Логистика

Кейсы внедрения ML

Прогноз времени доставки

Определение зон высокого спроса

Определение графика работы транспорта

Прогноз выхода транспорта из строя

Управление запасами

Планирование маршрутов

Прогноз времени
доставки товара

ML-модель на основе исторических данных компании (сроки доставки разных типов грузов, тип транспорта, данные грузополучателя и его местоположение), внешних данных (погода, сезонность) и на основе заданных ограничений (например, кол-во автомобилей в автопарке) и других параметров более точно прогнозирует время доставки груза.
Решение способствует росту доверия и лояльности клиентов.

Эффект

до 90%

Рост точности прогноза

Определение зон высокого спроса на доставку

ML-модель на основе исторических данных о количестве и размере заказов по различным районам города прогнозирует пиковые периоды высокого спроса на доставку заказов. ML-модель позволяет эффективно распределить курьеров в разные районы города в зависимости от уровня спроса.
Данное решение позволяет повысить уровень сервиса и увеличить территориальный охват, сохраняя высокую скорость доставки даже в пиковые периоды

Эффект

до 15%

Рост числа заказов

Прогноз спроса
и складских запасов

ML- модель рассчитывает спрос на конкретный продукт с учетом истории продаж, цен на товары, акций, местоположения, погоды и других параметров. Также, чтобы спрогнозировать оптимальное время для заказа товара на склад, система проводит оценку качества работы поставщиков (не срывают ли сроки и пр.).

ML-решение позволяет снизить расходы на склады, оптимизировать товарный запас, обеспечить высокий уровень сервиса, а также улучшить качество и скорость взаимодействия с поставщиками.

Эффект

до 5%

Рост выручки

Оптимизация расписания
работы транспорта

ML-решение работает на основе исторических данных о заказах, маршрутах следования, типе автомобиля, времени доставки, размерах автопарка, погодных условиях, сезоне, дне недели и других параметрах.

Система предсказывает количество заказов и выдает рекомендации по необходимому числу автомобилей для осуществления доставки.

Инструмент позволяет снизить избыточную нагрузку на автопарк, сокращая его износ.

Эффект

до 10%

Снижение расходов на автопарк

Прогноз выхода
транспорта из строя

ML-модель работает на основе данных о транспорте (возраст, пробег, рекомендуемый график ТО, информация о комплектующих и др.) и исторических данных его эксплуатации (собираемых из журналов обслуживания и ремонта, дефектов и неполадок).

ML-модель прогнозирует изменения в работе транспорта, поэтому ее ремонт можно провести еще до фактической поломки.

Решение позволяет оптимизировать расходы на ремонтные работы и замену комплектующих, а также избежать риска простоя транспорта.

Эффект

до 10%

Снижение расходов на ремонт

Прогноз загруженности дорог и планирование маршрутов

ML-модель прогнозирует загруженность дорог на основе исторических данных дорожном трафике в зависимости от локации, сезона, прогноза погоды, времени суток, количества светофоров, пешеходных переходов, скоростных ограничений и др.

Прогноз позволяет сделать выводы о дорожном трафике и спланировать самый быстрый маршрут для авто.