در حالی که بخشهای مالی و بهداشت بهخاطر پذیرش هوش مصنوعی (AI) در صدر اخبار قرار دارند، برخی از سودآورترین موارد استفاده در جادهها در حال رخ دادن است. لجستیک ستون فقرات تجارت جهانی است و مدیران اجرایی به این موضوع پی بردهاند – در سال ۲۰۲۴، ۹۰ درصد از رهبران زنجیره تأمین اظهار داشتند که قابلیتهای فناورانه، عوامل اصلی در انتخاب شرکای حملونقل هستند. دلیل آن چیست؟ هوش مصنوعی در حال تبدیل صنعتی که به ناکارآمدی شهرت دارد، به برگ برنده کسبوکارها در رقابت است.
لجستیک که از لحاظ تاریخی به فرآیندهای مبتنی بر کاغذ متکی بوده، نقطه کوری برای رهبران زنجیره تأمین محسوب میشده است. این عدم شفافیت به «اثر شلاق چرمی» (bullwhip effect) دامن میزند: تغییرات کوچک در تقاضای خردهفروشی با حرکت به سمت بالای زنجیره تأمین، تا رسیدن به تأمینکنندگان مواد خام، تشدید میشود. این موضوع، همراه با زمانهای طولانی تحویل، هر مرحله - خردهفروشان، عمدهفروشان، توزیعکنندگان و تولیدکنندگان - را مجبور به سفارش بیش از حد میکند و مشکل را تشدید مینماید.
اما برای لحظهای تصور کنید که بهجای پر کردن کامیونها و انبارها با تراشههای نیمههادی تنها برای اینکه بعداً تقاضای رایانههای شخصی کاهش یابد، لجستیک از ردیابی لحظهای و شفافیت زنجیره تأمین برخوردار بود. چه میشد اگر میتوانستند نوسانات تقاضا را با دقت ۹۹.۹٪ پیشبینی کنند؟ و در پاسخ، راهحلهای لجستیکی انعطافپذیری مانند حملونقل بر اساس تقاضا ارائه دهند؟
با هوش مصنوعی و یادگیری ماشین (ML)، این وضعیت ایدهآل ممکن است آنقدرها که رهبران کسبوکار فکر میکنند، دور نباشد.
شفافیت زنجیره تأمین، مسائل غیرقابل توضیح را روشن میکند
وقتی از شرکتکنندگان پرسیده شد «کدام یک از قابلیتهای فناورانه شرکتهای حملونقل (freight forwarders) برای شما ارزشمندتر است؟»، ۶۷٪ به ردیابی لحظهای محموله رأی دادند.
دستگاههای اینترنت اشیا (IoT) ردیابی محمولهها را متحول میکنند و شفافیت دقیق و هشدارهای لحظهای در مورد وضعیت کالاها را ارائه میدهند - که برای محمولههای حساس به زمان یا دما مانند مواد غذایی و دارویی که دارای مقررات تأیید سختگیرانهای هستند، حیاتی است. رهبران زنجیره تأمین نه تنها میتوانند در هر لحظه از میزان موجودی و مکان آن مطلع شوند، بلکه میتوانند از وضعیت آن نیز آگاه گردند. ارسالکنندگان میتوانند اطلاعات مربوط به گرم، سرد، مرطوب یا خشک بودن کالاها را نظارت و به اشتراک بگذارند و همچنین میتوانند ببینند که آیا درها، جعبهها یا سایر کانتینرها باز میشوند یا خیر. این بینشها، ناهنجاریهای مربوط به فاسد رسیدن مواد غذایی را توضیح میدهند و ضایعات آینده را به حداقل میرسانند.
با حرکت به سمت صنعت الکترونیک، شرکتها میتوانند به مشتریان اطمینان دهند که محصولاتی مانند مادربردهای لپتاپ، هنگامی که اقلام ردیابی و رهگیری میشوند، اصل هستند. مدیران انبار و موجودی میتوانند بارکدها و کدهای QR را اسکن کنند تا سطح موجودی را ردیابی کنند، یا از برچسبهای شناسایی فرکانس رادیویی (RFID) متصل به اشیاء برای ردیابی داراییهای با ارزش بالا بدون نیاز به اسکن آنها استفاده کنند. برچسبهای RFID پیشرفتهتر، هشدارهای لحظهای را هنگام انحراف شرایط (مانند دما) از آستانههای از پیش تعیینشده ارائه میدهند.
شفافیت در سطح آیتم برای ارسالکنندگان و شرکای زنجیره تأمین آنها به یک ضرورت تبدیل شده است. ارائهدهندگان خدمات لجستیکی باید به سرعت با اختلالات و تغییرات تقاضا سازگار شوند و این شفافیت، انعطافپذیری را افزایش میدهد. این بینشها به کسبوکارها اجازه میدهد تا دید جامعی از موجودی داشته باشند و تصمیمات آگاهانهای را در لحظه اتخاذ کنند، که منجر به کاهش ضایعات و بهبود بهرهوری منابع میشود.
پیشبینی تقاضا و زمانهای تحویل قابل اعتماد
کاربرد حسگرهای IoT بسیار فراتر از ردیابی ساده اقلام و بهروزرسانی مشتریان در لحظه است. آنها دادههایی را فراهم میکنند که الگوریتمهای پیشبینی تقاضا را تغذیه میکنند.
به عنوان مثال، کوکاکولا را در نظر بگیرید. این غول نوشابهسازی از IoT برای نظارت و جمعآوری دادهها از دستگاههای فروش خودکار و یخچالهایش استفاده میکند و معیارهای لحظهای برای سطح موجودی و تحلیل ترجیحات مصرفکننده را ردیابی مینماید. این امر به کوکاکولا امکان میدهد تا پیشبینیهای آگاهانهای در مورد تقاضا برای انواع خاص محصولات و طعمها انجام دهد.
شرکتهای حملونقل بهطور فزایندهای از روش مشابهی برای پیشبینی حجم بار در مسیرهای خاص استفاده میکنند، که به آنها امکان میدهد استقرار ناوگان را بهینه کرده و به توافقنامههای سطح خدمات (SLAs) پایبند باشند. این خبر خوبی برای کسبوکارها است زیرا از زمانهای تحویل قابلاعتمادتری بهرهمند میشوند، که به معنای هزینههای موجودی کمتر و کمبود کمتر کالا است.
دو روش کلی وجود دارد که شرکتهای لجستیک از پیشبینی استفاده میکنند:
- بلندمدت (استراتژیک): برای بودجهبندی و برنامهریزی داراییها (برنامههای ۶ ماهه تا ۳ ساله).
- کوتاهمدت (عملیاتی): ارزشمندترین نوع برای لجستیک، پیشبینی حملونقل زمینی بار تا ۱۴ روز قبل، و ۱ تا ۱۲ هفته برای حملونقل دریایی.
به عنوان مثال، شرکت پیک DPDgroup به نام Speedy، تقاضا را با ترکیب دادههای تاریخی حملونقل (اندازه بسته، زمان تحویل، رفتار مشتری و غیره) با عوامل خارجی مانند تعطیلات، اوج خردهفروشی (جمعه سیاه) و غیره پیشبینی میکند. تحت سیستم جدید، پیشبینی تقاضا مبتنی بر هوش مصنوعی به Speedy اجازه داد تا به سرعت سفرهای غیرضروری و حملونقلهای خطی (line hauls) را شناسایی و لغو کند. این منجر به کاهش ۲۵ درصدی هزینه بین مراکز توزیع (hub-to-hub) و افزایش ۱۴ درصدی بهرهوری ناوگان شد. مککینزی نتایج مشابهی را در مدیریت زنجیره تأمین یافت، به طوری که ابزارهای پیشبینی خطاها را ۲۰ تا ۵۰ درصد کاهش دادند.
تطبیق بار با ظرفیت: حمل هوای خالی را متوقف کنید
Uber Freight در سال ۲۰۲۳ گزارش داد که بین ۲۰ تا ۳۵ درصد از حدود ۱۷۵ میلیارد مایلی که کامیونها سالانه در ایالات متحده طی میکنند، احتمالاً خالی هستند - که بودجه سوخت و نیروی کار را هدر میدهد. اکنون که هوش مصنوعی، یادگیری ماشین و فناوری دوقلوی دیجیتال (digital twin) رایج شدهاند، کامیونی که به تازگی محمولهای را در دالاس تحویل داده است، نباید خالی به شیکاگو بازگردد. پلتفرمهای تطبیق بار مبتنی بر هوش مصنوعی، تقاضای بار، در دسترس بودن کامیونها و الگوهای مسیر را تجزیه و تحلیل میکنند تا اطمینان حاصل شود که هر کامیون با حداکثر کارایی در حال حمل بار است.
شرکتهای لجستیک اطلاعات جمعآوری شده بار را که در ابزارهای پیشبینی تقاضا استفاده میشود (اندازه بار، وزن، ابعاد، نوع - اعم از فاسدشدنی، خطرناک و غیره) گرفته و آن را با ظرفیت خود مقایسه میکنند. تحلیلهای مبتنی بر هوش مصنوعی میتوانند اندازه کامیون، ویژگیها، مکان و در دسترس بودن آن، همراه با مقررات ساعات کار رانندگان را بررسی کنند تا ارسالکنندگان و حملکنندگان را در لحظه به هم متصل کنند. فناوری دوقلوی دیجیتال میتواند این فرآیند را یک گام فراتر برده و سناریوهای مجازی را برای اطمینان از تطبیق بهینه شبیهسازی کند.
فرض کنید یک ارسالکننده اطلاعات مربوط به بار آتی خود را در یک پلتفرم دیجیتال وارد میکند. سیستم، ظرفیت حامل موجود را تجزیه و تحلیل کرده و بار را با مناسبترین گزینه، با در نظر گرفتن عوامل بهینهسازی ذکر شده قبلی، مطابقت میدهد. تراکنش پردازش شده و محموله در طول سفر خود ردیابی میشود.
با ردیابی داراییها، پیشبینی تقاضا و تطبیق بارها، شرکتهای لجستیک صرفهجویی عظیمی میکنند. آنها مسافتهای خالی را به حداقل میرسانند، بهرهوری وسایل نقلیه را به حداکثر میرسانند و ردپای کربن را حذف میکنند - در نهایت روابط با مشتری را با تحویلهای قابلاعتمادتر بهبود میبخشند.
مزایا فراتر از لجستیک است. این سطح از شفافیت زنجیره تأمین به خردهفروشان و تولیدکنندگان امکان میدهد تا برنامههای تولید را بهینه کرده و هزینههای نگهداری موجودی را کاهش دهند. آنها میتوانند حملونقلها را با کارایی بیشتری برنامهریزی کنند، تأخیرها و هزینههای ذخیرهسازی را به حداقل برسانند و با اطمینان از بهرهوری بهینه کامیون و حداقل ظرفیت هدر رفته، هزینههای حملونقل را کاهش دهند.
هر صنعتی که با تخصیص منابع سروکار دارد - خطوط هوایی، تولید، حتی محاسبات ابری - میتواند از نحوه سادهسازی عملیات توسط هوش مصنوعی در لجستیک درس بگیرد.