ИИ для логистики и дистрибуции: склад, отгрузки и транспорт
Внедряем ИИ на складе, в отгрузках и транспорте производителей и дистрибьюторов. Результат: простои, холостые пробеги, пересорт и ручные сверки видны в рублях, а система сама показывает, где их закрыть.
- Логистика производителя теряет деньги в четырех местах: простои техники, холостые пробеги, пересорт на складе и ручные сверки документов.
- Быстрее всего окупаются задачи на данных, которые уже собираются: контроль рейсов по GPS, сверка накладных с заказами в 1С, загрузка машин.
- Роботы на складе оправданы для крупных распределительных центров, среднему бизнесу сначала нужны правила размещения и контроль остатков.
- Сейчас мы строим систему для бетонного завода: заказы из 1С, техника и GPS водителей в одном месте, аналитика против потерь в рейсах.
- Пилот от 300 000 ₽, точная цена и срок после бесплатного разбора.
Где логистика теряет деньги
У производителя и дистрибьютора потери в логистике почти всегда в четырех местах:
- Простои техники. Машина ждет в очереди на погрузку, водитель стоит у клиента, потому что приемка не готова, миксер или манипулятор простаивает между заказами.
- Холостые пробеги. Машина едет на объект полной, обратно пустой, или едет не самым коротким путем. Топливо и износ списываются на рейс, и в отчете это выглядит как обычная поездка.
- Пересорт и ошибки склада. Отгрузили не тот артикул или не то количество, остатки в 1С не совпадают с фактом. Отсюда возвраты и повторные рейсы.
- Ручные сверки. Логист сверяет рейсы перевозчика с путевыми листами, бухгалтер сверяет накладные с заказами. Это часы работы каждую неделю и ошибки, которые всплывают через месяц.
Каждую из этих потерь можно посчитать в рублях до старта проекта. Подробный разбор задач, кейсов и пример расчета есть в статье ИИ в логистике. Здесь о том, что мы внедряем, как и сколько это стоит.
Какие ИИ-решения окупаются в логистике
| Задача | Что делает решение | На каких данных |
|---|---|---|
| Прогноз отгрузок | предсказывает объем на день и неделю: сколько людей на склад, сколько машин в резерв, сколько сырья закупить | история заказов, сезонность, календарь, планы клиентов |
| Загрузка машин | распределяет заказы по машинам с учетом грузоподъемности, окон приемки и смен водителей | заказы из 1С, справочник парка |
| Контроль рейсов по GPS | сравнивает трек с планом и показывает долгие стоянки, заезды не по маршруту, перерасход топлива | GPS-треки, путевые листы, заказы на рейс |
| Обработка документов | распознает накладные, акты и путевые листы, сверяет с заказами и показывает расхождения | сканы и электронные документы, 1С |
| Склад: остатки и размещение | подсказывает, куда класть быстрые позиции, находит признаки пересорта и лишние остатки | движения по складу в 1С или WMS |
| Компьютерное зрение | считает и проверяет груз на погрузке, контролирует СИЗ на складе | камеры на складе и в зоне отгрузки |
Задачи загрузки машин близки к производственному планированию: это оптимизация на данных из 1С, а не только нейросети. Мы делаем их в рамках услуги планирование производства. Основа для всего списка это цифровой контур: заказы, склад, техника и документы в одном месте.
Рынок только начинает: в опросе Strategy Partners больше 140 представителей транспортно-логистической отрасли 45% компаний планируют использовать ИИ в ближайшие 2-3 года, а логистическое планирование приоритетом цифровизации назвали 54%. Крупные игроки уже получают результат: X5 завершила роботизацию распределительного центра «Новая Рига», по данным компании производительность складской обработки выросла на треть, а один робот-инвентаризатор экономит 180 человеко-часов на одной инвентаризации. Это результат крупной сети, для среднего склада роботы окупаются не первыми.
Наш опыт: бетонный завод
Сейчас мы работаем с бетонным заводом. Название не раскрываем, результатов в цифрах пока нет, поэтому рассказываем, что строим.
Бетон нельзя хранить: смесь замешивают под заказ, и она должна доехать до объекта за ограниченное время. Склада готовой продукции, который сгладил бы ошибку, нет. Если миксеров на завтра поставили больше, чем нужно, техника стоит. Если меньше, ждут клиент и бригада на стройке.
- Данные в одном месте: заказы и отгрузки из 1С, справочник техники и GPS водителей сводятся в одну систему.
- Логистика миксеров: план и факт по каждому рейсу, время на заводе, в пути, у клиента и обратный путь, простои по машинам и водителям.
- Аналитика против потерь: отчеты показывают долгие ожидания на объектах, лишние пробеги и рейсы, которые выбиваются из нормы.
- Поиск новых строек по разрешениям на строительство и тендерам, чтобы отдел продаж выходил на объект раньше конкурентов.
Тот же подход переносится на любого производителя или дистрибьютора со своим парком: щебень, металлопрокат, стройматериалы, продукты с коротким сроком годности.
Из завершенных проектов к логистике ближе всего два. Прогноз продаж для сети ресторанов: точность выше 90% и на 20% меньше пищевых отходов, та же логика нужна для прогноза отгрузок. Извлечение данных из научных статей: точность извлечения выше 90%, а накладная устроена проще научной статьи с таблицами.
Пример расчета
Условный пример: у дистрибьютора 20 машин, каждая простаивает 1,5 часа в день сверх нормы, час работы машины с водителем стоит 2 000 ₽. Это около 1,3 млн ₽ в месяц при 22 рабочих днях. Если контроль рейсов и планирование сократят простой на треть, эффект около 440 000 ₽ в месяц. Цифры условные: в реальном проекте берем их из GPS и 1С заказчика на разборе и только после этого решаем, стоит ли запускать пилот.
С чего начать
- Найти одно узкое место: простои, холостые пробеги, пересорт или ручные сверки.
- Проверить данные в 1С, GPS-платформе, WMS и таблицах: чего не хватает и сколько стоит это собрать.
- Зафиксировать показатель «было»: часы простоя на машину, километры на рейс, доля документов с расхождениями.
- Запустить пилот на одном участке: один склад, одна группа машин, один тип документов. Срок фиксируем после разбора.
- Масштабировать только то, что подтвердило эффект.
Контроль рейсов по GPS лучше объяснять водителям как инструмент против простоев, а не как слежку. Часто система показывает, что водитель не виноват, а теряет время на плохо организованной приемке у клиента, и это аргумент в переговорах о плате за простой.
Частые ошибки
- Начинать с роботов. Самый заметный и самый дорогой вариант. Среднему складу сначала окупаются правила размещения, контроль остатков и документов.
- Покупать маршрутизатор, когда проблема в загрузке. Если машины ездят полупустыми или стоят в очереди на погрузке, лучший маршрут это не исправит.
- Смотреть GPS только после жалобы. Данные трекеров уже оплачены, их стоит разбирать каждый день автоматически.
- Не считать потери до старта. Без цифры «было» нельзя доказать, что пилот окупился, и проект заканчивается словами «вроде стало лучше».
Сколько стоит
Разбор процесса на 30-40 минут бесплатный. Пилот от 300 000 ₽, точную цену и срок фиксируем после разбора: они зависят от числа систем (1С, WMS, GPS-платформа, CRM) и участков. Работаем под NDA, персональные данные водителей и клиентов обезличиваем до отправки в модель, а если данные нельзя выносить за периметр, разворачиваем модели в контуре компании.
Частые вопросы
Сколько стоит внедрение ИИ в логистику?
Разбор процесса на 30-40 минут бесплатный. Пилот от 300 000 ₽. Точную цену фиксируем после разбора: она зависит от числа систем (1С, WMS, GPS-платформа, CRM, телефония) и участков.
Сколько длится пилот?
Срок фиксируем после разбора. Он зависит от того, в каком состоянии данные: есть ли история заказов, чистый ли справочник парка, выгружаются ли треки GPS. Если данные нужно сначала собрать, скажем об этом до старта.
Какие данные нужны?
Для контроля рейсов: треки GPS и заказы на рейс. Для прогноза отгрузок: история заказов хотя бы за год. Для сверки документов: сканы или электронные накладные и заказы в 1С. Чаще всего все это у компании уже есть, но лежит в разных местах.
С какими системами интегрируетесь?
С 1С, WMS, GPS-платформами, CRM, системами электронного документооборота и таблицами. Менять учетную систему ради ИИ не нужно.
Как защищены данные о клиентах и маршрутах?
Работаем под NDA. Персональные данные водителей и клиентов обезличиваем до отправки в модель. Если данные нельзя выносить за периметр, модели работают в контуре компании.
Что если эффекта не будет?
Пилот небольшой: один склад, одна группа машин или один тип документов. Показатель «было» фиксируем до старта, поэтому результат виден в цифрах. Если эффект не подтвердился, компания не тратит деньги на масштабирование.