Сократите углеродный след: как аналитика данных движет устойчивой логистикой

Выгоды от использования огромного объема данных, собираемых транспортно-логистическими отраслями, нельзя переоценить.

Один очень важный и часто упускаемый выигрыш для этой углеродоемкой отрасли — способность использовать аналитику для сокращения углеродного следа, что имеет как финансовые, так и репутационные последствия. Сочетание аналитики данных с автоматизацией процессов помогает достичь значительной эффективности, снижая затраты, оптимизируя операционные процессы и улучшая коммуникацию между грузоотправителями, перевозчиками и брокерами.

По данным BCG, тяжелый транспорт (авиация, тяжелый автоперевоз и морское судоходство) составил примерно 95% всех выбросов фрейта в 2019 году. Повышая топливную эффективность и операционную эффективность с использованием искусственного интеллекта и машинного обучения для управления аналитикой данных, транспортно-логистические операции могут сократить свой углеродный след и уменьшить экологическое воздействие перемещения фрейта по всей цепи поставок.

Ниже — способы, которыми сегодняшние лидеры логистики могут использовать аналитику данных для достижения экономии и углерода, и затрат, фокусируясь на прямом экологическом влиянии этих методов.

Заставьте свои данные работать для вас

Применение ИИ и машинного обучения к аналитике данных помогает оптимизировать операции и сократить выбросы несколькими способами.

ИИ-системы мониторят данные, генерируемые повседневной логистической деятельностью. Это включает анализ объемов, расстояний и выбора модов, и документирование неэффективных модов, маршрутизации и пустых миль, текущих от плохого использования. Они также учитывают влияние планирования парка и маршрутизации, времени простоя и отслеживания задержек (в течение которых грузовики простаивают в ожидании запланированных заборов и сдач), и множество других факторов, влияющих на использование углеродного топлива.

После поглощения больших массивов агрегированных данных и выявления паттернов неэффективности, ИИ-аналитика данных предоставляет инсайты и предсказания о том, как грузоотправители или перевозчики могут улучшить процессы и стать более топливноэффективными. Например, ИИ может быстро показать перевозчику-грузоотправителю, есть ли паттерны в определенных маршрутах, где хронические заторы или повторяющиеся проблемы с планированием приводят к увеличению топливных потерь. ИИ также может показать перевозчику, где регулярно упускаемые возможности обратной загрузки приводят к топливопотребляющим пустым или «deadhead» милям. Это лишь горсть примеров.

Используя ИИ и машинное обучение для улучшения процессов с аналитикой данных, бизнесы могут повысить рентабельность и сократить свое воздействие на окружающую среду одновременно.

Парниковые газы, выброшенные из цепей поставок компаний, в пять раз больше, чем от прямых операций, согласно CDP, международной некоммерческой организации, продвигающей экологическую раскрытость. Однако управление более зелеными цепями поставок может эквивалентно значительным долгосрочным выгодам для организаций, как финансовым, так и коммерческим.

ИИ и технологии машинного обучения уже помогают передовым перевозчикам сокращать deadhead мили и неэффективную загрузку и маршрутизацию. Эти технологии инструментальны в консолидации less-than-truckload в многоостановные truckloadы и в рекомендациях по выбору мода, предназначенных для снижения использования топлива. Эта же технология также используется с большим эффектом, мониторя и предсказывая лучшие маршруты на основе трафик-паттернов, погоды и исторических времён в пути, тем самым оптимизируя время в транзите и сокращая выбросы транспорта.

Когда речь идет о мониторинге и снижении углеродных выбросов, ИИ и машинное обучение могут стать game changer. Вместе они предоставляют глубокие инсайты в множественные аспекты углеродного следа компании и выявляют способы снижения затрат для ускорения устойчивой трансформации, включая:

• Мониторинг выбросов — помощь компаниям в выявлении, где нужны улучшения по цепи поставок;
• Прогнозирование выбросов — предсказание будущих выбросов на основе исторических данных и текущих усилий по снижению, и
• Сокращение выбросов — предоставление детального инсайта в способы, которыми организация может улучшить эффективность в транспорте и в других местах для уменьшения своего углеродного следа.

Конечная линия встречает климатическое действие

Из 872 транспортных компаний, опрошенных Всемирным экономическим форумом в его отчете 2020 года «The Net-Zero Challenge: Fast-Forward to Decisive Climate Action», только 23% установили цели по выбросам. Из них менее половины (9%) сократили выбросы CO2 по сравнению с предыдущим годом.

Вместо того чтобы рассматривать устойчивость и сокращение углерода как бремя, логистические операции должны признать, что климатическое действие предоставляет возможность создавать ценность, вступая в новые рынки и удовлетворяя растущий спрос на низкоуглеродные, более зеленые сервисы.

ИИ и машинное обучение уже прокладывают путь для организаций с предвидением принять эту проверенную, но все еще emerging технологию. Ранние приемщики уже фиксируют здоровые возвраты на инвестиции в эти новые технологии. Полученная экономия на топливных затратах не только улучшает конечную линию, но и продвигает усилия компании по сокращению углеродных выбросов и общему экологическому воздействию. Потребители всё более настраиваются на экологическое воздействие покупаемых продуктов, и компании, демонстрирующие приверженность экологической устойчивости, всё чаще вознаграждаются за обращение к своей роли в сокращении углеродных выбросов.

Используя ИИ и машинное обучение для отслеживания своих углеродных следов, компании лучше позиционированы для применения предиктивных технологий для установки и достижения целей по выбросам способом, дающим конкретные результаты. Сегодняшние лидеры транспорта и логистики могут решить две проблемы одним решением, оцифровывая операции и развертывая возможности ИИ и машинного обучения своих платформ TMS и интегрированных приложений.

Бизнесы всё чаще рассматривают устойчивость как то, что не должно быть nice-to-have, а как инициативу в ядре их операций, включая более зеленые цепи поставок. ИИ и машинное обучение могут прокладывать путь для компаний для оптимизации логистических операций, улучшения эффективности и сокращения выбросов, оставляя меньший углеродный след по пути.

Пол Биверс — главный технологический директор в PCS Software.