Транспортировка топлива до АЗС требует особой организации процесса. Существует много тонкостей и нюансов, которые должен учитывать в работе логист. Каждая минута остановки работы АЗС — это потеря прибыли и клиентов, денежные штрафы для перевозчиков. Поэтому важно, чтобы бензовозы приезжали вовремя. Неэффективные рейсы влекут за собой опустошение резервуаров и, как следствие, простой АЗС. Но при этом нельзя допустить, чтобы резервуар был постоянно заполнен «под завязку» — экономически невыгодно. Максим Иванов, директор по искусственному интеллекту ООО «Сбер Бизнес Софт» рассказал, какие существуют проблемы в системе маршрутизации бензовозов и как искусственный интеллект может обеспечить бесперебойную работу сети АЗС.
Проблемы, возникающие при планировании маршрутов:
● Человеческий фактор
Если требуется доставить топливо всего на несколько АЗС, то с этим легко справится логист без применения специального ПО, вручную построив маршруты, учтя все возможные риски и условия доставки: какое топливо, когда и где закончится, какой маршрут выбрать и в какое время необходимо осуществить доставку. Но с ростом количества заказов, условий и ограничений, увеличивается сложность и время планирования, а также возрастает риск ошибок, связанных с человеческим фактором. Например, логисту важно учитывать такие тонкости, которых просто нет в других отраслях: совместимость типа топлива в секции бензовоза с типом топлива в резервуаре на АЗС, объем сливаемого бензовозом топлива не должен превышать предполагаемого свободного объема в резервуаре к моменту приезда. Перелив резервуара не допустим. Банально, но нужно брать в расчет совместимость стороны слива у бензовоза и АЗС. Когда АЗС несколько, то логистам проще справиться с планированием маршрутов бензовозов. В случае разветвленной сети для облегчения ежедневных задач логистов создаются виртуальные помощники, которые призваны облегчить работу.
● Внешние факторы
Непогода на улице, пробки и аварии сказываются на времени доставки топлива. Опираясь на актуальные данные о дорожной обстановке, можно предложить маршруты в объезд затора, но не в случае с бензовозами. Дело в том, что топливо является опасным грузом, поэтому маршруты его доставки обязательно согласуются с ГАИ, менять которые по ходу движения нельзя. Учёт внешних факторов в данной задаче, в первую очередь, будет влиять на прогноз времени доставки, а не на маршрут.
● Точность прогнозов запасов топлива
Зачастую прогноз реализации топлива в системах мониторинга строится на подсчёте средней реализации за последние несколько недель. Для точного прогноза необходимо учитывать сезонный спрос, близость выходных или праздничных дней и другие факторы, которые явно не видны человеку, но хорошо считываются ML-моделью (Machine Learning или Машинное обучение) на основании анализа исторических данных за последние несколько лет.
Для эффективного построения маршрутов важно правильно спрогнозировать, когда и какое топливо закончится. На стандартной АЗС есть как минимум 5 видов топлива, но ситуации, когда резервуары с каждым из видов опустошены одномоментно практически не встречаются. Поэтому логисту важно иметь прогноз по каждому из видов топлива, чтобы грамотно распределить бензовозы по маршруту. Главное не допустить случаев остановки работы АЗС из-за «пересыхания» резервуаров. Для точного прогноза нужно знать, сколько машин приедут, какое топливо будет востребовано и в каком объеме. Профессионал сможет подготовить такой прогноз, но приблизительно на сутки. Для более длительного планирования требуется специальное ПО.
Искусственный интеллект во главе маршрутизации
Для любой компании с разветвленной сетью АЗС приоритетными задачами являются оптимизация маршрутов доставки с нефтебазы до АЗС и избегание случаев «пересыхания» резервуаров. С ними лучше всего справятся автоматизированные решения, которые учтут все возможные факторы, позволив избежать большинство проблем текущей системы маршрутизации. По сути требуется построение математической модели на основе искусственного интеллекта.
Как это работает
К примеру, для одной из нефтяных компаний мы разработали модель искусственного интеллекта, которая составляет оптимальные маршруты доставки нефтепродуктов. Для заказчика важно было правильное распределение заказов между машинами исходя из остатков топлива на АЗС. Например, изменился спрос на АЗС и требуется скорректировать маршрут в реальном времени на основе изменившихся факторов.
Входными данными для модели являются: местоположение АЗС и нефтебаз, конфигурации бензовозов, параметры резервуаров на каждой АЗС, время работы водителей, информация о текущих остатках топлива в резервуарах.
ИИ-модель решает задачу в три этапа:
1. Прогноз реализации топлива на АЗС.
По прогнозу реализации, модель определяет резервуары с критически низким уровнем топлива, которые будут опустошены в течение дня, и назначает бензовозы на их пополнение. В результате компания получает рейсовое расписание для каждого бензовоза с указанием очередности объезда АЗС, номера сливаемого отсека и расчетного времени в пути. Маршруты построены с почасовой детализацией.
2. Составление среднесрочного плана.
Предлагается среднесрочный план на 7 дней вперед для устойчивости модели и равномерной нагрузки на транспорт. Это позволяет избежать ситуаций, когда бензовозам назначаются рейсы таким образом, что в последующие дни невозможно осуществить доставку без пересыханий резервуаров.
3. Составление точных рейсов на ближайшую смену.
После составления 7-дневного плана, строятся более точные маршруты, минимизируется время в пути и оценивается примерное время выполнения рейса для контроля работы водителей и операторов на АЗС. Водители получают маршрутные листы и маршрут визуализируется на карте.
Зачем ИИ нефтяным компаниям
● Увеличение надежности поставок
Для любого бизнеса важна надежная и стабильная работа. В случае задержек и сбоев падает прибыль компании. Бесперебойная работа увеличивает не только показатели рентабельности, но и лояльность клиентов. Если рассматривать наш кейс с внедрением ИИ-модели, то это позволило компании в 4 раза быстрее формировать рейсы и привело к полному отсутствию остановок АЗС по причине нехватки топлива.
● Снижение затрат на ГСМ
При составлении неоптимальных маршрутов растут и затраты на ГСМ, что увеличивает издержки компании. Применение ИИ в маршрутизации приводит к минимизации количества рейсов и сокращению общего пробега ТС.
● Улучшение обслуживания клиентов
Нет топлива — нет клиента. По такому принципу работает любая АЗС. Если клиент сталкивается с некачественным топливом или сбоями в функционировании заправки, то уходит к конкуренту. Бесперебойная работа АЗС = довольный клиент.
● Возможность масштабирования бизнеса
Есть как минимум два существенных плюса. Во-первых, применение ИИ в целях маршрутизации бензовозов освобождает время логистов, которое может использоваться для решения более важных организационных задач. Например, внедрение нашей модели позволило компании составлять аналогичные рейсы за 30 минут вместо 2 часов, что при масштабировании бизнеса с высокой степенью вероятности не приведет к расширению штата логистов.
Во-вторых, использование оптимизационного решения позволит провести ревизию автопарка. В случае расширения бизнеса применение ИИ позволит более рационально использовать текущие транспортные средства. Например, возможно снижение амортизации или пробега.
● Снижение углеродного следа
Согласно климатической доктрине к 2060 году Россия планирует достичь углеродной нейтральности. В данный момент многие компании заботятся о снижении углеродного следа, в том числе за счёт снижения выбросов СО2 от сжигания топлива, принадлежащего им автотранспортом. Применение ИИ позволяет доставлять грузы по более коротким маршрутам, тем самым снижая расходы автомобильного топлива и, как следствие, сокращать выбросы парниковых газов.
Маршрутизация бензовозов с помощью ИИ несет в себе огромное количество плюсов. Но пока в России не многие компании готовы к его внедрению. По данным исследования [1] аналитической компании Strategy Partners только 24% отечественных компаний нефтегазового и металлургического сектора внедрили или находятся в процессе реализации решений на основе ИИ. Для составления маршрутов доставки топлива необходимо специализированное решение, учитывающее специфические ограничения этой отрасли. Разработка такого решения требует финансовых инвестиций, временных затрат, обучения персонала. Точно одно — для больших компаний подобное решение может окупиться уже в первый год использования.
[1] https://www.vedomosti.ru/business/articles/2024/06/05/1041554-tolko-chetvert-rossiiskih-promishlennih-kompanii-vnedryayut-iskusstvennii-intellekt
