1С машинное обучение в транспортных перевозках и логистике доставки
Технология машинного обучения в конфигурациях 1С для маршрутизации доставки
Задача: уточнять время маршрута по фактической статистике.
При использовании технологии машинного обучения (МО) можно отслеживать местонахождение товара или заказа в реальном времени, сравнивать плановые и фактические логистические потоки, чтобы вовремя реагировать на форс-мажоры и отклонения от планов, в т.ч. времени выполнения маршрута.
Например, если вы выбираете кратчайший маршрут объезда, вам нужно будет посчитать, сколько времени займет маршрут при таком наборе входящих параметров вручную. А машина это сделает заранее с учетом полученных ранее данных.
Цели машинного обучения в маршрутизации
Проблематика автоматизированной системы без МО
Автоматизированная система расчета без использования МО выдает результат, опираясь на картографические сервисы, которые не учитывают факторы:
Количество данных, которые накапливаются в процессе логистической деятельности, постоянно растет.
В анализе и интерпретации этих больших массивов данных на помощь приходят алгоритмы машинного обучения (МО). Машина запоминает ранние передвижения курьеров и их сроки выполнения, а потом строит оптимальные по времени маршруты на основе этих статистических данных.
Механизм применения МО в конфигурациях 1С
Планирование маршрутов и времени доставки с учетом различных факторов.
Адрес прибытия курьера.
Расстояние переезда - километры.
Применение данных для построения маршрутов.
Входные данные и способы их получения
Все данные можно разделить на несколько групп.
- Данные по фактическому и плановому времени выезда на заказ (отклонение от планового времени).
- Данные по отказам с причинами, кроме опоздания курьера, и сравнение планового и фактического времени прибытия.
- Данные по отказам с причиной опоздания курьера.
- Данные по отказам от заказа на доставку и сегментация по причинам.
- Данные по времени, проведенному с момента приезда до момента выдачи заказа конкретному получателю.
- Отказы от доставки в разрезе дня недели.
- Отклонение фактического и планового времени доставки в разрезе дня недели.
Все данные как и до внедрения
- Опоздает и откажутся.
- Опоздает и не откажутся.
Выходные данные и способы их отображения
Система обучается рассчитывать параметры по времени выполнения заказа (выполнение операций в точке сбора/выдачи заказа). Имея их, мы можем выполнить корректировку параметров расчета в пользовательских настройках с интуитивных на реальные.
- Прогнозируемое отклонение от расчетного времени.
- Вероятность отказа от заказа из-за опоздания.
- Удаляются заказы с вероятностью отказа более 40%.
- Перестраивается и пересчитывается маршрут с учетом обновленных данных и, как расчетное время прибытия, устанавливается время с прогнозируемым отклонением, а также вероятность отказа из-за опоздания в точку выдачи заказа.
Применение полученных данных
Пользователю на выходе дается прогнозируемое
событие, с которым он может:
После применения алгоритмов машинного обучения в прогнозировании времени, маршрутов и выполнении доставки, мы можем анализировать эффективность данного метода. Ниже представлены выходные статистические данные после применения прогнозов в доставке.
Преимущества МО для транспортной логистики и доставки
Используя алгоритмы МО в конфигурациях 1С, анализируем большие базы данных без включения человека в этот процесс и делаем прогноз для расчета времени маршрута и его оптимизации, основанный на данных прошлых периодов. Таким образом, это также позволит и оптимально распределять нагрузки на транспортные средства и эффективно планировать маршруты доставок товаров/заказов.
