ИИ в логистике: маршруты, склад и сроки доставки в Узбекистане

Что на самом деле делает ИИ в логистике

Логистика — задача с множеством переменных: заказы, адреса, машины разной вместимости, водители, окна доставки, пробки. Человек держит в голове пять-десять точек и опирается на опыт. Когда в день десятки машин и сотни адресов, перебрать все варианты вручную невозможно, и диспетчер выбирает «нормальный» маршрут, а не лучший.

Алгоритмы оптимизации и прогнозные модели берут эту рутину на себя. Они предлагают распределение заказов, порядок объезда, ожидаемое время прибытия и прогноз нагрузки. Решение остаётся за человеком: система даёт вариант, диспетчер правит его с учётом того, что знает только он, — например, что у конкретного магазина на Чиланзаре разгрузка идёт только со двора.

Маршруты и распределение заказов

Это самое быстрое направление по отдаче. Система одновременно учитывает адреса, временные окна клиентов, вместимость кузова, время на разгрузку и дорожную обстановку. Результат — меньше пробега, меньше пустых «хвостов» в конце смены и иногда меньше машин на тот же объём заказов.

Представьте оптовика продуктов в Ташкенте с развозом по магазинам и кафе. Утром диспетчер вручную делит заявки по районам, и две машины к обеду пересекаются на одних и тех же улицах, а одна стоит полупустой. Оптимизатор раскладывает те же заявки иначе: машины не мешают друг другу, жёсткие окна клиентов соблюдены, а «лишний» рейс либо исчезает, либо становится осознанным решением.

Прогноз времени доставки

Если сказать клиенту «доставим сегодня», он будет звонить в каждый час. Если назвать интервал, который вы реально выдерживаете, звонков станет заметно меньше. Модель учится на истории: день недели, время суток, район, загрузка, средняя длительность остановки. Чем больше завершённых доставок с отметками времени, тем точнее прогноз.

Для интернет-магазина с доставкой по Ташкенту и областям это ещё и вопрос репутации в Instagram и Telegram: фраза «курьер не приехал» в комментариях стоит дороже, чем лишний час в честно названном интервале. Отдельная польза — автоматические уведомления в Telegram-бот или SMS, когда курьер подъезжает.

Склад и планирование мощностей

Склад часто теряет время не на дороге, а на проходах между стеллажами. ИИ помогает разместить ходовые товары ближе к зоне сборки и выстроить маршрут сборщика, чтобы он не возвращался в один и тот же ряд трижды. Тот же подход работает для прогноза остатков.

Вторая часть — планирование ресурсов: сколько заказов ждать в ближайшие дни, сколько машин и водителей выставить, сколько людей поставить в смену на складе. Это особенно заметно в сезоны, когда спрос скачет: перед праздниками, во время распродаж на Uzum или OLX-акций, когда заказы приходят волнами.

Данные: от чего зависит результат

Алгоритм не исправит плохие исходные данные. В Узбекистане самая частая проблема — адреса. Клиент пишет «рядом с базаром, за аптекой», название махалли и улицы расходятся с картой, а координат нет вообще. Оптимизатор строит красивый маршрут к точке, которой на самом деле не существует.

Что нужно собирать:

• Адреса с координатами, подтверждёнными геопозицией или выбором на карте при оформлении заказа
• История доставок с фактическим временем прибытия и временем на разгрузку
• Характеристики транспорта: вместимость, тип кузова, расход топлива
• GPS-треки автомобилей и данные о простоях
• Окна доставки и особые условия клиентов
• Статусы заказа, связанные с вашей CRM или учётной системой

Пошаговый запуск пилота

Не пытайтесь «внедрить ИИ» во всей компании сразу. Работает последовательный путь.

• Шаг 1. Выберите один район или часть автопарка и зафиксируйте текущие показатели за обычный период: пробег, время рейса, число доставленных заказов, расход топлива, количество звонков «где заказ».
• Шаг 2. Наведите порядок в адресах: добавьте выбор точки на карте в форму заказа и обязательный телефон получателя.
• Шаг 3. Подключите GPS и приложение водителя, чтобы получать фактические данные, а не рассказы по телефону.
• Шаг 4. Выберите готовый сервис планирования маршрутов. Писать собственную систему на старте почти никогда не нужно.
• Шаг 5. Неделю-две ведите параллельно: диспетчер планирует по-старому, система — по-новому. Сравнивайте.
• Шаг 6. Если результат устойчив, расширяйте на остальные районы и подключайте прогноз времени доставки.

Типичные ошибки

Первая ошибка — ждать чуда от алгоритма при грязных данных. Вторая — исключить диспетчера: система не знает, что мост перекрыт, а клиент попросил перенести доставку, поэтому человек должен иметь право менять маршрут. Третья — внедрить сразу всё и не понять, что именно сработало.

Четвёртая ошибка — не договориться с водителями. Если они воспринимают GPS как слежку, будут отключать приложение. Объясните, что система убирает хаотичные звонки и спорные ситуации, и привяжите бонусы к понятным показателям. Пятая — считать эффект «на глаз», без сравнения до и после.

Как измерить эффект: сквозная аналитика

Логистика — часть цепочки от рекламы до получения заказа. Если Meta Ads привёл клиента, а заказ отменён из-за позднего времени доставки, реклама формально сработала, а деньги потеряны. Поэтому показатели доставки стоит видеть рядом с заявками, оплатами через Click и Payme, возвратами и отменами.

Именно для этого нужна сквозная аналитика: единый отчёт, где видно путь от рекламного клика до доставленного заказа и стоимость каждого этапа в сумах. В markdev мы собираем такие отчёты для бизнеса в Узбекистане, поэтому, если хотите понять, где в вашей цепочке теряются деньги, — обсудим задачу и посмотрим, какие данные у вас уже есть.

Чек-лист перед стартом

Если на большинство пунктов вы отвечаете «да», можно запускать пилот:

• Есть базовые показатели до внедрения
• Адреса можно привязать к координатам
• Автомобили оснащены GPS
• Заказы и статусы хранятся в одной системе
• Назначен ответственный за пилот
• Заранее выбрана метрика успеха: пробег, время рейса или число звонков