IvL predavanja 2018 19 - fpp.uni-lj.si

8. 05. 2019

1

Univerza v LjubljaniFakulteta za pomorstvo in promet

I v L doc. dr. Evelin KRMAC

[email protected]

2018/19

INFORMACIJSKA PODPORA LOGISTIČNIH PROCESOV

INFORMATIZACIJA LOGISTIKE

Optimizacija področja logistikezniževanje stroškov

večja kakovost

delakrajši

odzivni časivečja

fleksibilnost

krajši čas vračila

investicije

. . . ZAKAJ ?

8. 05. 2019

2

zajem podatkov in dostop do informacij na samem mestu dogajanja

realni prostor in realni čas

avtomatizacija in informatizacija procesov

postopki orodja

samodejna identifikacijanavigacija in sledenjeRIP in e-poslovanje

povezovanje

brezžična mobilna oprema komunikacija

programska orodja roboti / koboti

Obvladovanje prostora in časa

8. 05. 2019

3



8. 05. 2019

4

INDUSTRIJA 4.0

1.0 2.0 3.0 4.0

Mehanična proizvodnja –hidro in parna

energija

Masovna proizvodnja –

elektrifikacija, industrializacija

Digitalizacija in avtomatizacija –računalniki in IT

Kibernetično –fizični sistemi

Industrija 4. generacije

INDUSTRIJA 4.0 digitalizacija poslovnih procesov

4. industrijska (r)evolucija

Vitka proizvodnja / logistika Pametna proizvodnja / logistika

Pametne tovarne

2011 ->

Cilj: maxdobiček

Personaliziranaproizvodnja

Izdelava izdelkov po

potrebi

Velike količine različnih izdelkov

procesi, postopki, izdelki, stroji in storitve so med seboj povezani in med seboj komunicirajo s pomočjo IKT

računalniško spremljanje in vodenje proizvodnje

8. 05. 2019

5

VKLJUČUJE:• avtomatizacijo proizvodnje (robotizacija, UI)• inteligentna omrežja• računalništvo v oblaku• Internet stvari (senzorika + komunikacija s stroji in komunikacija z

izdelki)• velike količine podatkov, strojno učenje• povezovanje sistemov v realnem času

Problem: dehumanizacija?

8. 05. 2019

6

INDUSTRIJA 5.0 „from virtual to physical“

5. industrijska revolucija ?

2015 ->

Cilj: vrniti človeka v

proizvodnjoPersonalizirana

proizvodnja

Izdelava izdelkov po

potrebi

Velike količine različnih izdelkov

sodelovalni roboti (Collaborative robots) = coboti(več senzorjev, zaznavanje okolice, prepoznavanje predmetov in

njihovih položajev, višja stopnje inteligence, sprejemanje ustreznejših odločitev)

sodelovanje / interakcija med človekom in strojem

STROJI

vedno hitrejši,

natančnejši, zmogljivejši

LJUDJE

kognitivno in kritično

razmišljanje

8. 05. 2019

7

„Tako predelovalna dejavnost kot prevozniki inlogisti brez močne integracije sodobnihinformacijskih in tehnoloških rešitev danes ne morejobiti konkurenčni. Nobena transformacija alidigitalizacija procesov ne bo učinkovito izpeljanabrez odločne podpore IT-ja in sodobnihinformacijskih rešitev.

Zato je povezovanje uporabnikov in ponudnikovinformacijskih storitev in rešitev nujno.“[SLZ, vabilo na Logistični kongres 2019]

UPRAVLJANJE OSKRBNE VERIGE (Supply Chain Management)

upravljanje blagovnih in informacijskih tokov med

neodvisnimi organizacijami

integracija ključnih poslovnih procesov v celovite poslovne procese

+

INTEGRIRANA OSKRBNA / VREDNOSTNA VERIGA (Integrated Supply /Value Chain)

večja koordinacija poslovnih procesov ali aktivnosti+

pravočasna in kakovostnejša izmenjava informacij

8. 05. 2019

8

UPRAVLJANJE OSKRBOVALNE – VREDNOSTNE VERIGE

Dobavitelji surovin

Industrija in proizvodnja Trgovci na debelo

Trgovci na drobno

integracija

Povezava notranjih enot organizacije + Povezava organizacij

med seboj

8. 05. 2019

9

Digitalna logistična platforma in povezovalna programska oprema

• podpora logističnim procesom• povezovanje partnerjev v oskrbovalni verigi• povezovanje naprav, sredstev in sistemov v realnem času

Združuje• modularne• na oblaku temelječe• interoperabilne (spletne in brezžične)

aplikacije.

• enovita in odprta tehnološka platforma

8. 05. 2019

10

KLJUČ

ZA

USPEH

orodja

. . .

znanje

8. 05. 2019

11

www.logistics.dhlŠtiri ključni elementi prihodnosti logistike:1. Osredotočenost na potrošnike (hitra in prilagodljiva logistična izkušnja) 2. Trajnostni razvoj (okolju prijazna logistika)3. Tehnologije4. Ljudje (opravljanje ‚pomembnejših‘ nalog – upravljanje, analize, inovativnost)

8. 05. 2019

12

Gradniki „digitalne transformacije poslovnih modelov“: informacijski sistem analitika podatkov (Big Data) tehnologija oblaka in storitev v oblaku internet stvari (IoT) robotika in avtomatizacija umetna inteligenca – kognitivna inteligenca,

podatkovno rudarjenje, nevronske mreže, strojno učenje, …

navidezna resničnost (Augmented Reality) avtonomna vozila omrežja „naslednjih“ generacij (inteligentna omrežja) tehnologija veriženja podatkovnih blokov (Blockchain)

TEHNOLOGIJE

UMETNA INTELIGENCA

„Huawei uporablja tehnologijo umetne inteligence v logistiki,sistemu dostave, financah in pri notranjih revizijah. Rezultati soobetavni. Že v sami logistiki podjetja so se ocene zanesljivostizvišale med 30 in 80 odstotkov, uporaba AI tehnologije pa jeučinkovitost dostave povečala za 30 odstotkov. Svetovalna hišaMcKinsey je pred kratkim napovedala, da lahko tehnologijaumetne inteligence v 19 različnih panogah potencialno ustvarimed 3,5 in 5,8 milijarde dolarjev nove vrednosti na letniosnovi.

Od leta 2000 se je število aktivnih startup-ov na področju umetneinteligence povečalo 14-krat, vrednost naložb vanje pa se jepovečala šestkrat. Od leta 2013 se je število delovnih mest, kizahtevajo znanje o umetni inteligenci, povečalo za 4,5-krat. Tudi v Sloveniji je kar nekaj tovrstnih uspešnih zgodb.“

8. 05. 2019

13

UMETNA INTELIGENCA skozi čas

UMETNA INTELIGENCA

„Umetna inteligenca bo preoblikovala tudi transport.Samovozeča vozila ne sodijo več v sanjsko vizijo prihodnosti,ampak so zelo oprijemljiva realnost. Takšna vozila bi lahkorevolucionizirala transport in prevozne storitve, saj bi bila bistvenovarnejša, poleg tega pa bi pametni navigacijski sistemi zaradiprometnih zastojev lahko zmanjšali nepotrebne stroške.Raziskave McKinseja navajajo primer evropskega podjetja, ki jesvoj prevoz s tovornjaki optimiziralo na podlagi algoritmov umetneinteligence ter s tem zmanjšalo porabo goriva za 15 odstotkov,pri tem pa skrajšalo čas, potreben za dostavo.“

[MP, UI bo preoblikovala industrijo, 2018]

8. 05. 2019

14

UMETNA INTELIGENCA

• zelo interdisciplinarno področje računalništva in informatike

• Cilj UI: razvoj INTELIGENTNIH naprav – naprav, ki bi razpolagale z inteligenco in znale posnemati človeško razmišljanje, sklepanje, učenje, komuniciranje, izvajanje dejanj, pojasnjevanje, komentiranje …

• Inteligenca?

• Umetna inteligenca – sistemi, ki se vedejo/razmišljajo racionalno

UMETNA INTELIGENCA

Sposobnosti inteligentnih sistemov:

obdelava naravnega jezika predstavitev znanja avtomatsko sklepanje strojno učenje računalniški vid robotika …

8. 05. 2019

15

UMETNA INTELIGENCA

Glavna področja UI:

vizualna inteligenca (prepoznavanje oblik, obrazov, prstnih odtisov, očesne šarenice, …)

govorna inteligenca (prepoznavanje in sinteza govora) manipulativna inteligenca (nadzor gibanja robotske

roke, nadzor nožnih mehanizmov, …) racionalna inteligenca (avtomatsko sklepanje,

ekspertni sistemi, podatkovne baze, odkrivanje znanja, podatkovno rudarjenje, ontologije, strojno učenje…)

UMETNA INTELIGENCA

Sodobne aplikacije UI:

avtonomna vozila (robotska vozila) uporaba robotov (robotika) razpoznavanje govora, analiza in sinteza jezika strojno prevajanje med jeziki v realnem času igranje iger (šah, karte, …) načrtovanje logistike (optimizacija uporabe

sredstev) strojno svetovanje, napovedovanje, predvidevanje … izvajanje kompleksnih kirurških posegov detekcija neželene elektronske pošte . . .

8. 05. 2019

16

„deep learning“ – globoko učenje: stalno učenje; sistem se neprekinjeno uči iz realnega sveta in ob pridobivanju novih informacij prilagaja svoj učeči model ter oblikuje nova spoznanja [globoke večslojne NM]

8. 05. 2019

17

Globoko učenje- od klasifikacije in lociranja/lokalizacije posameznega objekta ….

… do identifikacije vsebine slike (detekcija več objektov na isti sliki, segmentacija)

8. 05. 2019

18

Umetne nevronske mreže

[Umetna nevronska mreža = Artificial Neural Network]

Je naprava - matematični oz. računski model za obdelavo informacij, ki posnema delovanje biološkega živčnega sistema (npr. človeški možgani).

• mreža je sestavljena iz velikega števila elementov –nevronov, ki delujejo vzporedno

• mreže se ne da sprogramirati za določeno nalogo

• učijo se s pomočjo primerov/pravil (izbira učnih primerov pomembna!!) – med učenjem mrežo naučimo, kateri izhodni podatki ustrezajo podanim vhodnim podatkom

vir: K. Mramor. Nevronske mreže. 2007.

veliko število vhodov en izhod

8. 05. 2019

19


NM sestavimo tako, da • najprej definiramo vse potrebne sestavne dele in njihove

povezave• računalnik sprogramiramo, da te lastnosti simulira.

Mreža ima dva načina delovanja:• učni način – mrežo naučimo, kdaj oz. kako naj odreagira

na določen vzorec na vhodu• uporabniški način – ko mreža zazna določen vzorec na

vhodu, na izhodu poda ustrezen izhodni signal;če vhodnega vzorca ni na seznamu naučenih vzorcev, se uporabijo pravila proženja, ki določijo, kako lahko izračunamo, kdaj naj se nevron ob nekem vhodnem vzorcu sproži in kdaj ne;


Pri kompleksnejših nevronih:• vhodi (xi) so obteženi – uteži na vhodnih podatkih

določajo učinek vsakega izmed vhodnih podatkov na vsakega izmed izhodnih podatkov;

• utež (wi) - številka, s katero množimo vhodne podatke -> s tem postanejo obteženi;

• obtežene vhodne signale seštejemo:x1 w1 + x2 w2 + …+ xn wn

• če vsota presega vnaprej določen prag proženja T, potem se vozlišče (nevron) sproži, sicer se ne sproži

• za proženje nevronov obstajajo različni algoritmi• uteži se med učenjem mreže spreminjajo

8. 05. 2019

20

Primer usmerjene nevronske mreže – informacije potujejo le v smeri od vhoda proti izhodu.

število skritih plasti: med 5 in 100, narašča s številom podatkov in učnih primerov


Uporaba nevronskih mrež – splošno:

• analiza velike količine podatkov • prepoznavanje vzorcev, obnašanja, …• prepoznavanje trendov podatkov• predvidevanja, napovedovanja• prepoznavanje glasu, obrazov, ročno napisanih

besed/številk, prstnih odtisov, …• različni optimizacijski algoritmi• . . .

8. 05. 2019

21


Uporaba NM na področju transporta:• nadzor in detekcija vozil • analiza in napovedovanja prometa/zastojev

Uporaba NM na področju logistike:• optimizacija (navigacijski problemi, problem trgovskega potnika, problem izbire

lokacije in alokacije – distribucija)

• modeliranje (podpora odločanju pri odpremi in dostavi pošiljk, podpora pri izbiranju načina …)

• napovedovanje (napovedi stečaja, uspešnosti, povpraševanja, …)

• analize (analize izdelkov in profilov strank, analize logistične verige in procesov, nadzor in analiza distribucije, …)

Gartner Top 10 Strategic Technology Trendsfor 2019

video

8. 05. 2019

22

Kako se stroji učijo?

UI je množica med seboj povezanih in odvisnihtehnologij – komponent:

1. komponente za zanavanje (senzorske komponente): -- „motor UI“;- priskrbijo informacije iz realnega sveta za UI; - danes poudarek na razumevanju nestrukturiranih po

podatkov (‚prosta besedila‘, govor, slike, IoTpodatki…) !

2. procesne komponente

3. učeče (se) komponente

8. 05. 2019

23

STROJNO UČENJE (Machine Learning)

= pridobivanje znanja iz izkušenj s pomočjo iskanja pravil v učnih podatkih

Primeri: nevronske mreže, metoda podpornih vektorjev, skriti model Markova.

Ko se faza zbiranja podatkov zaključi, se njihovaobdelava/procesiranje izvede z uporabo “učnega ogrodja”.

Cilj: • ustvariti vpogled v podatke,• pridobiti vzorce in napovedi (trende), na katerih/od

katerih se samoučeči sistem lahko kaj novega nauči in reagira gleda na naučeno.

8. 05. 2019

24

nadzorovano učenjenenadzorovano učenje

vzpodbujevalno učenje

STROJNO UČENJE

Vrste učenja:

• nadzorovano (supervised) – algoritem uči stroj prek podanihvhodnih podatkov in želenih izhodnih podatkov (te podaučitelj/človek - nadzornik) – človek neposredno informira stroj

8. 05. 2019

25

nadzorovano učenje

„obdržanje“ strankklasifikacija slik

diagnosticiranje

napovedovanjapopularnostioglasov

napovedovanjevremena

tržne napovedi

ocenjevanjepričakovaneživljenjskedobe

napovedovanjerastiprebivalstva

prepoznavanjegoljufij

STROJNO UČENJE

Vrste učenja:


• nenadzorovano (supervised) – algoritem sam razdeli vhodnepodatke po svojih kriterijih v več kategorij (rojenje aliclustering) glede na njihove značilnosti (brez posredovanja človeka)

8. 05. 2019

26

nenadzorovano učenje

segmentacija kupcev/strank

priporočilni sistemi

ciljno trženje

vizualizacija velikih podatkov

izluščanje pomena odkrivanje strukture/sestave

izločanje/odkrivanje funkcij

STROJNO UČENJE

Vrste učenja:


• nenadzorovano (supervised) – algoritem sam razdeli vhodnepodatke po svojih kriterijih v več kategorij (rojenje aliclustering) glede na njihove značilnosti (brez posredovanja človeka)

• vzpodbujevalno (reinforcement) – algoritem uči z nagrajevanjem in kaznovanjem (kako dojenček shodi)

8. 05. 2019

27

vzpodbujevalno učenje

odločitve v realnem času

navigacija robotov učenje

pridobivanje veščin

igre UI

STROJNO UČENJE

• offline – celotno učenje stroja pred uporabo stroja

• inkrementalno – stroj učimo offline in ga uporabljamo; obtežavah opravimo dodatno učenje

• online – najprej izvedemo offline učenje z manjšimnaborom učnih vzorcev; med uporabo stroja dodajamoučne vzorce in stroj dodatno učimo

8. 05. 2019

28

Basics of Machine Learning

Pospeševalci razvoja UINapredki tehnologij, ki so bistveno vplivali na dosedanji razvoj UI, so:

1. izboljšanje hitrosti in moči računalniškega procesiranja

- iz CPUjev na GPUje:

- napredki pri razvoju tehnologije tiskanih vezij -čipov

8. 05. 2019

29

Pospeševalci razvoja UI

2. povečan dostop za sisteme UI do masovnih podatkov (big data) – poleg količine tudi novi tipi podatkov

3. izboljšanje algoritmov, ki omogočajo kompleksnejše uporabe UI – problem je velika množica hitro spreminjajočih se kompleksnih podatkov, ki zahteva zelo zmogljive algoritme

8. 05. 2019

30

vrhunec popularnostiprožilec inovacij, ideja „dolina smrti“ „pilotiranje“ in odkrivanje „uporabnosti

vzdržen poslovni model


V bodočnosti:

• ni pričakati napredkov posameznih tehnologij, ampak „zlitje“ mnogih temeljnih tehnologij!

• razvoj komplementarnih tehnologij UI – računalništvo v oblaku, povezljivost

• potreba po naprednih sistemih za shranjevanje podatkov, dostopnostih, hitrostih prenosov

8. 05. 2019

31


• Ključno: kako bodo socialni in komercialni dejavniki vplivali na sposobnost preživetja tehnologije UI !!

- izobraževanje mladih za/o UI ter povpraševanje po UI talentih s strani gospodarstva

- zanimanje gospodarstva za tehnologije UI, raziskovalne dosežke in odkritja s področja UI

- vlaganja v AI startup-e in financiranja razvoja UI

- uvajanje UI v ne-tehnoloških podjetjih

danes

super inteligenca

sistemi enako inteligentni kot človek

8. 05. 2019

32

UI v LOGISTIKI

• osnova logistike so mreže (fizične in digitalne) ->• implementacija UI v logistiki ‚logična‘ posledica• in že tudi ‚nuja‘

• tehnologija UI je doživela dovolj veliko stopnjo zrelosti in dovolj široko uporabo v praksi ->

• pričakovati gre zelo rapidno napredovanje in rast

UI v LOGISTIKI

• v oskrbovalnih verigah se da UI zelo dobro izkoristiti praktično v vseh elementih ->

• velika količina dnevno generiranih podatkov (strukturiranih in nestrukturiranih), ki jih logistična podjetja ne uspejo izkoristiti s ‚klasičnimi‘ IS in IKT

• UI logističnim podjetjem ponuja visoko stopnjo optimizacije ‚mrežne orkestracije‘, ki je ni mogoče doseči s človeškim razmišljanjem

• UI omogoča redefinicijo današnjih logističnih praks:operacije – od reaktivnih h proaktivnimnačrtovanje – od predvidevanj k napovedimprocesi – od ročnih do avtonomnimstoritve – od standardiziranih k personaliziranim

8. 05. 2019

33

Primeri uporabe UI v LOGISTIKI

1. Uporaba UI v zalednih/podpornih službah – kognitivna avtomatizacija, detekcija finančnih nepravilnosti, kognitivno sklepanje pogodb, kognitivno carinjenje

2. Napovedna logistika – mrežno upravljanje z napovedovanjem, napovedovanje povpraševanja in planiranja kapacitet, upravljanje tveganja z napovedovanjem, inteligentno optimiziranje rut

3. Logistična sredstva, ki vidijo, govorijo in razmišljajo– inteligentno razvrščanje z roboti, vizualno pregledovanje/nadzorovanje, upravljanje zalog, avtonomna flota, povezovanje tovornjakov

4. Uporabniška izkušnja z UI – glasovni agenti, ‚anticipatorna‘ logistika

Kognitivna avtomatizacija

= inteligentna avtomatizacija poslovnih procesov= UI + RPA (avtomatizacija procesov z roboti)

= nadomestitev administrativnega dela s programskimi roboti (boti), ki jih je mogoče integrirati v obstoječe poslovne aplikacije in IT sisteme

Naloga UI: učenje in pridobivanje vpogleda v nestrukturirane podatke Naloga RPA: izvajanje na pravilih temelječa opravila nad dobro strukturiranimi vhodnimi podatki, ki jih posreduje delavec-človek (ni sposoben učenja)

8. 05. 2019

34

Sistem,temelječ na pravilih:• dostopanje do podatkov obstoječih

sistemov• izpolnjevanje spletnih obrazcev• kopiranje podatkov iz enega sistema

v drug sistem

Sistem,ki se uči:• učenje iz človekovih

odločitev• hitro sklepanje (‚sojenje‘)• interakcija s človekom

Boti avtomatizirajo enostavna opravila in UI omogočijo dostop

do obsežnih podatkovnih

UI se nauči oponašati in izboljšati procese na temelju podatkov, ki jih priskrbi RPA

Obstoječi in bodoči (z RPA podprti) procesi podpornih službObstoječi procesi: interpretacija podatkov, sprejemanje odločitev, zbiranje, kopiranje, preverjanje podatkovnih datotek itn. opravljajo ljudje.

Bodoči procesi: ljudje in roboti delajo skupaj; roboti opravljajo ponavljajoča opravila s podatki, ljudje izvajajo bolj zahtevna opravila (interpretacija podatkov in sprejemanje odločitev).

PREDNOSTI

nižji stroški dela dela ljudi se lahko avtomatizira časa zaposlenih je namenjenih ponavljajočim se opravilom

8. 05. 2019

35

Detekcija finančnih nepravilnosti

• posredniki logističnih storitev poslujejo z ogromnim številom partnerjev/podjetij, kar pomeni ogromno obremenitev knjigovodsko-računovodskega sektorja

• s procesiranjem ali obdelavo naravnega jezika in strojnim učenjem izlušči in klasificira kritične informacije (npr. zneski na računih, informacije o računih, datume, naslove, vpletene strani – iz velike množice nestrukturiranih podatkov)

• nato RPA bot te podatke vnese v računovodski program in povzroči ustrezno aktivnost - ustvari naročilo, izvede plačilo, pošlje stranki potrditev z e-pošto, ipd. – brez posredovanja človeka

• lahko odkrije goljufive račune, ugotovi anomalije pred revizijami

Kognitivne pogodbe

• globalne logistične in oskrbovalne verige vključujejo številne flote, vozila in omrežja, kar pomeni izredno veliko število pogodbenih strank

• z UI prek procesiranja naravnega jezika lahko klasificiramo pogodbene klavzule, dele, ki se navezujejo na politiko (so)delovanja, dele s podpisi, ipd.

• zelo dolge pogodbe (nekaj 100 strani) taki algoritmi v primerjavi s človekom obdelajo v izjemno kratkem času

• vzdrževanje aktualnih podatkov o strankah/partnerjih je tudi zelo pomembno (dostava!) – UI stroji, ki konstantno preverjajo aktualnost in pravilnost podatkov v CRM-ju

8. 05. 2019

36

Kognitivno carinjenje

• avtomatizacija kompleksnih carinskih postopkov (prejem, vnos in uskladitev podatkov ter generiranje ustreznih dokumentov; prijava blaga oprema z veljavnimi carinskimi oznakami; preverjanje informacij s strani carinskega osebja, izdaja davčnih potrdil; zaračunavanje stroškov postopkov)

• z ustrezno UI platformo [obdelava naravnega jezika + globoko učenje], ki jo ‚natreniramo‘ z ustreznimi zakonodajami, predpisi, znanjem o carinskih postopkih, veljavnimi dokumenti ter priročniki, ki veljajo v določeni industrijski panogi lahko avtomatiziramo izdelavo carinskih deklaracij

Napovedna logistika

1. napovedno upravljanje omrežja – izboljša učinkovitost log. operacij (napovedovanje zamud pri dostavah, identificiranje glavnih faktorjev za zamude)

2. napovedovanje povpraševanja in planiranja kapacitet (z analiziranjem video posnetkov na YT, ključnih besed, uporabljenih med iskanjem po spletu, pogovorov prek socialnih medijev, …)

3. napovedovanje globalnih trendov (DHLov Global Trade Barometer uporablja kombinacijo dejanskih logističnih podatkov, naprednega statističnega modeliranja in UI)

8. 05. 2019

37

Napovedna logistika

4. napovedno upravljanje tveganj - s pomočjo obdelave naravnega jezika in strojnega učenja se analizira vsebino in kontekst online objav in objav na socialnih medijih)

5. inteligentna optimizacija rut – analiza digitalnih in satelitskih posnetkov/zemljevidov mest, prometnih vzorcev, lokacij prijav v socialne medije (npr. Uber) za izboljšanje prevzema, dostave, navigacije

„Inteligentna“ logistična sredstva

- logistična sredstva, ki vidijo, govorijo in razmišljajo -

• z UI podprta robotika, sistem za računalniški vid, vmesniki za pogovarjanje, avtonomna vozila

• inteligentno robotsko sortiranje/razvrščanje (pisem, paketov, palet, reciklirnega materiala, hrane, …) ter upravljanje zalog

8. 05. 2019

38


• AGV roboti (sodelovanje med roboti v realnem času)

• vmesniki za pogovarjanje


• z UI podprt video nadzor

8. 05. 2019

39

8. 05. 2019

40

UI uporabniška izkušnja

• uravnavanje dinamike med logističnim operaterjem in stranko (z namenom izboljšanja uporabniške izkušnje, zvestobe in vračanja stranke)

• glasovni agenti za spremljanje paketov in posredovanje informacij o dostavi (zvočnik, Facebook Messenger, SMS, …)

• napovedovanje povpraševanja in samodejno uravnavanje zalog na temelju analize trga, cen, obstoječih dokumentov, …

• ‚anticipatorna‘ logistika – dostava izdelkov strankam še pred njihovim naročilom ali še predno stranke ugotovijo, da jih potrebujejo

Documents

IvL predavanja 2018 19 - fpp.uni-lj.si