В логистике всегда требовались точность и скорость. Но если раньше на принятие решения о перераспределении товаров между складами уходили дни, то сегодня алгоритмы делают это за секунды, учитывая десятки факторов ― от погоды до загруженности транспорта.
В статье расскажу о том, как в «Лемана ПРО» искусственный интеллект из теоретической концепции превратился в ежедневный рабочий инструмент.
От «заказчик — исполнитель» к «партнер — партнер»
Цифровые технологии меняют не только то, как мы работаем, но и то, как мы строим отношения с партнерами. Классическая бизнес-модель «заказчик — исполнитель» постепенно уходит в прошлое: сегодня мы переходим к модели «партнер — партнер», когда каждая сторона может предоставлять услуги друг другу — как результат, сотрудничество становится крепче и выгоднее для всех.
Такой подход открывает новые возможности для бизнеса. Например, мы уже оказываем услугу ответственного хранения на свободных площадях — это позволяет использовать ресурсы эффективнее и помогать партнерам решать их задачи. Цифровые платформы делают такое сотрудничество простым и прозрачным и не превращают его в бюрократический квест с десятком согласований.
Не все измеряется снижением финансовых затрат
Когда речь заходит об автоматизации, первый вопрос обычно звучит так: «Сколько мы сэкономим?» Но если оценивать цифровизацию только через призму снижения затрат, то можно упустить половину картины. Автоматизация — это не волшебная таблетка от всех бед, а инструмент для достижения операционных и стратегических целей.
Наша главная задача — сделать так, чтобы клиенты хотели к нам возвращаться, а уровень сервиса полностью соответствовал их ожиданиям. Поэтому мы смотрим на комплексную систему показателей ― от низкоуровневых логистических метрик до финансовых результатов вроде дополнительной выручки или операционной рентабельности.
Все KPI можно поделить на несколько категорий.
- Снижение операционных затрат, чтобы перекрыть рост инфляции. Здесь мы отслеживаем продуктивность операций, стоимость обработки единицы товара, утилизацию транспортных средств.
- Улучшение уровня сервиса для клиента: своевременность и полнота исполнения заказов, удовлетворенность клиента.
- Дополнительный доход от партнеров за счет использования наших логистических услуг.
Иногда мы автоматизируем процессы просто для того, чтобы собрать данные для последующего анализа. Как крупной компании, нам важно понимать, как работает каждый участок процессов: без этого невозможно принимать взвешенные решения о том, куда двигаться дальше.
Что ИИ уже умеет и чему еще научится
Мы активно используем модели машинного обучения, которые помогают минимизировать операции контроля товаров на разных этапах. Вместо того чтобы проверять все подряд, система выявляет только те операции, в которых, вероятнее всего, содержатся расхождения. Яркий пример — «умный» контроль сборок в магазинах. До внедрения модели в 2025 году ошибки фиксировались в 1,8% сборок, при этом проверяли 100% операций. После запуска
Прогнозные модели также помогают нам рассчитать необходимое количество персонала на логистических объектах. Они учитывают прогнозируемый объем работ, производительность сотрудников и множество других факторов. Так мы интегрируем в рабочие процессы ровно столько людей, сколько действительно необходимо для поддержания высокого уровня сервиса.
С помощью машинного обучения мы перешли от реактивного к предиктивному подходу в управлении запасами. Наши модели Demand Planning прогнозируют спрос на каждый артикул на уровне дня и магазина с высокой точностью — до 180 дней вперед. Мы оцениваем влияние прогноза на упущенный товарооборот. Если в 2024 году мы теряли до 2% товарооборота из-за ошибки прогнозирования, то в 2025 году улучшили показатель до 1,5%, а сегодня достигли планки в 1%. Даже небольшое улучшение качества прогнозирования значительно увеличивает товарооборот компании. Это позволяет поддерживать запасы на оптимальном уровне и гарантировать наличие товара для клиентов. Мы планируем расширять эти модели на долгосрочное планирование — это даст возможность прогнозировать спрос клиентов, формировать прогнозы заказов поставщикам и запасов по всем объектам сети.
В недалеком будущем ИИ-системы будут управлять резервными запасами в магазинах в реальном времени и предсказывать задержки поставок. Это снизит объем замороженного капитала и повысит надежность цепи поставок.
Прорывы будущего
Если говорить о будущих прорывах, то один из самых интригующих сценариев — генеративный ИИ и автоматизация принятия решений. Уже сейчас генеративный ИИ используется не только для чат-ботов, но и в логистике. В перспективе мы можем прийти к модели, в которой не человек принимает решение, а ИИ: он симулирует сценарии, реагирует на события, автономно принимает решения и отдает команды в рабочие системы для оптимизации процессов.
Другое направление — полностью автоматизированные склады и цепочки с роботами и ИИ. Хотя роботы и автоматизация применяются уже сегодня, они еще не везде интегрированы с ИИ-агентами. В будущем же это может быть система, при которой роботы, транспорт и склады работают как единый живой организм: ИИ не только управляет роботами, но и координирует транспортировку, складирование, упаковку и последнюю милю доставки.
Внедрение таких комплексных решений становится особенно актуальным в условиях острого дефицита линейного персонала на складах и линиях доставки. Там, где раньше нехватка людей могла парализовать работу, автономные системы помогают операциям не просто функционировать, а выживать, сохраняя темп и качество обслуживания клиентов вопреки кадровому голоду.
Цифровые двойники
Когда мы слышим про цифровых двойников, первое, что приходит в голову, — это авиация или космическая промышленность: авиакомпании моделируют поведение двигателей, чтобы предсказывать поломки, а космические агентства тестируют на цифровых копиях спутников и станций решения для неполадок на орбите.
Но технология Digital Twin прекрасно работает и в логистике, особенно для задач моделирования автоматизации. Это вполне рабочий инструмент, который помогает принимать решения о значимых инвестициях. Перед стартом проекта по внедрению более 50 роботов на одном складе «Лемана ПРО» проводится детальное имитационное моделирование процесса. Это позволяет проверить все гипотезы, учесть нюансы графика товародвижения, особенности товаров и грузов — и в итоге избежать финансовых потерь.
Зеленая логистика
Цифровые технологии реально помогают сокращать углеродный след. Мы внедряем геооффер: предлагаем клиенту ассортимент с учетом его месторасположения, что обеспечивает сток в близости к клиенту и оптимизирует среднюю медиану доставки. Проще говоря, товар едет не через всю страну, а с ближайшего склада.
Кроме этого, применяем модели машинного обучения для снижения объемов лишних операций, холостых пробегов автотранспорта, прогнозирования спроса, моделирования маршрутов и оптимизации складских запасов.
Также развиваем собственную электронную B2B-площадку для взаимодействия с партнерами, роботизируем склады — применяем автоматизированные транспортные средства, конвейеры, сортировочные системы. И в конце концов внедряем онлайн-отчетность с доступом к информации в реальном времени. Все это не только снижает выбросы, но и экономит бюджет.
Защита самого слабого звена
С ростом цифровизации логистические цепочки становятся значительно более уязвимыми для кибератак. Как говорят, система защищена настолько, насколько защищено самое слабое ее звено. Если не обеспечить безопасность каждого элемента, то в случае кибератаки будет парализована вся цепочка.
Сегодня цифровизация в логистике — это системы управления складом (WMS), GPS-трекинг, автоматизированное управление автопарком, электронный документооборот (EDI), роботы и автоматизация склада. Цифровизация каждого элемента расширяет поверхность атаки для злоумышленников.
Вот основные меры киберзащиты, которые мы применяем.
- Проверка уровня безопасности поставщиков. Оценка зрелости информационной безопасности каждого элемента в цепочке позволяет выявлять риски на ранних этапах и управлять ими.
- Регулярное тестирование на проникновение и аудит. Практические проверки показывают не только соответствие стандартам, но и комбинированные векторы атак, которые могли быть использованы злоумышленниками.
- Логирование данных по событиям в системе и мониторинг кибератак — базовое требование для всех видов ИТ-систем.
Кадры решают все
Где брать специалистов, которые находятся на стыке логистики, data science и технологий? Для нас ответ очевиден: взращивать внутри компании. Причем искать экспертизу не только со стороны традиционного ИТ в лице кросс-функциональных команд, разрабатывающих data-продукты, но и среди операционных команд.
Мы ищем сотрудников, проявляющих открытость ко всему новому, с профильным или смежным образованием, подразумевающим наличие навыков работы с данными, аналитики и построения причинно-следственных связей, а также с опытом работы в логистике. Опытных data-science-специалистов мы также взращиваем внутри компании, развивая не только их инженерные навыки, но и понимание работы прикладных бизнес-процессов через погружение в работу логистических объектов: магазинов, дарксторов, федеральных распределительных центров.
Что касается обучения, мы за последовательное развитие с погружением в бизнес и поддержкой в формате «делай как я, делай со мной, делай лучше меня». Для начинающих специалистов используем практику подбора менторов и наставников — людей, которые познакомят с процессами и инструментами, расскажут о стандартах и лучших практиках разработки. В среднем обучение и погружение для выхода на полноценную самостоятельность занимает
Для более опытных коллег ставим годовые и полугодовые цели с учетом потребностей бизнеса и выбранного карьерного трека. Для сотрудников с большим опытом есть возможность выйти за границы своей зоны ответственности — например, развиваться по нескольким направлениям или стать экспертом, помогая своей экспертизой нескольким продуктовым командам.
Искусственный интеллект в логистике, как и в любой другой отрасли, помогает превратить хаос миллионов операций в четкую и слаженную систему. При этом компаниям важно помнить, что технологии работают не вместо людей, а вместе с ними. Когда алгоритм освобождает человека от рутины, у сотрудников появляется время на то, что машина пока не умеет: думать стратегически и креативно, искать нестандартные решения и усиливать сотрудничество с партнерами. А это, согласитесь, куда интереснее, чем пересчитывать коробки на складе.
