Hvordan reducerer man CO2 og omkostninger på 40.000 transporter på samme tid?

Salling group har annonceret at de hjemtager transporten af deres brød ud fra klimahensyn. Læs artiklen her: https://scm.dk/salling-vil-gavne-klimaet-og-selv-levere-br%C3%B8d. Det er godt nyt både for klimaet, men sikkert også for den økonomiske bundlinje. I pressemeddelelsen står der også at de naturligvis har ”ambitioner om mere”.

Det er her at Kunstig Intelligens/Statistisk Modellering kan komme ind og gøre en forskel.

Virksomhedsledere står ofte i den situation at de skal have deres strategiske mål for omkostningsreduktion, bæredygtighed og kundetilfredshed til at hænge sammen, samtidig med at de skal opretholde et operationelt sundt og effektivt produktdistributionsnetværk. Manglen på værktøjer, der hjælper med at skabe et digitalt billede af det operationelle netværk komplicerer dette yderligere. Det resulterer ofte i silotænkning samt statiske og ad-hoc rutekonfigurationer og beslutninger.

Forestil dig at du er en produktionsvirksomhed som har brug for at distribuere dit produkt til slutbrugeren eller distributøren, både nationalt og internationalt. Hvordan skal varen så rejse gennem netværket? Hvordan skal politikkerne omkring brug af 3. parts transport leverandører skrues sammen? Hvordan gøres dette mest bæredygtigt og omkostningseffektivt?

Hvorfor er Kunstig Intelligens/Statistisk Modellering en god ide?
Vi ser, at man ved at bruge Kunstig Intelligens/statistisk modellering kan skabe reelle forretningsmæssige resultater. I de cases vi hidtil har arbejdet med, har vi realiseret en reduktion på 4% i årlige transportudgifter ved at anvende en andel af de anbefalede ruter. 23% af de nye ruter havde ikke historisk været anvendt før. Det gav 1% i reduktion i årlige CO2 emissioner (når CO2 var vægtet med 30% af scoren). Samtidig fik kunden en 360 graders fuld visualisering af det samlede netværk, som var datagrundlaget for analysen og modellerne.

Hvad er det der sker?
Vores netværk & ruteevalueringsløsning (eller kort sagt NRE) bruger en kombination af statistiske og machine learning modeller til at identificere og anbefale ruter. De er maksimeret op mod vægtede omkostninger, CO2 emissioner og forskellige typer af kundescore. Via Optilon´s web interface får virksomhedens medarbejdere, der arbejder med optimeringen, flere rutealternativer at vælge imellem og anbefalede handlinger.

En kombination af statistisk modellering og machinelearning algoritmer analyserer store kombinationer af eksisterende ”ben” (legs) i enten eksisterende eller nye ruter og sammenligner med historisk anvendte ruter.

NRE hjælper ikke kun med at komme med anbefalinger til ruter, men den giver også et digitalt overblik over det samlede netværk. Det kan være på kunde eller ordre data niveau, transport waybill, data om ”benet” og last-mile data billede.

Hvordan anvendes det?
Der skabes adgang til NRE via et Optilon webinterface. Her kan virksomhedens medarbejdere nemt evaluere, benchmarke og godkende/afvise rute anbefalinger.

Godkendte ruter kan via dataintegration tages i brug inden for operationelle routingapplikationer, mens de samtidig overvåges på et taktisk og strategisk niveau via interaktive aggregerede rapporter, enten via internettet eller tredjeparts BI-apps.

At komme i gang med at bruge Kunstig Intelligens/Statistisk Modellering er ikke så svært.

Tag fat i os for at høre mere.