IA nella logistica dell'ultimo miglio: gestione di itinerari e consegne rinnovata

La gestione degli itinerari svolge un ruolo decisivo nella logistica e nel trasporto delle merci: può fare la differenza tra successo e fallimento nella consegna dei prodotti. Ecco perché è stato uno degli argomenti più studiati in questo settore nel corso dell'ultimo secolo. Tuttavia, nonostante l'attenzione ricevuta, non è stata ancora raggiunta l'efficienza ottimale nell'instradamento dei veicoli e nella logistica dell'ultimo miglio. Gli ultimi progressi tecnologici nel campo dell'intelligenza artificiale e del machine learning potrebbero essere i pezzi mancanti per risolvere questo puzzle.

La base della gestione degli itinerari è il problema del commesso viaggiatore. Gli studiosi se ne occupano fin dall'inizio del XIX secolo, ma il problema dell'instradamento dei veicoli (in inglese VRP, Vehicle Routing Problem), affrontato oggi nella logistica, è stato formalmente introdotto nel 1959 da George Dantzig e John Ramser¹. Da allora, i ricercatori hanno analizzato innumerevoli varianti ed estensioni del VRP nel tentativo di risolvere un'ampia gamma di problemi. Oggi esistono algoritmi e modelli molto efficaci che consentono di rappresentare gran parte della complessità che il mondo reale comporta. L'industria e il mondo accademico sono molto più vicini a dominare i moderni problemi di instradamento rispetto a quando Dantzig e Ramser entrarono in questo campo 65 anni fa. Tuttavia, gli approcci metodologici esistenti ci hanno portato solo all'80% del percorso. Il restante 20% non era così cruciale in un mondo in cui le persone non facevano ancora acquisti online e le opzioni di trasporto veloci e flessibili non erano così importanti per soddisfare le esigenze dei consumatori. Tuttavia, le aspettative sono notevolmente aumentate negli ultimi anni. I clienti richiedono velocità e un livello di personalizzazione senza precedenti. All'improvviso, quel 20% che i metodi tradizionali non potevano raggiungere è diventato molto rilevante a causa dei servizi logistici estremamente reattivi oggi richiesti.

I grandi furgoni che vediamo per strada effettuano in genere circa 120 fermate al giorno

Ciò che rende complessa la logistica dell'ultimo miglio sono gli itinerari sempre più frammentati e limitati. A differenza di un viaggiatore che cercherebbe semplicemente il percorso più breve o più conveniente tra il punto A e il punto B, il furgone per le consegne di un'azienda come Amazon o UPS deve effettuare più consegne su un unico itinerario consolidato ed efficiente. I grandi furgoni che vediamo per strada effettuano tipicamente circa 120 fermate al giorno, e queste devono essere sequenziate in modo che l'intero itinerario risulti ottimizzato, anche se non sempre si riesce a seguire il percorso più breve fino al termine. Si tratta di trovare il modo più breve, rapido ed economico per collegare questi 120 punti sulla mappa rispettando i tempi di consegna, le restrizioni di parcheggio o di accesso e la disponibilità dei clienti.

Anziché essere solo un problema matematico, l'efficienza dell'ultimo miglio è un problema umano perché le persone, come i conducenti, sono una grande fonte di incertezza. La loro esperienza, le loro conoscenza della zona o la possibilità che stiano trascorrendo una brutta giornata influenzano il modo in cui interagiscono con gli altri partecipanti al sistema di mobilità e il modo in cui seguiranno un itinerario fino alla fine. Sebbene le aziende li ottimizzino il più possibile, eventi imprevisti come gli incidenti stradali possono modificare completamente le previsioni sui tempi di percorrenza. Molti di questi fattori sono difficili o quasi impossibili da controllare, ed è qui che gli approcci tradizionali hanno difficoltà a trovare una soluzione.

Mettere il ​​cliente al centro di tutto

Abbiamo iniziato a studiare la logistica dell'ultimo miglio nelle megalopoli circa dieci anni fa perché i processi tendono ad essere più complessi nelle aree ad alta densità di popolazione. La densità è uno dei maggiori fattori che determinano la complessità dell'ultimo miglio, poiché la maggior parte delle città non è sicuramente stata pianificata per le dimensioni che hanno raggiunto. Sono cresciute nel corso della storia, ma lo stesso non si può dire delle loro infrastrutture di trasporto. Non sono adatte al gran numero di persone e di merci che entrano ed escono ogni giorno. Man mano che le città crescono, aumenta la domanda di beni e servizi e la necessità di spostare merci e persone. Il risultato è un sostanziale aumento della densità del traffico su strade molto difficili da ampliare, con conseguenti ingorghi.

L'aumento della domanda può avere effetti positivi e negativi sulla logistica dell'ultimo miglio. Quando vi è un'alta concentrazione di clienti in un'area, in teoria sarebbero necessari tempi di percorrenza più brevi per completare le consegne. Gli itinerari dovrebbero essere più produttivi ed efficienti, ma lo svantaggio è che, in una rete stradale sempre più al collasso, gli spostamenti diventano più lunghi e imprevedibili e anche gli incidenti più banali possono causare gravi ritardi. Pertanto, la produttività e la durata totale degli itinerari possono peggiorare, rendendoli meno prevedibili rispetto a quelli sviluppati in ambienti rurali a bassa densità.

L'ultimo miglio rappresenta circa il 40% dei costi logistici di molte aziende

Stiamo esplorando nuovi metodi ispirati all'intelligenza artificiale e al machine learning perché il mondo si muove più velocemente delle formule tradizionali. Inoltre, la tendenza a focalizzare i processi logistici sulle esigenze individuali ha creato un problema di instradamento di nuova generazione. Questo è il motivo per cui sono necessari approcci più basati sui dati. I modelli e gli algoritmi che creiamo per risolvere questi problemi devono essere in grado di apprendere e aggiornarsi continuamente per ottenere informazioni sempre più dettagliate. Devono sviluppare una comprensione evolutiva delle caratteristiche, del comportamento e dei limiti legati a ciascun cliente, itinerario o veicolo. È qui che l'intelligenza artificiale e il machine learning possiedono un vantaggio unico rispetto ai tradizionali metodi di ricerca operativa.

Generalmente, l'ultimo miglio rappresenta il 40% dei costi logistici delle aziende. È quindi necessario poter prevedere quando e dove verrà acquistato un prodotto con grande precisione spaziotemporale. Scoprire, ad esempio, quante unità di una determinata referenza verranno acquistate in un determinato codice postale nei prossimi 30 minuti. Questo è un altro esempio di come la previsione della domanda diventi dipendente da tecniche di machine learning di nuova generazione per affrontare capacità predittive sempre più esigenti da parte delle aziende.

Efficienza con un tocco umano

L'obiettivo è quello di tracciare itinerari che non siano solo brevi, rapidi ed economici, ma anche efficaci per i conducenti. Prestiamo attenzione a come adattano i piani che ricevono a inizio giornata, perché sanno dove parcheggiare in sicurezza, come evitare il traffico o in quali orari i loro clienti hanno maggiori probabilità di essere disponibili meglio di qualsiasi algoritmo. Questa conoscenza tacita incorporata in ciascun conducente è impossibile da codificare nell'implementazione statica di un algoritmo di ottimizzazione o in un insieme di equazioni. In realtà, potremmo trovare percorsi più adatti osservando il comportamento effettivo dei conducenti nel tempo. Una prospettiva basata sull'apprendimento potrebbe acquisire le conoscenze dei conducenti più esperti rilevando modelli nel modo in cui si spostano lungo i loro itinerari. Inoltre, questi potrebbero essere continuamente addestrati con nuovi dati del mondo reale, come chiusure temporanee di strade o cambiamenti nelle preferenze. Questo è l'approccio alla pianificazione degli itinerari che dovremmo esplorare ulteriormente.

Se in passato il pubblico veniva trattato come una massa omogenea, oggi si tiene conto delle sue istanze e caratteristiche individuali. A tale scopo, le aziende devono acquisire informazioni più specifiche su ciascuna fermata e questo dipende da aspetti specifici come il tipo di edificio dell'utente. Alcuni anni fa venivano offerte finestre temporali e i clienti sceglievano quando desideravano ricevere il pacco. Ora, l'aspettativa è che il processo logistico anticipi le disponibilità e le preferenze di ogni persona. Man mano che i servizi di fascia alta come la consegna lo stesso giorno diventano più comuni, è necessario che diventino anche più accessibili a una parte più ampia della popolazione, compresi coloro che non risiedono nei principali centri urbani.

L'obiettivo è quello di tracciare itinerari che non siano solo brevi, rapidi ed economici, ma anche efficaci per i conducenti

Il livello di qualità e velocità offerto dai sistemi di nuova generazione era inimmaginabile fino a un paio di anni fa. Oltre a questi vantaggi, altri miglioramenti riguardano la sostenibilità. La logistica e i trasporti sono tra i principali responsabili delle emissioni di carbonio e, di conseguenza, del cambiamento climatico. Senza decarbonizzare questo settore, non saremo in grado di mettere un freno agli scenari peggiori. Senza i nuovi metodi e le innovazioni che ci auguriamo di sviluppare presso l'Intelligent Logistics Systems Lab del MIT, l'industria non sarà in grado di raggiungere gli ambiziosi obiettivi di decarbonizzazione necessari per fare la differenza.

Ricerca con metodi ibridi

Vediamo un enorme potenziale nell'uso di metodi ibridi che uniscano il meglio di entrambi i mondi, ovvero che siano in grado di collegare la ricerca operativa tradizionale con le tecniche di machine learning e intelligenza artificiale. Al MIT intendiamo raggruppare le nostre attività di ricerca su questi metodi e sulle loro applicazioni nell'Intelligent Logistics Lab fondato di recente. Il nostro scopo è avere la visione di una futura generazione di sistemi logistici in grado di offrire servizi che oggi possiamo solo immaginare, ma che diventeranno realtà nei prossimi anni.

Le ultime tendenze ci impongono di sviluppare soluzioni più agili e intelligenti per rispondere ai cambiamenti del contesto socioeconomico e geopolitico e noi in Mecalux abbiamo trovato un partner che crede veramente in questi metodi. Dobbiamo fare tesoro delle conoscenze di molte delle persone che gestiscono ogni giorno il settore, che si tratti di conducenti, magazzinieri o responsabili della supply chain con 40 anni di esperienza. Dobbiamo ampliare tali competenze e integrarle in modelli quantitativi per risolvere i problemi sempre più complessi che il settore deve affrontare in modo rapido e scalabile.

 

---

 

 

---

 

Bibliografia:

Dantzig, G. B., and J. H. Ramser. 1959. The Truck Dispatching Problem. Management Science 6 (1): 80–91.