Как Искусственный интеллект увеличил доходность транспорта и логистики Беларуси

Искусственный интеллект поднял доходность бизнесов. И стал доступным

Могли бы вы простым языком объяснить, за счет чего ИИ стал способен приносить деньги пользователям?

Тысячи компаний используют наши облачные системы 20 лет. Это позволило алгоритмам сравнивать поведение обезличенных пользователей между собой, уловить успешные практики, обучить на них систему и создать «отраслевой разум». Теперь система может находить максимально выгодные решения. Почти мгновенно.

ИИ обучился и дает решения лучше людей и старых технологий?

Не только. Если у вас надежная информация – вы принимаете верные решения. Если у вас надежная информация за 20 лет, алгоритмы улавливают тенденции и миллионы факторов – вы принимаете верные решения на будущие недели.

Стало возможным прогнозирование?

Да. Но важно и то, что система подсказывает людям, какое их действие не оптимально, может их обучать. К тому же она видит реально эффективных сотрудников, что позволяет руководителю вовремя премировать их, чтобы не потерять.

О каких цифрах экономии на практике идет речь?

Если мы говорим о грузовых автоперевозках, то около 15% затрат неоправданно истираются об асфальт. Система это видит, сравнивая 100 000 водителей между собой: многие проезжают с тем же темпом в полностью аналогичных условиях, но с меньшими затратами. Значит, остальные неоправданно перерасходуют ресурсы своих компаний. И система дает инструменты для их сокращения.

А если говорить о доставке в магазины и e-commerce, то там исторически сложилась цифра недополученной доходности логистики до 30–50%.

Давайте поговорим о логистике доставки: 30–50% – это много. Как это работает? И причем здесь прогнозы?

Мы имеем GPS-данные движения 50 000 обезличенных корпоративных автомобилей за 20 лет. Наши Data Science-инженеры научились на их основе прогнозировать трафик на дорогах, очереди в гипермаркетах.

А как это связано с доходностью бизнесов?

Это позволяет давать водителю на завтра максимально напряженное, но гарантированно выполнимое задание. То есть максимально выгодное предприятию. Без недовольства водителя.

Затем мы 10 лет разрабатывали собственные алгоритмы для оптимизации сетей маршрутов доставки с учетом загрузки улиц и очередей на разгрузку. Чтобы маршрутные задания водителю были оптимальны и создавались за секунды.

А кто учтет требования покупателей, возможности водителей?

Робот учитывает параметры от цены автомобиля и гибкости водителя до желаний клиентов и рисков отказа их от заказов. Это позволяет балансировать на пике финансовой оптимальности логистики. И вместо рутины логисты получили возможность управлять стратегиями доставки.

На практике наш робот сокращает в среднем время работы логистов в 30 раз, а затраты на доставку – на 30%.

А как уследить, чтобы все водители ехали именно так, как предписано?

Интеллектуальное планирование и GPS-контроль водителей – в одной системе. Поэтому стало возможным сравнение план/факт. Автоматика выявляет отклонения от оптимальных маршрутов, пробегов и графиков. Не нужно смотреть за всеми: уделяйте внимание только нарушениям.

Какие преимущества получают ваши пользователи в сравнении с зарубежными системами?

Google, TomTom, «Яндекс» и пр. получают данные от навигаторов и не знают, на чем едет пользователь. Но водитель городского автобуса и шустрый курьер на легковушке – это разные «планеты». Усреднять их скорость – это «средняя температура по больнице». Соответственным получается и прогноз скорости доставки.

Мы смогли решить эту проблему: одна из наших компаний («БелТрансСпутник») 20 лет своими руками ставила более 50 000 GPS на автомобили. Нам известно, от какого типа авто приходят GPS-данные.

Поэтому мы строим прогнозы скорости на улицах отдельно для легковых, фургонов, грузовиков. Эта точность позволила избавиться от конфликтов с водителями и обоснованно увеличила темп доставки. Водитель видит в карте нашего приложения, как ехать, когда, где быть, какой пробег ему оплатят в конце дня.

Последствия ИИ: сотрудник – ценнее, руководитель – независимее

Может, логисты, как штурманы в авиации, исчезнут как профессия?

Штурман не исчез. Технологии сделали его вторым пилотом.

Что делает обычно логист в доставке? Целый день раскидывает заказы по машинам на завтра. Он должен учесть вместимость и цену каждого автомобиля, доступность водителя и заезды на склады поставщиков, требования клиентов и возврат тары, кросс-докинг и совместимость грузов… К вечеру он закончит один вариант логистики и разошлет задания водителям на завтра.

А ведь нужно как-то сделать логистику оптимальной для своей компании: учесть риски простоя в очередях, переноса сроков, трафик на каждой улице на завтра. И хорошо бы просчитать десяток альтернативных вариантов логистики, чтобы выбрать оптимальный.

Соревноваться человеку с компьютером – как пешеходу обогнать самолет. С ним нужно не соревноваться, а «оседлать».

Так получается, что работа логиста больше не нужна?

Наоборот. Система настолько автоматизирует работу логиста, что он через 15 минут может закрыть компьютер. Но может в системе дальше просчитывать разные стратегии: «клиентоориентированность – доходность», «риски – выгода» и найти еще более выгодное решение.

Например, логист попробует разрешить приезжать раньше на 10 минут к некоторым клиентам. Система сделает перерасчет и сократит, скажем, 3–4 машины в доставке дня. В месяц это экономия $10–15 тыс. Если за месяц не было нареканий от клиентов, значит, логист все сделал правильно. И достоин бонуса из сэкономленных денег.

А в чем выгода руководителя, кроме экономии?

Оцифрованность процессов. Сотрудник хочет получать больше. Для этого он иногда пытается сделать компанию зависимой от себя. Например, логист держит в своей голове: когда нужно доставлять грузы в магазины, каково примерное время разгрузки? Уйдет такой логист – все рухнет.

При внедрении мы оцифровываем знания сотрудника. Вкладываем их в систему оптимизации логистики и учим логиста создавать более выгодные решения, увеличивать доходность компании. Да, с его уходом ничего не рухнет. Но отпускать такого сотрудника невыгодно: это про «курицу» и «золотые яйца». Поэтому получается Win-Win.

Сила – в простоте пользования. А риски легко устранимы

Насколько сложно перейти от привычных процессов к использованию ИИ? Какому проценту сотрудников это удается?

Простота – ключевое требование. После экспертной настройки системы под процессы компании логистическая рутинная работа делается одной кнопкой. Если кто-то говорит: «Вам нужно изменить процессы под нашу систему», значит, разработчики не сделали настроек под любые бизнес-процессы. Или хотят получить с вас деньги за «персональные» доработки.

Значит, система «взлетит» и увеличит доходность от нажатия одной кнопки?

Если вы используете сильную систему, то такого не будет. Чем больше система может «прогнуться» под ваши процессы, тем больше в ней настроек.

Вы можете взять в лизинг «Боинг». Ваши знакомые летают на нем и довольны. Но зайдите в кабину: там сотни ручек и кнопок. Можно летать в любых условиях. Но если вы для обучения не наймете пилота-инструктора, то не взлетите.

Так же и система оптимизации затрат. Кроме права пользования «самолетом», вам нужно оплатить «пилота-инструктора». Он вникнет, сам настроит «самолет» под ваши задачи. Научит вас «летать» и получать удовольствие.

Кстати, «Боингом» управлять несложно. Если все правильно настроено до взлета, то управлять самолетом не сложнее велосипеда. Все остальное делает за вас автоматика.

А как может компания без остановки бизнеса перейти на использование ИИ?

Если у вас сотрудники, которые хотят научиться управлять ИИ, стать более ценными, то рисков перехода нет.

Если ваши сотрудники не хотят осваивать новые технологии, то мы рекомендуем до внедрения заказать логистический аудит. Он покажет, какая дополнительная доходность стоит на кону, как можно выполнить доставку с помощью нашей системы меньшим количеством автомобилей, пробегов и трудочасов ваших сотрудников.

«Отдайте на съедение» выводы аудита вашим логистам. Пусть попробуют найти ошибки. А когда увидите, что возразить им нечего, а найденная экономия составляет 30%, вы поймете, что нужно начинать.

Не стоит беспокоиться: ломать никого не придется. В случае нежелания сотрудников осваивать новую технологию мы создадим IT-канал параллельного выполнения логистической работы. Когда он включится, вы пропустите через него 5% заказов, затем 20%, 50% и без рисков начнете работу по-новому. А лучшие сотрудники сами захотят перейти в новый отдел.

Удержание водителей через Big Data и Data Mining стало реальностью

Давайте вернемся к автоперевозчикам. Их сталкивают на тендерах, где каждый процент важен. А вы сказали про 15% избыточных потерь. Откуда эта цифра?

Мы 20 лет собирали данные о работе более 100 000 обезличенных водителей. Разработали алгоритмы, которые сравнили водителей между собой, и увидели: многие водители выполняют работу с той же производительностью, но с меньшими затратами.

Один человек проехал участок и потратил 26 л топлива, а второй потратил 30 литров. Если условия были одинаковыми, то второй водитель зря сжег 4 л. Потому что первый своим проездом доказал, что можно потратить 26 л.

А куда девались излишне сожженные 4 л? Они дополнительно истерли шины, диски, увеличили аварийность и т.д. Это – закон сохранения энергии. Поэтому умножайте стоимость зря потраченного топлива на 2–3.

А как вы выделяете водителей, которые действительно были в сопоставимых условиях?

Мы сравниваем между собой водителей на одном типе машин, дорог, с таким же грузом, погодой, плотностью трафика, временем прохождения маршрута и др. Но даже если на каждом участке дороги сгруппировать всех водителей в полностью сопоставимых условиях, то виден большой разброс создаваемых ими затрат.

Это как «рентген», определяющий скрытые качества водителя.

Но ведь сегодня на рынке дефицит водителей. Выбирать иногда не из кого.

Эта система – не против водителя, а в помощь ему и HR-службе. Она показывает водителю его неоптимальные действия на дороге, учит больше экономить топливо, больше оставлять его себе как бонус. Предложите водителю не «кнут», а «пряник». Помогите ему больше заработать без релокации семьи в Польшу. И тогда вопрос удержания водителя не будет для вас таким острым.

А компания получает не меньше: за счет продления ресурса автомобиля и его расходных материалов, снижения аварийности. Добавьте сюда маркетинговые преимущества: вот как четко мы следим за бережностью перевозки ваших грузов, как снижаем риски их повреждения, выбросы CO.

А почему вы упомянули HR-службу?

Потому что это – фильтр на входе. Уже через первых 50–100 км система оценки покажет, кто перед вами. И не голословно: сама учтет сложность маршрута, предоставит набор доказательств на карте с неоптимальными действиями водителя в этих условиях. Вы не пропустите в коллектив людей, которые будут создавать избыточные затраты.

Кроме того, по каждому вашему водителю система показывает, каков он в рейтинге вашей отрасли. Какова вероятность, что за воротами стоит лучший кандидат?

В рекламе встречаются системы оценки водителей. Почему они не работают?

Они строятся на формальных подходах: процент времени движения на круиз-контроле, повышенные обороты, нажатия на тормоз, соблюдение знаков скорости и пр. Но, может, водитель грамотно тормозил двигателем – вот и повышенные обороты. Может, он ехал по холмам и правильно отключил круиз-контроль, мешающий экономить топливо? Может, он въехал в город на 69 км/ч и проехал его без торможений на этой скорости ночью? То есть он профессионал. Вы зря его накажете, он хлопнет дверью, и вы потеряете отличного сотрудника. Попробуйте оценить любого водителя такой системой, и он возмутится: «У меня был сложный маршрут, там лучше не проедешь». И вам придется подстраивать систему оценки, чтобы не обидеть человека. А что это за линейка, которую нужно изгибать под измеряемого?

Как можно учесть сложность маршрута и как достигается объективность оценки?

Мы 20 лет кропотливо собирали отдельные Big Data работы водителей разных отраслей: от e-commerce до международных перевозок. Под каждым участком дороги накапливали базу до миллионов проездов по нему. И теперь сравниваем на участке каждой сложности: как по нему проехали тысячи разных водителей в полностью аналогичных условиях? Мы не знаем ни одной системы, которая смогла бы так же успешно решить эту задачу. И рады, что это удалось сделать в Беларуси и помочь нашим компаниям.

Хотелось бы понять: а почему вы раньше не брались за решение всех этих проблем?

Есть закон о переходе количества в качество. Пока наши Big Data «зрели», пока не стали настолько большими и разносторонними, что к ним стало можно применить инструменты Data Science, мы не могли решить эти задачи. Да и математические методы поиска закономерностей Data Mining появились совсем недавно.

Зато теперь нам по плечу все больше задач, которые раньше не имели решения.