس رادیویی (RFID) متصل به اشیاء برای ردیابی دارایی های با ارزش بالا و بدون نیاز به اسکن آنها استفاده کنند. برچسب های RFID پیشرفته تر هشدارهای در زمان واقعی را ارائه می دهند وقتی شرایط (مانند دما) از آستانه های از پیش مجموعه منحرف می شوند.
دید در سطح مورد برای حمل و نقل و شرکای زنجیره تأمین آنها به یک ضرورت تبدیل شده است. ارائه دهندگان تدارکات باید به سرعت با اختلالات سازگار شوند و خواستار تغییر هستند و این دید باعث افزایش مقاومت می شود. این بینش ها به مشاغل این امکان را می دهد تا دیدگاه جامع در مورد موجودی داشته باشند و تصمیمات آگاهانه ای را در زمان واقعی ، کاهش زباله و بهبود استفاده از منابع بگیرند.
تقاضای پیش بینی و زمان سرب قابل اعتماد
سودمندی سنسورهای IoT بسیار بیشتر از ردیابی موارد و به روزرسانی مشتریان در زمان واقعی گسترش می یابد. آنها داده هایی را ارائه می دهند که سوخت الگوریتم های پیش بینی تقاضا را نشان می دهد.
گرفتن کواس، به عنوان مثال غول نوشابه از IoT برای نظارت و جمع آوری داده ها از دستگاه های فروش و یخچال و فریزر خود استفاده می کند و معیارهای زمان واقعی را برای سطح سهام و تجزیه و تحلیل ترجیحات مصرف کننده ردیابی می کند. این امر به Coca-Cola اجازه می دهد تا پیش بینی های آگاهانه ای در مورد تقاضا برای انواع خاص محصول و طعم دهنده ها انجام دهد.
حمل و نقل حمل و نقل به طور فزاینده ای از روش مشابهی برای پیش بینی حجم حمل و نقل در خطوط خاص استفاده می کند و به آنها امکان می دهد استقرار ناوگان را بهینه کنند و توافق های سطح خدمات (SLA) را برآورده کنند. خبر خوب برای مشاغل زیرا آنها از زمان سرب قابل اطمینان تر بهره مند می شوند ، این به معنای پایین آمدن هزینه های موجودی و کمتر سهام است.
دو راه فراگیر وجود دارد شرکت های لجستیک از پیش بینی استفاده می کنند:
- دوربرد (استراتژیک): برای بودجه و برنامه ریزی دارایی (برنامه های 6 ماهه تا 3 ساله).
- برد کوتاه (عملیاتی): با ارزش ترین برای تدارکات ، پیش بینی حمل و نقل حمل و نقل زمینی تا 14 روز قبل و 1-12 هفته برای حمل و نقل اقیانوس.
به عنوان مثال ، شرکت پیک DPDGroup ، سریع ، تقاضا را با ترکیب داده های حمل و نقل تاریخی (اندازه بسته ، زمان تحویل ، رفتار مشتری و غیره) با عوامل خارجی مانند تعطیلات ، قله های خرده فروشی (جمعه سیاه) و غیره پیش بینی می کند. این منجر به یک 25 ٪ کاهش هزینه توپی به مرکز و افزایش 14 درصدی در استفاده از ناوگان. مک کینزی با ابزارهای پیش بینی نتایج مشابهی در مدیریت زنجیره تأمین پیدا کرد کاهش خطاها 20 تا 50 ٪بشر
تطبیق بار به ظرفیت: حمل و نقل هوا را متوقف کنید
حمل و نقل Uber در سال 2023 گزارش داد 20 ٪ و 35 ٪ از حدود 175 میلیارد مایل کامیون رانندگی در ایالات متحده هر سال احتمالاً خالی است – بودجه سوخت و کار را تخلیه می کند. اکنون که AI ، ML و فناوری دوقلوی دیجیتال جریان اصلی هستند ، کامیونی که به تازگی تحویل در دالاس را انجام داده است ، نباید به شیکاگو برگردد. سیستم عامل های تطبیق بار AI محور ، تقاضای حمل و نقل ، در دسترس بودن کامیون ها و الگوهای مسیر را برای اطمینان از حمل و نقل هر کامیون با حداکثر کارآیی تجزیه و تحلیل می کنند.
شرکت های تدارکاتی اطلاعات حمل و نقل جمع آوری شده مورد استفاده در ابزارهای پیش بینی تقاضا (اندازه بار ، وزن ، ابعاد ، نوع-را که قابل خراب شدن ، خطرناک و غیره است) می گیرند و با ظرفیت خود این امر را تجزیه و تحلیل می کنند. تجزیه و تحلیل با قدرت هوش مصنوعی می تواند اندازه کامیون ، ویژگی ها ، مکان و در دسترس بودن ، همراه با ساعت درایور مقررات خدمات ، را برای اتصال حمل و نقل و حامل ها در زمان واقعی مرور کند. فناوری دوقلوی دیجیتال به طور بالقوه می تواند این مرحله را یک قدم جلوتر برداشته و سناریوهای مجازی را برای اطمینان از مطابقت بهینه شبیه سازی می کند.
بیایید بگوییم که یک حمل کننده اطلاعات مربوط به بار آینده خود را به یک بستر دیجیتال وارد می کند. سیستم با توجه به فاکتورهای بهینه سازی که قبلاً ذکر شد ، ظرفیت حامل موجود را تجزیه و تحلیل کرده و بار را با مناسب ترین گزینه مطابقت می دهد. معامله پردازش می شود و حمل و نقل در طول سفر آن ردیابی می شود.
با ردیابی دارایی ها ، پیش بینی تقاضا و تطبیق بارهای ، شرکت های تدارکات در حال صرفه جویی در مبلغ عظیمی هستند. آنها مایل های خالی را به حداقل می رسانند ، به حداکثر رساندن استفاده از وسیله نقلیه و از بین بردن ردپای کربن – در نهایت بهبود روابط مشتری با تحویل های مطمئن تر.
این مزایا فراتر از تدارکات است. این سطح از دید زنجیره تأمین به خرده فروشان و تولید کنندگان این امکان را می دهد تا برنامه های تولید را بهینه کنند و هزینه های نگهداری موجودی را کاهش دهند. آنها می توانند محموله ها را با کارآمدتر برنامه ریزی کنند ، به حداقل رساندن تأخیرها و هزینه های ذخیره سازی و کاهش هزینه های حمل و نقل با اطمینان از استفاده بهینه از کامیون و حداقل ظرفیت هدر رفته.
هر صنعتی که با تخصیص منابع – خطوط هوایی ، تولید ، حتی محاسبات ابری – برخورد کند – می تواند از نحوه تدارکات هوش مصنوعی در حال ساده سازی باشد.
