Кратко

Логистическая компания доставляла заказы по городу и между распределительными точками. Главная боль была не в том, что маршруты строились совсем плохо, а в том, что они быстро устаревали в течение дня:

менялась дорожная ситуация;
появлялись срочные заказы;
водители выбивались из графика;
обещанные клиентам интервалы доставки оказывались неточными.

Вместо одного «умного маршрутизатора» компания собрала систему из двух частей:

модель прогноза времени доставки (ETA);
модуль пересчёта маршрутов в течение дня.

Это позволило не просто строить маршрут утром, а управлять доставкой динамически.

Что именно мешало бизнесу

Проблема выглядела как:
«Нужно точнее доставлять и меньше ездить».

Но деньги терялись сразу в нескольких местах.

Где были потери

курьеры приезжали позже обещанного окна;
часть маршрутов была перегружена, часть — недозагружена;
диспетчеры вручную перестраивали планы;
срочные заказы ломали уже собранную сетку;
перерасход топлива и времени рос из-за слабой последовательности точек;
клиентский сервис тратил ресурсы на вопросы «где мой заказ?».

Что особенно раздражало команду

Не было одной главной причины.
Ошибки возникали из смеси факторов:

пробки;
тип района;
этажность и сложность подъезда;
время на парковку;
тип груза;
поведение конкретного водителя;
задержки на складе;
отклонения от планового времени погрузки.

Как это работало на практике

1. Утром система строила стартовый план

Она учитывала:

заказы;
временные окна;
тип транспорта;
вместимость;
ограничения по зонам;
плановую загрузку водителей.

2. Модель ETA уточняла реальное время по каждой точке

В отличие от простого расчёта «по километрам», модель оценивала:

сколько реально займёт путь;
сколько времени уйдёт на остановку;
насколько вероятно опоздание;
где маршрут начнёт «сыпаться».

3. В течение дня шёл пересчёт

Если возникали отклонения, система предлагала:

переставить точки;
переназначить часть заказов;
передать заказ другому курьеру;
изменить обещанный ETA клиенту;
выделить рискованный маршрут диспетчеру.

Какие данные дали наибольший эффект

Неожиданно главным драйвером качества стали не только карты и пробки.

Самые полезные признаки:

история фактических маршрутов;
GPS-треки;
время старта от склада;
район и тип локации;
плотность трафика по часу и дню недели;
число остановок в маршруте;
вес и объём груза;
тип доставки: до двери, до точки выдачи, B2B;
длина интервала доставки;
время на разгрузку;
задержки на складе;
поведение конкретного водителя на похожих маршрутах;
погодные условия.

Что раньше недооценивали

Особенно сильное влияние оказали:

время поиска парковки;
вход в бизнес-центры и жилые комплексы;
задержки в первые 1–2 часа смены;
эффект «цепочки опозданий», когда одна проблемная точка ломает весь хвост маршрута.

Какие решения принимала система

Вместо одной рекомендации «маршрут хороший / плохой» система выдавала конкретные действия.

Ситуация	Что рекомендовала система
маршрут начинает выбиваться из SLA уже на первых точках	пересчитать последовательность остановок
в середине дня пришёл срочный заказ	встроить его в ближайший маршрут или отдать отдельному водителю
один водитель стабильно перегружен по времени	перераспределить часть точек
ETA по нескольким клиентам выходит за обещанный интервал	заранее обновить обещание клиенту и поднять приоритет маршрута
на складе произошла задержка выпуска	перестроить время выезда и пересчитать окна
в конкретном районе резко ухудшилась дорожная ситуация	обойти зону или перенести часть доставок

Что изменилось в работе диспетчеров

Раньше диспетчерская жила в режиме постоянного ручного тушения пожаров.

Было

маршруты собирали утром;
дальше их в основном «спасали» вручную;
часть проблем замечали уже после опоздания;
срочные заказы обрабатывались хаотично;
много решений принималось на опыте конкретного диспетчера.

Стало

диспетчер видел маршруты с риском заранее;
система показывала вероятное опоздание ещё до факта;
срочные заказы встраивались по понятной логике;
клиентские ETA обновлялись точнее;
ручное вмешательство осталось, но стало точечным.

Что дали пилотные 4 месяца

Операционные метрики

Метрика	До	После
Доставки в обещанный интервал	100% базовый уровень	116%
Средняя ошибка ETA	100%	72%
Ручные пересборки маршрутов	100%	63%
Срочные заказы с нарушением SLA	100%	69%

Экономика

Метрика	До	После
Пробег на доставку	100%	91%
Затраты на топливо и маршрутные потери	100%	88%
Переработки водителей	100%	76%
Стоимость одной доставки	100%	90%

Клиентский эффект

Метрика	До	После
Жалобы на опоздания	100%	67%
Обращения «где мой заказ?»	100%	71%
Оценка точности ETA	100%	121%

Почему проект не свели только к маршрутизации

Обычный оптимизатор может построить красивый маршрут на старте дня, но этого мало.

Без AI-компонента оставались проблемы:

одинаковое время на точку для разных адресов;
слабый прогноз задержек;
поздняя реакция на отклонения;
плохая оценка влияния срочных заказов;
неточный клиентский ETA.

Главный эффект дал именно союз:

прогноза времени,
пересчёта маршрута,
мониторинга в реальном времени.

Где модель ошибалась

Проект не был идеальным.

Сложные случаи:

резкие перекрытия дорог;
сбои на складе без раннего сигнала;
нестандартные B2B-доставки;
адреса с плохим качеством геокодинга;
новые районы без достаточной истории;
человеческий фактор: ожидание клиента, проблемы с доступом, ручные отклонения водителя от маршрута.

Поэтому компанию быстро привели к правильной схеме:
AI рекомендует, диспетчер подтверждает сложные случаи.

Почему это сработало

1. Перешли от статического плана к живому управлению

Маршрут перестал быть «одним решением утром».

2. Стали считать не только дорогу, но и реальную операцию

Время доставки — это не только километры, но и весь процесс на точке.

3. Убрали ручную рутину из диспетчерской

Люди начали разбирать отклонения, а не пересобирать всё подряд.

4. Улучшили не только внутреннюю эффективность, но и клиентский опыт

Точный ETA оказался не менее важен, чем сам факт доставки.

Что не отдали в полный автомат

Компания сознательно не автоматизировала безусловно:

крупные форс-мажоры;
перераспределение VIP-клиентов;
конфликтные решения по SLA и штрафам;
редкие нестандартные рейсы;
ручное управление при массовых сбоях на складе.

Где такой подход особенно хорошо работает

Наибольший эффект обычно есть там, где:

много городских доставок;
плотные временные окна;
частые срочные заказы;
большой парк или подрядчики;
высока цена опоздания;
диспетчеры перегружены ручными корректировками.

Что можно добавить в следующую итерацию

прогноз отмен и неудачных попыток доставки;
персональные модели по стилю водителя;
автоматическое объединение заказов в волны;
оптимизацию загрузки склада вместе с маршрутом;
прогноз времени на погрузку и выпуск;
next best action для диспетчера по проблемным рейсам.

Вывод

Этот кейс показывает, что в логистике AI особенно полезен не там, где нужно просто «проложить путь на карте», а там, где нужно одновременно управлять:

временем доставки,
последовательностью точек,
SLA,
нагрузкой на водителей,
реакцией на изменения в течение дня.

Итог: компания получила более точные сроки доставки, меньше ручной диспетчеризации и более дешёвую последнюю милю.

Сроки доставки и маршруты в логистике

Похожие статьи

Поделиться в соц. сетях

Комментарии