1С машинное обучение в транспортных перевозках и логистике доставки

C целью
Уменьшения опозданий курьера или водителя
Уменьшения опозданий курьера или водителя
Прогнозирования реакции клиента на опоздание
Прогнозирования реакции клиента на опоздание
Снижения процента отказов от заказов из-за опоздания курьера или водителя
Снижения процента отказов от заказов из-за опоздания курьера или водителя
Точного планирования времени маршрута с учетом всех факторов
Точного планирования времени маршрута с учетом всех факторов
Проконсультируйтесь со специалистом как это реализуется!
Проконсультируйтесь со специалистом как это реализуется!

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.

15 лет
эффективной поддержки бизнеса наших клиентов
5 200+
довольных нашими услугами клиентов по всему миру
100+
сертифицированных профессионалов в команде

Цели машинного обучения в маршрутизации

Снижение процента отказов
Снижение процента отказов
Снижение процента отказов от заказов из-за опоздания курьера/водителя. Должен быть не выше 1%.
Уменьшение количества опозданий
Уменьшение количества опозданий
Уменьшение количества опозданий в точку выдачи заказа. Должно быть менее 5% от общего количества заказов в плане на доставку.
Точное планирование времени
Точное планирование времени
с учетом всех поправочных коэффициентов (измеряется плановым и фактическим временем выполнения каждого этапа (доезд, обслуживание). Должно быть выше 85%.

Проблематика автоматизированной системы без МО

Автоматизированная система расчета без использования МО выдает результат, опираясь на картографические сервисы, которые не учитывают факторы:

Фактор навыков
Субъективный фактор навыков водителя/курьера.
Загруженность парковочных мест
Данный фактор влияет на время выполнения.
Кластеризации адресов
Спальные районы или бизнес-центры могут иметь различную длительность выполнения заказа.
Последняя миля
Именно курьер является последним этапом доставки в логистической цепочке и в этом процессе возможна погрешность в планировании времени.
Время обслуживания
Данный параметр пользователь вносит вручную по среднестатистическому времени обслуживания, а не по фактическим данным.
Тип взаимодействия
Различное время в ситуации, когда сбор/доставка у постоянного клиента или сбор/доставка у клиента, с которым ранее не взаимодействовали, а также вид самой операции, так как они имеют различный процесс и количество операций с обеих сторон.
Тип взаимодействия
Время обслуживания
Последняя миля
Кластеризации адресов
Загруженность парковочных мест
Фактор навыков

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.

Определяем входы (план)
Определяем входы (план)
Адрес и время выезда курьера.
Адрес прибытия курьера.
Получаем расчетные данные выхода (факт)
Получаем расчетные данные выхода (факт)
Длительность переезда - время.
Расстояние переезда - километры.
Обучаем нейросеть
Обучаем нейросеть
Анализ данных план-факт.
Применение данных для построения маршрутов.

Входные данные и способы их получения

Все данные можно разделить на несколько групп.

Курьер
  • 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.
Получатель
  • Данные по отказам от заказа на доставку и сегментация по причинам.
  • Данные по времени, проведенному с момента приезда до момента выдачи заказа конкретному получателю.
День недели
  • Отказы от доставки в разрезе дня недели.
  • Отклонение фактического и планового времени доставки в разрезе дня недели.

Все данные как и до внедрения

Сравнение плана и фактическое выполнение. Следующий набор ситуаций:
  • Опоздает и откажутся.
  • Опоздает и не откажутся.
Корреляционные отклонения плана от факта с примененными рекомендациями от модуля машинного обучения - с целью обучения системы и улучшения точности рекомендаций.

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.

Возле каждого заказа выводятся две колонки:
  • Прогнозируемое отклонение от расчетного времени.
  • Вероятность отказа от заказа из-за опоздания.
Если пользователь соглашается с изменениями, то:
  • 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:

Согласиться и будут применены все рекомендации по планированию маршрутного листа.
Отказаться и оставить план на доставку, который опирается только на картографические сервисы и алгоритмы построения/расчета маршрутов.

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.

на 30% уменьшение задержки и времени доставки
на 30%
уменьшение задержки и времени доставки
на 25% уменьшение километража маршрута
на 25%
уменьшение километража маршрута
на 25% уменьшение затрат на топливо
на 25%
уменьшение затрат на топливо
на 40% уменьшение отказов по заказам
на 40%
уменьшение отказов по заказам
на 40% больше довольных клиентов
на 40%
больше довольных клиентов
на 99% выполнение заказов в целом
на 99%
выполнение заказов в целом

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.

Своевременная корректировка маршрута
Прогнозирование перебоев в доставке
Прогнозирование задержки доставки
Прогнозирование задержки доставки и тем самым точное планирование времени
Приглашаем реализовать проект по машинному обучению для маршрутизации доставки в Вашей компании.


Заказать

Проконсультируйтесь со специалистом как это реализуется!

обязательные поля
  
Регион, область, город:

Начните вводить текст и получите подсказку

 
*
Фамилия, имя, отчество:

Как к Вам обращаться?

 
  
Название организации:

Нужно нашим специалистам

 
  
Ваша должность:

Это поле не обязательно к заполнению

 
  
Ваш E-mail адрес:

Необходим для обратной связи и оповещений

 
*
Ваш номер телефона:

Введите код и номер телефона

 
  
Откуда Вы узнали о нас?
* Антиробот:
Введите ответ
Обратная связь

Проконсультируйтесь со специалистом как это реализуется!

Все поля формы выделенные значком * обязательны к заполнению
*
Фамилия, имя, отчество:

Как к Вам обращаться?

 
  
Ваш E-mail адрес:

Нужен для обратной связи

 
*
Ваш номер телефона:

Введите код и номер телефона

 
* Антиробот:
Введите ответ
Заказ демонстрации по продукту

Проконсультируйтесь со специалистом как это реализуется!

Все поля формы выделенные значком * обязательны к заполнению
*
Фамилия, имя, отчество:

Как к Вам обращаться?

 
  
Название организации:

Нужно нашим специалистам

 
  
Ваш E-mail адрес:

Необходим для обратной связи и оповещений

 
*
Ваш номер телефона:

Введите код и номер телефона

 
* Антиробот:
Введите ответ
Заказ демонстрации по продукту

Проконсультируйтесь со специалистом как это реализуется!

Все поля формы выделенные значком * обязательны к заполнению
*
Фамилия, имя, отчество:

Как к Вам обращаться?

 
  
Название организации:

Нужно нашим специалистам

 
  
Ваш E-mail адрес:

Необходим для обратной связи и оповещений

 
*
Ваш номер телефона:

Введите код и номер телефона

 
* Антиробот:
Введите ответ

Есть вопросы?

Закажите звонок специалиста!

Есть вопросы?

Закажите звонок специалиста!
нажимая на кнопку, вы даете согласие на обработку персональных данных