Logistics: giảm 15% chi phí nhiên liệu của đội xe nhờ dữ liệu
Quay lại danh sách
LogisticsContract Talent

Logistics: giảm 15% chi phí nhiên liệu của đội xe nhờ dữ liệu

Chuyên gia hợp đồng vào đội dữ liệu của một tập đoàn logistics lớn để xây hệ thống định tuyến dự đoán.

-15%
Chi phí nhiên liệu
Tiết kiệm trực tiếp hằng năm (~$2M)
98%
Tuân thủ SLA
Tăng từ 82% trước khi triển khai
100%
Mức áp dụng
Tất cả 50 trung tâm điều phối khu vực đều dùng

Thách thức

T.L Logistics chịu hai áp lực cùng lúc: giá nhiên liệu tăng vọt và các quy định mới của EU phạt chuỗi cung ứng phát thải carbon cao. Hệ thống định tuyến cũ là hệ thống tĩnh, dùng các tuyến tính sẵn và bỏ qua những biến động theo thời gian thực như tắc nghẽn ở biên giới, thời tiết hay tai nạn trên đường. Điều phối viên quyết định theo cảm tính thay vì dữ liệu, khiến quãng đường chạy kém hiệu quả 15% và thường xuyên vi phạm SLA. Đội IT nội bộ giỏi SAP nhưng thiếu kỹ năng Data Science và kỹ thuật dữ liệu địa lý (geospatial) cần để xây một hệ thống định tuyến động, dựa trên dữ liệu. T.L cần ngay những chuyên gia có thể mô hình hóa toán học các bài toán định tuyến phức tạp.

Định tuyến tĩnh khiến tiêu hao nhiên liệu dư 15%.
Điều phối viên không có dữ liệu theo dõi theo thời gian thực.
Không tính được lượng phát thải carbon của từng lô hàng.
Đội Java nội bộ thiếu kỹ năng Python/TensorFlow.

Giải pháp

GTEMAS bổ sung vào bộ phận kỹ thuật của T.L Logistics 2 Senior Data Scientist và 1 Geospatial Engineer, làm việc trực tiếp trong các đội Scrum sẵn có của T.L. Chính các engineering lead của T.L đặt ưu tiên và mục tiêu cho “Optimization Engine”, gồm cả quyết định để điều phối viên vẫn tham gia ra quyết định thay vì tự động hóa hoàn toàn, và nghiệm thu sản phẩm bàn giao. GTEMAS quản lý các kỹ sư thực hiện phần mô hình hóa. Mô hình dự đoán: Kỹ sư của chúng tôi xây một mô hình machine learning từ nhật ký GPS lịch sử (dữ liệu 3 năm) để dự đoán tình trạng ùn tắc tại từng cửa khẩu. Mô hình lấy dữ liệu thời tiết và giao thông theo thời gian thực qua API để chấm điểm từng đoạn tuyến. Hệ thống hỗ trợ quyết định: T.L yêu cầu không dùng tự động hóa kiểu hộp đen, nên kỹ sư của chúng tôi xây bảng điều khiển “Human-in-the-Loop”. AI đề xuất 3 tuyến tốt nhất, xếp theo Chi phí, Thời gian và Phát thải carbon. Điều phối viên là người quyết định cuối cùng. Nhờ vậy khối lượng phải cân nhắc của điều phối viên giảm đáng kể.

Định hướng kiến trúc

Giải pháp dùng kiến trúc microservices: Optimization Service (Python/FastAPI) giao tiếp với TMS lõi (Transportation Management System, hệ thống quản lý vận tải) qua REST API. Dữ liệu nạp vào Google BigQuery để phân tích theo thời gian thực.

Kết quả và ảnh hưởng

Dự án đưa T.L Logistics từ một công ty vận tải đường bộ truyền thống thành nhà cung cấp logistics ứng dụng công nghệ. Số liệu giảm phát thải carbon nay là điểm bán hàng chính trong các hồ sơ thầu B2B của công ty và giúp họ thắng hợp đồng với các nhà bán lẻ chú trọng môi trường.

-15%
Chi phí nhiên liệu

Tiết kiệm trực tiếp hằng năm (~$2M)

98%
Tuân thủ SLA

Tăng từ 82% trước khi triển khai

100%
Mức áp dụng

Tất cả 50 trung tâm điều phối khu vực đều dùng

Sẵn sàng có câu chuyện thành công của riêng bạn?

Hợp tác với Global Tech Masters để xây sản phẩm số có thể mở rộng và hiệu năng cao.