Data Department; distribütörlerin, toptancıların ve kargo şirketlerinin stok, filo ve rota kararlarını makine öğrenmesi, yöneylem araştırması ve yapay zekâ ile iyileştirmesine yardımcı olur. Bu sektördeki çalışmalarımız arasında 100.000'den fazla parçayı kapsayan bir yedek parça tahmin sistemi ve analizi, aynı hizmet seviyesinin yaklaşık %30 daha az araçla karşılanabileceğini gösteren bir filo optimizasyonu çalışması var. ERP (kurumsal kaynak planlama) ve WMS (depo yönetim sistemi) ile entegre çalışırız.
Dağıtım ve lojistikte yapay zekâ nerede değer üretir?
Dağıtımda marjlar düşük, kararlar çoktur: Ne tutulacak, nerede tutulacak, kaç araç çalışacak, hangi araç nereye gidecek. Her gün tekrarlanan küçük iyileştirmeler büyük bir toplam oluşturur. Bu kararların bir kısmı tahmin, bir kısmı optimizasyon gerektirir; her karar için uygun yöntemi kullanırız.
| Karar | Makine öğrenmesi, yapay zekâ ya da optimizasyon ne yapar | Tipik veri |
|---|---|---|
| Her kalem ve lokasyon için ne kadar stok tutulacak | Kabul edilen riske göre stok belirleyen olasılıksal talep tahmini | Sipariş geçmişi, tedarik süreleri, stok seviyeleri, ikame ve uyumluluk verisi |
| Stok depolar ve şubeler arasında nasıl dağıtılacak | Tahmine dayalı dağıtım ve ikmal kuralları | Şube satışları, transfer geçmişi, WMS stok pozisyonları |
| Kaç araç çalıştırılacak | Hizmet seviyesi kısıtları altında MIP (karma tam sayılı programlama) ile filo boyutlandırma | Teslimat hacimleri, zaman aralıkları, araç kapasiteleri, depo konumları |
| Hangi araç hangi teslimatları yapacak | Kümeleme ve rota atama optimizasyonu | Adresler, teslimat zaman aralıkları, öncelikler, kapasiteler |
| Hangi müşteri ya da satış noktası ilgi bekliyor | Düşük performans ya da müşteri kaybının erken tahmini; ekipler daha erken harekete geçer | Satış noktası satışları, ziyaret geçmişi, ekipman yerleşimi |
| Büyük bir planın hedeflerine ulaşılacak mı | Kilometre taşlarına ulaşma olasılığını hesaplayan simülasyon | Kaynaklar, takvimler, bağımlılıklar |
| Sevkiyat ve tedarikçi belgeleri nasıl işlenecek | İrsaliye, fatura ve siparişlerden alanları çıkaran belge işleme yapay zekâsı | Taranmış ya da dijital belgeler, ERP ana verisi |
İlgili projeler
- Yedek parça stok tahmini: Birden fazla marka ve kanalda 100.000'den fazla aktif parçası olan büyük bir otomotiv distribütörlüğü grubu. Olasılıksal tahmin ve segment bazlı modeller, eski yönteme göre ~%30 daha iyi tahmin doğruluğu ve ~%10 daha düşük stok taşıma maliyeti sağladı. Atölye planlama ve diğer satış sonrası çalışmalar için otomotiv sayfamıza bakabilirsiniz.
- Filo ve rota optimizasyonu: Bir kargo şirketi. Teslimat zaman aralıklarını, öncelikleri ve kapasiteyi gözeten özel kümeleme ile karma tam sayılı programlamayı birleştirdik. Analiz, aynı hizmet seviyesinin yaklaşık %30 daha az araçla karşılanabileceğini gösterdi.
- İçecek soğutucu performans tahmini: Bir içecek şişeleyicisi. Modelimiz, soğutucuları düşük performans gösterecek satış noktalarını şirketin kendi değerlendirmesinden önce %99 doğrulukla belirledi; tahmini yıllık satış artışı ~%2,35.
- Program teslim simülasyonu: Küresel bir ağ teknolojisi şirketi için büyük bir geçiş programının Monte Carlo simülasyonu, mevcut kaynaklarla hedeflerin kaçırılacağını erkenden gösterdi. Aynı yöntem büyük lojistik yaygınlaştırma projelerine de uygulanabilir.
Bir distribütör için tipik ilk projeler nelerdir?
- Yavaş ve düzensiz talepli kalemler için stok tahmini. Yedek parçalar ve uzun kuyruktaki ürünler, nokta tahminin en çok yanıldığı ve olasılıksal tahminin en çok fayda sağladığı yerdir.
- Tek bir bölge ya da depo için filo boyutlandırma. Mevcut hizmet seviyesinin gerçekte kaç araç gerektirdiğini gösteren sınırlı kapsamlı bir optimizasyon çalışması. Ayrıntılar optimizasyon ve simülasyon sayfamızda.
- Şube ikmali. Merkez depo ile şubeler arasında tahmine dayalı stok dağıtımı.
- Belge işleme. İrsaliye, fatura ve satın alma siparişlerinden ERP'ye veri girişinin otomatikleştirilmesi.
Her biri iki haftalık bir Keşif aşamasıyla başlar: sıralanmış kullanım alanları, veri kontrolü ve devam ya da dur kararı. Ücretsiz 30 dakikalık yapay zekâ fırsat değerlendirmesi, uygunluğu hızlıca görmenin bir yoludur.
Veri ve entegrasyon notları
- ERP; siparişleri, kalemleri, tedarikçileri, tedarik sürelerini ve maliyetleri tutar. Çoğu tahmin projesinin başlangıç noktasıdır; tahminler ERP'ye ya da planlama araçlarına geri yazılır.
- WMS; lokasyon bazında stoku ve hareket geçmişini tutar. Dağıtım, ikmal ve depo planlaması için önemlidir.
- TMS (taşıma yönetim sistemi) ve araç takip verisi; filo ve rota çalışmaları için rotaları, durakları, süreleri ve araç kapasitelerini sağlar. TMS yoksa teslimat kayıtları ve adresler başlamak için çoğu zaman yeterlidir.
- Ana veri; örneğin parça uyumluluk ve ikame listeleri, özellikle yedek parçada satış geçmişi kadar değerli olabilir.
- Altyapı: AWS (Amazon Web Services), Google Cloud, Azure ya da şirket içi sunucularda teslim ederiz. Yedek parça sistemimizi AWS SageMaker üzerinde, günlük güncellemelerle kurduk.
Sık sorulan sorular
Rota optimizasyonu bir yapay zekâ projesi mi?
Genellikle bir yöneylem araştırması projesidir. Karma tam sayılı programlama ve benzeri yöntemler, teslimat zaman aralıkları ve kapasite gibi katı kısıtlar altında en iyi planı bulur. Çoğu zaman kümeleme ya da talep tahmini gibi makine öğrenmesi yöntemleriyle birlikte kullanırız.
Nadiren satılan kalemler nasıl tahmin ediliyor?
Seyrek ve düzensiz talepli kalemlerde az veri için tasarlanmış yöntemler kullanırız; örneğin benzer ve ikame kalemlerden bilgi alan hiyerarşik Bayes modelleri. Çıktı tek bir sayı değil, bir tahmin aralığıdır.
Hizmet seviyesi düşürülmeden filo küçültülebilir mi?
Kargo şirketi çalışmamızda hizmet seviyesi bir kısıttı; analiz, aynı hizmet seviyesinin yaklaşık %30 daha az araçla karşılanabileceğini gösterdi.
Başlamak için TMS ya da WMS gerekli mi?
Hayır. Birçok proje ERP çıktıları ve teslimat kayıtlarıyla başlar. WMS ya da TMS işi kolaylaştırır, ancak ön koşul değildir.