Descartes combineert AI-agent en machine learning in Fleet Data Intelligence-platform

Foto: Descartes
Met de introductie van het Descartes Fleet Data Intelligence-platform breidt Descartes Systems Group zijn Global Logistics Network (GLN) uit met nieuwe AI-mogelijkheden. Het platform is gebouwd op de schaal en operationele praktijkdata van het GLN en combineert een nieuwe AI-agent met machine learning-mogelijkheden om tijdige leveringen te verbeteren, naleving van serviceniveaus te versterken en de kosten per levering te verlagen. Tegelijkertijd moet het platform zorgen voor de nodige zichtbaarheid om verbeteringen in wagenparkprestaties op lange termijn te meten, vast te houden en op te schalen.
Het Fleet Data Intelligence-platform introduceert René, een AI-agent die zowel realtime inzichten als kansen voor langetermijnverbeteringen zichtbaar maakt, zonder dat handmatige data-extractie of gespecialiseerde analytische expertise nodig is.
Voor dagelijkse wagenparkprestaties helpt René planners, dispatchers en operationele managers snel problemen te onderzoeken, hypotheses te testen en direct antwoorden te krijgen door simpelweg vragen te stellen. Bijvoorbeeld waarom routes in een bepaalde periode sneller verliepen, waardoor overuren ontstaan of waar serviceniveaus onder druk staan.
Daarnaast ontdekt René diepere, structurele patronen door grote hoeveelheden uitvoeringsdata van wagenparken te analyseren. Zo identificeert de agent trends en achterliggende oorzaken van inefficiënties. Denk aan een groep chauffeurs die consequent extra kilometers rijdt door handmatige routeafwijkingen, zodat gerichte maatregelen genomen kunnen worden om prestaties te verbeteren.
Het platform introduceert ook machine learning-mogelijkheden die in vroege implementaties hebben geleid tot een toename van routedichtheid tot wel dertig procent. Dat maakt dat wagenparken meer stops kunnen uitvoeren zonder extra voertuigen of chauffeurs toe te voegen.
Verder moet het platform nauwkeurigere voorspellingen van servicetijden genereren door te leren van werkelijke leveringsduur en routeomstandigheden op basis van variabelen zoals klanttype, producteigenschappen, leveringsvolume, voertuigtype, locaties van laadstops en geografische factoren.
De verbeterde planningsnauwkeurigheid moet overtollige buffertijd, ongebruikte capaciteit, gemiste leveringsvensters en routeplannen die tijdens uitvoering afwijken, minimaliseren. Daardoor kunnen bedrijven meer stops per chauffeur in dezelfde werktijd plannen.
Tot slot biedt het platform gestructureerd inzicht in belangrijke prestatie-indicatoren, zodat organisaties serviceniveaus kunnen benchmarken en de impact van operationele veranderingen in de tijd kunnen volgen. Door verbeteringen te meten op het vlak van route-efficiëntie, naleving van serviceniveaus en chauffeurproductiviteit, kunnen wagenparken resultaten valideren, best practices versterken en prestatieverbeteringen opschalen binnen hun operatie.