ຈາກວຽງຈັນຫາຄຸນໝິງ 1,035 ກິໂລແມັດ — ການເປີດໃຊ້ທາງລົດໄຟລາວ-ຈີນໄດ້ປ່ຽນແປງສະພາບແວດລ້ອມດ້ານການຂົນສົ່ງຂອງລາວຢ່າງຮາກຖານ. ກ່ອນໜ້ານີ້, ການຂົນສົ່ງທາງບົກໄປຈີນຕ້ອງໄດ້ແລ່ນຂຶ້ນທາງເໜືອຕາມທາງຫຼວງແຫ່ງຊາດເລກ 13, ຜ່ານດ່ານຊາຍແດນບໍ່ເທນ ແລ້ວຕ້ອງປ່ຽນລົດບັນທຸກ ເພື່ອເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍຖະໜົນຝ່າຍຈີນ. ໄປທາງດຽວໃຊ້ເວລາ 5–7 ວັນ, ຄ່າໃຊ້ຈ່າຍຢູ່ທີ່ $2,000–3,000 ຕໍ່ຕູ້ຄອນເທນເນີ.

ຫຼັງຈາກທາງລົດໄຟເປີດໃຊ້, ເສັ້ນທາງດຽວກັນໃຊ້ເວລາພຽງ 2–3 ວັນ ແລະ ຄ່າໃຊ້ຈ່າຍຫຼຸດລົງເຫຼືອ $800–1,200. ຢ່າງໃດກໍຕາມ, ຍັງມີວິສາຫະກິດລາວພຽງໜ້ອຍດຽວທີ່ "ໃຊ້ປະໂຫຍດໄດ້ຢ່າງເຕັມທີ່" ຈາກການປ່ຽນແປງທີ່ໜ້າປະທັບໃຈນີ້. ຈະເລືອກທາງລົດໄຟ ຫຼື ທາງບົກດີ, ແລະ ຈະປະສົມປະສານທັງສອງຢ່າງໃດຕາມປະລິມານສິນຄ້າ — ການຕັດສິນໃຈດັ່ງກ່າວໂດຍອາໄສຂໍ້ມູນ ແທນທີ່ຈະໃຊ້ປະສົບການສ່ວນຕົວ ຄືສິ່ງທີ່ເອີ້ນວ່າ AI ການເພີ່ມປະສິດທິພາບດ້ານການຂົນສົ່ງ.

ໃນບົດຄວາມນີ້, ພວກເຮົາຈະອະທິບາຍວິທີທີ່ວິສາຫະກິດຂົນສົ່ງລາວສາມາດຫຼຸດຕົ້ນທຶນ ແລະ ຫຼຸດໄລຍະເວລານຳສົ່ງໄດ້ພ້ອມກັນ ໂດຍການລວມເອົາການເພີ່ມປະສິດທິພາບເສັ້ນທາງຈັດສົ່ງດ້ວຍ AI ແລະ ການຈັດການສາງສິນຄ້າທີ່ອີງໃສ່ການຄາດຄະເນຄວາມຕ້ອງການ.

ທາງລົດໄຟຈີນ-ລາວ ບໍ່ແມ່ນພຽງແຕ່ການເພີ່ມທາງເລືອກດ້ານການຂົນສົ່ງເທົ່ານັ້ນ. ແຕ່ເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກທີ່ປ່ຽນແປງໂຄງສ້າງດ້ານການຂົນສົ່ງສິນຄ້າຂອງລາວທັງໝົດ.

ສິ່ງທີ່ຄວນສັງເກດເປັນພິເສດຄື ທາງລົດໄຟບໍ່ໄດ້ສົ່ງຜົນກະທົບໂດຍກົງຕໍ່ການຂົນສົ່ງໄປຍັງໄທ. ສຳລັບໄທນັ້ນ, ການຂົນສົ່ງດ້ວຍລົດບັນທຸກຜ່ານສະພານມິດຕະພາບຕາມແບບເດີມຍັງຄົງໄວ້ ແລະ ໄວທີ່ສຸດ ແລະ ລາຄາຖືກທີ່ສຸດ, ໂດຍຂໍ້ດີຂອງທາງລົດໄຟແມ່ນສຸມໃສ່ການໄປຈີນ ແລະ ພາກເໜືອຂອງ ASEAN ເປັນຫຼັກ.

ກ່າວໄດ້ວ່າ, ບໍລິສັດຂົນສົ່ງຂອງລາວໄດ້ຖືກຮຽກຮ້ອງໃຫ້ມີຄວາມສາມາດໃນການຕັດສິນໃຈ ເພື່ອຜະສົມຜະສານການຂົນສົ່ງຫຼາຍຮູບແບບ (Multimodal Logistics) ຢ່າງເໝາະສົມທີ່ສຸດ ໂດຍໃຊ້ "ທາງບົກສຳລັບໄທ, ທາງລົດໄຟສຳລັບຈີນ".

ການຂົນສົ່ງແບບ Multimodal ແມ່ນວິທີການທີ່ລວມເອົາຮູບແບບການຂົນສົ່ງຫຼາຍຢ່າງ ເຊັ່ນ: ລົດໄຟ, ລົດບັນທຸກ, ເຮືອ, ແລະ ເຮືອບິນ ເຂົ້າໃນລະບົບຕ່ອງໂສ້ການຂົນສົ່ງດຽວ.

ໃນສະພາບການຂອງລາວ, ການລວມ ຫຼື Merge ຕໍ່ໄປນີ້ຖືວ່າເປັນທາງເລືອກທີ່ເປັນໄປໄດ້ຕາມຄວາມເປັນຈິງ:

• ລົດໄຟ + ລົດບັນທຸກ (Rail-Truck): ເກັບສິນຄ້າດ້ວຍລົດບັນທຸກໄປຍັງສະຖານີວຽງຈັນ → ຂົນສົ່ງທາງລົດໄຟໄປຄຸນໝິງ → ເຄືອຂ່າຍການຈັດສົ່ງພາຍໃນຈີນ
• ລົດບັນທຸກ + ລົດບັນທຸກ (Truck-Truck): ວຽງຈັນ → ສະພານມິດຕະພາບ → 3PL ພາຍໃນໄທ
• ລົດໄຟ + ເຮືອ (Rail-Sea): ລົດໄຟໄປຄຸນໝິງ → ທ່າເຮືອຄຸນໝິງ → ການຂົນສົ່ງທາງນ້ຳແຄວ້ງຈາງ → ຊຽງໄຮ້

ການລວມ ຫຼື Merge ໃດທີ່ດີທີ່ສຸດຂຶ້ນກັບປະເພດສິນຄ້າ (ຈຳເປັນຕ້ອງຄວບຄຸມອຸນຫະພູມຫຼືບໍ່), ປະລິມານ (ໜ່ວຍຕູ້ຄອນເທນເນີ ຫຼື ສິນຄ້າຂະໜາດນ້ອຍ), ກຳນົດສົ່ງ (ລະດັບຄວາມຮີບດ່ວນ), ແລະ ງົບປະມານສູງສຸດ. ບັນຫາການປັບໃຫ້ດີທີ່ສຸດທີ່ມີຫຼາຍຕົວແປນີ້, AI ສາມາດແກ້ໄຂໄດ້ໄວກວ່າ ແລະ ຖືກຕ້ອງກວ່າປະສົບການຂອງມະນຸດ.

ສິ່ງທ້າທາຍທີ່ບໍລິສັດດ້ານການຂົນສົ່ງ ແລະ ໂລຈິສຕິກ (Logistics) ຂອງລາວປະເຊີນຢູ່ນັ້ນ ສາມາດສະຫຼຸບໄດ້ເປັນ 3 ປະເດັນຫຼັກ. ທັງໝົດນີ້ສາມາດປັບປຸງໄດ້ດ້ວຍ AI.

ບໍລິສັດຂົນສົ່ງສ່ວນໃຫຍ່ໃນລາວ ຍັງອາໄສ "ຄວາມຊ່ຽວຊານແລະປະສົບການຂອງ Dispatcher ທີ່ມີປະສົບການ" ໃນການຈັດສັນລົດ. ທາງຫຼວງແຫ່ງຊາດເລກທີ 13 ມີເສັ້ນທາງຍາວໃນແນວຕັ້ງ ຫຼື Vertical ຈາກເໜືອຫາໃຕ້ ເຊື່ອມຕໍ່ລະຫວ່າງ ຫຼວງພະບາງ – ວຽງຈັນ – ສະຫວັນນະເຂດ ແຕ່ສະພາບຖະໜົນໃນລະດູຝົນ ແລະ ຄວາມແອອັດຢູ່ດ່ານຊາຍແດນ ມີການປ່ຽນແປງໃນແບບ Real-time.

ຕົວຢ່າງຄວາມບໍ່ມີປະສິດທິພາບທີ່ເກີດຂຶ້ນຕົວຈິງ:

• ຖ້ຽວທີ່ມີອັດຕາການບັນທຸກຕ່ຳກວ່າ 50% ຫຼື ທີ່ເອີ້ນວ່າ "ຂົນສົ່ງອາກາດ" ມີຫຼາຍກວ່າ 30% ຂອງຖ້ຽວທັງໝົດ
• ການເກີດ Deadhead ຫຼື ການແລ່ນລົດເປົ່າກັບ ເນື່ອງຈາກບໍ່ມີສິນຄ້າສຳລັບຖ້ຽວຂາກັບ ເກີດຂຶ້ນເປັນປະຈຳ
• ການຈອງຕູ້ສິນຄ້າທາງລົດໄຟໃນລັກສະນະ "ຈອງໄວ້ກ່ອນ" ສົ່ງຜົນໃຫ້ອັດຕາການນຳໃຊ້ຕົວຈິງຢູ່ທີ່ປະມານ 60% ເທົ່ານັ້ນ

AI Routing ສາມາດແກ້ໄຂຄວາມບໍ່ມີປະສິດທິພາບເຫຼົ່ານີ້ໄດ້ ດ້ວຍການຈັບຄູ່ສິນຄ້າ (Cargo Matching) ແລະ ການຄຳນວນເສັ້ນທາງແບບ Dynamic.

ລອງພິຈາລະນາກໍລະນີຂອງອຸດສາຫະກຳການຜະລິດໃນ SEZ ສະຫວັນນະເຂດ ທີ່ນຳເຂົ້າວັດຖຸດິບຈາກຈີນ ແລະ ສົ່ງສິນຄ້າສຳເລັດຮູບໄປຍັງໄທ. ໃນອະດີດ, ການຄຸ້ມຄອງສາງໃຊ້ຮູບແບບ Push ທີ່ວ່າ "ຮັບຂອງມາກໍ່ເກັບສາງ, ມີອໍເດີກໍ່ຈ່າຍອອກ".

ຮູບແບບດັ່ງກ່າວກໍ່ໃຫ້ເກີດບັນຫາດັ່ງນີ້:

• ເມື່ອວັດຖຸດິບມາຮອດທາງລົດໄຟ ແຕ່ສາງບໍ່ມີພື້ນທີ່ຮອງຮັບ ກໍ່ຈະເກີດຄ່າ Demurrage (ຄ່າຊັກຊ້າ)
• ເວລາສົ່ງສິນຄ້າສຳເລັດຮູບ ແລະ ເວລາຮັບວັດຖຸດິບບໍ່ສອດຄ່ອງກັນ ສົ່ງຜົນໃຫ້ສາຍການຜະລິດຢຸດຊະງັກ
• ຄ່າໃຊ້ຈ່າຍຄົງທີ່ຂອງສາງຢູ່ທີ່ $3,000–5,000 ຕໍ່ເດືອນ ຊຶ່ງເປັນພາລະໜັກສຳລັບວິສາຫະກິດຂະໜາດກາງ ແລະ ນ້ອຍ

ຫາກນຳເອົາວິທີການທີ່ໄດ້ນຳສະເໜີໃນ ການພະຍາກອນຄວາມຕ້ອງການໂດຍບໍ່ຕ້ອງໃຊ້ Big Data ມາປະຍຸກໃຊ້ກັບລະບົບ Logistics ກໍ່ຈະສາມາດປ່ຽນໄປໃຊ້ການຄຸ້ມຄອງສາງແບບ Pull ທີ່ "ເກັບສາງສະເພາະສິ່ງທີ່ຕ້ອງການ, ໃນເວລາທີ່ຕ້ອງການ, ໃນປະລິມານທີ່ຕ້ອງການ" ໄດ້.

ການສົ່ງອອກຜະລິດຕະພັນກະສິກຳມີການປ່ຽນແປງຕາມລະດູການຢ່າງຫຼວງຫຼາຍ. ໃນຊ່ວງລະດູເກັບກ່ຽວກາເຟຂອງທີ່ລາບສູງໂບລາເວນ (ເດືອນຕຸລາ ຫາ ເດືອນມີນາ) ປະລິມານການຈັດສົ່ງຈະພຸ່ງສູງຂຶ້ນ 3 ຫາ 5 ເທົ່າຂອງປົກກະຕິ, ແຕ່ໂຄວຕ້າຂົນສົ່ງສິນຄ້າທາງລົດໄຟຍັງຄົງທີ່.

ໃນຊ່ວງສູງສຸດ, ຫາກບໍ່ສາມາດຈອງໂຄວຕ້າຂົນສົ່ງສິນຄ້າໄດ້ ແລະ ຕ້ອງປ່ຽນໄປໃຊ້ການຂົນສົ່ງທາງລົດບັນທຸກ, ຕົ້ນທຶນຈະເພີ່ມຂຶ້ນເປັນ 2 ເທົ່າ. ໃນທາງກົງກັນຂ້າມ, ຫາກໂຄວຕ້າທີ່ຈອງໄວ້ໃນຊ່ວງນອກລະດູການຫວ່າງລົງ, ກໍ່ຈະເກີດຄ່າຍົກເລີກຂຶ້ນ.

ຫາກສາມາດຄາດການຄວາມຕ້ອງການທີ່ປ່ຽນແປງໄດ້ລ່ວງໜ້າ ແລະ ເພີ່ມປະສິດທິພາບການຈອງໂຄວຕ້າລົດໄຟ, ກໍ່ຈະສາມາດຫຼຸດຜ່ອນທັງ "ຕົ້ນທຶນການຂົນສົ່ງທີ່ສູງເກີນໃນຊ່ວງສູງສຸດ" ແລະ "ການສູນເສຍຈາກໂຄວຕ້າຫວ່າງໃນຊ່ວງນອກລະດູການ" ໄດ້ໃນເວລາດຽວກັນ.

ການປະສົມປະສານທີ່ດີທີ່ສຸດລະຫວ່າງທາງລົດໄຟ ແລະ ການຂົນສົ່ງທາງບົກນັ້ນ, ການເພີ່ມປະສິດທິພາບທາງຄະນິດສາດ (Mathematical Optimization) ໂດຍໃຊ້ຕົ້ນທຶນ, ເວລາ ແລະ ເງື່ອນໄຂຂໍ້ຈຳກັດເປັນຕົວແປນັ້ນ ມີປະສິດທິຜົນສູງ.

ພື້ນຖານຂອງ AI Routing ແມ່ນການຮັບຕົວແປຕໍ່ໄປນີ້ເປັນ Input ແລ້ວສົ່ງອອກວິທີການຂົນສົ່ງ ແລະ ເສັ້ນທາງທີ່ດີທີ່ສຸດເປັນ Output.

ຕົວແປ Input:

• ຈຸດຕົ້ນທາງ (ທີ່ຢູ່ຈຸດຮັບສິນຄ້າ)
• ຈຸດປາຍທາງ (ທີ່ຢູ່ຈຸດສົ່ງສິນຄ້າ)
• ຄຸນລັກສະນະຂອງສິນຄ້າ (ນ້ຳໜັກ, ປະລິມານ, ຄວາມຈຳເປັນໃນການຄວບຄຸມອຸນຫະພູມ, ປະເພດວັດຖຸອັນຕະລາຍ)
• ກຳນົດສົ່ງ (ໄວທີ່ສຸດ ຫຼື ຈຸດສຳຄັນຄືຕົ້ນທຶນ)
• ຊ່ອງວ່າງຂອງລົດໄຟ (ຕາຕະລາງຂົນສົ່ງສິນຄ້າຂອງສະຖານີວຽງຈັນ)
• ສະພາບເສັ້ນທາງ (ຂໍ້ຈຳກັດການສັນຈອນໃນລະດູຝົນ, ສະພາບຄວາມແອອັດຂອງດ່ານຊາຍແດນ)

Output:

• ເສັ້ນທາງທີ່ແນະນຳ (ລົດໄຟ ຫຼື ລົດບັນທຸກ ຫຼື ການລວມກັນ)
• ຄ່າໃຊ້ຈ່າຍໂດຍປະມານ
• ຈຳນວນວັນໂດຍປະມານ
• ປັດໄຈຄວາມສ່ຽງ (ສະພາບອາກາດ, ຄວາມເປັນໄປໄດ້ຂອງຄວາມແອອັດຂອງດ່ານຊາຍແດນ)

Logic ນີ້ ໃນຕອນເລີ່ມຕົ້ນຄວນ Implement ດ້ວຍຕາຕະລາງການຕັດສິນໃຈ Excel (if-then rules) ກ່ອນ, ແລ້ວຈຶ່ງຍ້າຍໄປໃຊ້ Machine Learning Model ເມື່ອຂໍ້ມູນສະສົມຫຼາຍພໍ ຊຶ່ງຖືວ່າເປັນແນວທາງທີ່ເໝາະສົມກັບຄວາມເປັນຈິງ.

ການເພີ່ມປະສິດທິພາບດ້ານການຂົນສົ່ງນັ້ນ ມີການແລກປ່ຽນ ຫຼື Trade-off ລະຫວ່າງ "ຕົ້ນທຶນ vs ໄລຍະເວລານຳສົ່ງ" ຢູ່ສະເໝີ.

AI ຈະສັບປ່ຽນເສັ້ນທາງທີ່ດີທີ່ສຸດຢ່າງຄ່ອງຕົວ ຕາມຄຳສັ່ງຂອງຜູ້ສົ່ງສິນຄ້າທີ່ວ່າ "ຄັ້ງນີ້ໃຫ້ຄຳນຶງເຖິງຕົ້ນທຶນກ່ອນ" ຫຼື "ຄັ້ງນີ້ໃຫ້ຄຳນຶງເຖິງກຳນົດສົ່ງກ່ອນ". ນອກຈາກນັ້ນ ຍັງສາມາດເພີ່ມປະສິດທິພາບ "Consolidation" ຊຶ່ງເປັນການລວມສິນຄ້າຂອງຜູ້ສົ່ງຫຼາຍລາຍໄວ້ໃນຕູ້ Container ດຽວກັນໄດ້ອີກດ້ວຍ. ຫາກອັດຕາການລວມສິນຄ້າສູງຂຶ້ນ, ຕົ້ນທຶນການຂົນສົ່ງຕໍ່ຜູ້ສົ່ງສິນຄ້າໜຶ່ງລາຍກໍ່ຈະຫຼຸດລົງ 30〜50%.

ສິ່ງທີ່ສຳຄັນຄຽງຄູ່ກັບການເພີ່ມປະສິດທິພາບການຈັດສົ່ງລົດ ກໍຄືການເພີ່ມປະສິດທິພາບປະລິມານສິນຄ້າຄົງຄັງທີ່ເກັບໄວ້ໃນສາງ.

ການຄາດຄະເນຄວາມຕ້ອງການໂດຍບໍ່ຕ້ອງໃຊ້ Big Data ທີ່ໄດ້ອະທິບາຍໄວ້ນັ້ນ ສາມາດນຳໄປໃຊ້ໄດ້ໂດຍກົງກັບການຈັດການສາງໃນລະບົບ Logistics.

ເປົ້າໝາຍຂອງການຄາດຄະເນຄວາມຕ້ອງການໃນດ້ານ Logistics ຄື "ປະລິມານສາງທີ່ຄວນເກັບຮັກສາໄວ້ໃນສາງຂອງຕົນເອງ". ຂໍ້ມູນທີ່ຈຳເປັນມີດັ່ງນີ້:

• ປະລິມານການຈັດສົ່ງລາຍເດືອນຍ້ອນຫຼັງ 6–12 ເດືອນ (ແຍກຕາມລາຍການສິນຄ້າ)
• ປັດໄຈຕາມລະດູການ (ລະດູເກັບກ່ຽວຜະລິດຕະພັນກະສິກຳ, ວັນພັກເຊັ່ນ: ສົງກຣານ ແລະ ອື່ນໆ)
• Lead Time (ຈຳນວນວັນນັບຈາກການສັ່ງຊື້ຈົນຮອດການຮັບສິນຄ້າ)
• ປັດໄຈພິເສດ (Promotion, ການເພີ່ມຄູ່ຄ້າໃໝ່)

ຫາກຂໍ້ມູນເຫຼົ່ານີ້ຖືກສະສົມໄວ້ໃນ Excel, ການໃຊ້ Linear Regression ຫຼື Moving Average ກໍສາມາດສ້າງການຄາດຄະເນທີ່ໃຊ້ງານໄດ້ຈິງຢ່າງພຽງພໍ. ຫາກຄວາມຜິດພາດໃນການຄາດຄະເນປະລິມານການຈັດສົ່ງລາຍເດືອນຢູ່ພາຍໃນ ±20%, ກໍຈະສາມາດຫຼຸດຕົ້ນທຶນໄດ້ຈາກການປັບ Safety Stock ໃຫ້ເໝາະສົມ.

ສິ່ງສຳຄັນໃນລະບົບໂລຈິສຕິກສ໌ຂອງລາວແມ່ນຄວາມຜັນຜວນຂອງ Lead Time. ໃນລະດູຝົນ, Lead Time ຂອງການຂົນສົ່ງທາງລົດບັນທຸກຈະຍາວນານຂຶ້ນ 1.5 ຫາ 2 ເທົ່າ.

ສູດພື້ນຖານຂອງ Safety Stock ແມ່ນ "ສຳປະສິດຄວາມປອດໄພຕາມອັດຕາການໃຫ້ບໍລິການ × ຄ່າເບ່ຍງ່ຽງມາດຕະຖານຂອງຄວາມຕ້ອງການ × ຮາກທີສອງຂອງ Lead Time". ການຄຳນວນນີ້ຈະດຳເນີນການແຍກຕາມລາຍການສິນຄ້າ, ໂດຍລາຍການທີ່ມີຄວາມຜັນຜວນຂອງຄວາມຕ້ອງການສູງຈະຕັ້ງ Safety Stock ໄວ້ຫຼາຍ, ສ່ວນລາຍການທີ່ມີຄວາມໝັ້ນຄົງຈະຕັ້ງໄວ້ໜ້ອຍ.

AI ຈະນຳເອົາຄວາມຜັນຜວນຕາມລະດູການນີ້ໄປລວມໄວ້ໃນ Model, ແລ້ວດຳເນີນການປັບຕົວແບບ Dynamic ໂດຍອັດຕະໂນມັດ ຄື ເພີ່ມ Safety Stock ໃນລະດູຝົນ ແລະ ຫຼຸດລົງໃນລະດູແລ້ງ. ມີຫຼາຍກໍລະນີທີ່ພຽງແຕ່ປ່ຽນຈາກ Safety Stock ແບບຄົງທີ່ໄປເປັນ Safety Stock ແບບ Dynamic ກໍສາມາດຫຼຸດຕົ້ນທຶນສາງໄດ້ 15 ຫາ 25%.

AI ການເພີ່ມປະສິດທິພາບດ້ານການຂົນສົ່ງ ບໍ່ໄດ້ຖືກນຳໃຊ້ທັງໝົດໃນຄັ້ງດຽວ ແຕ່ຈະຄ່ອຍໆ ເປີດຕົວ ຫຼື Launch ເປັນຂັ້ນຕອນພາຍໃນ 3 ເດືອນ.

ເດືອນທຳອິດແມ່ນໄລຍະການລວບລວມຂໍ້ມູນ Logistics ທີ່ມີຢູ່ແລ້ວ ແລະ ເຮັດໃຫ້ "ເຫັນໄດ້ຊັດເຈນ".

• ຈັດລະບຽບບັນທຶກການຈັດສົ່ງ 12 ເດືອນຜ່ານມາ (ວັນທີ, ລາຍການສິນຄ້າ, ນ້ຳໜັກ, ປາຍທາງ, ຕົ້ນທຶນ) ລົງໃນ Excel
• ລວບລວມ Lead time ແລະ ຕົ້ນທຶນຕາມເສັ້ນທາງການຈັດສົ່ງ
• ຄຳນວນອັດຕາການໝູນວຽນສິນຄ້າຄົງຄັງໃນສາງ
• ຈັບສັດສ່ວນລະຫວ່າງອັດຕາການໃຊ້ລົດໄຟ ແລະ ອັດຕາການຂົນສົ່ງທາງບົກ

ໃນຈຸດນີ້ ຍັງບໍ່ຈຳເປັນຕ້ອງໃຊ້ AI. ໃຫ້ໃຊ້ Pivot Table ແລະ ກຣາຟໃນ Excel ເພື່ອເຂົ້າໃຈ "ສະຖານະປັດຈຸບັນ" ຂອງລະບົບ Logistics ຂອງຕົນເອງ. ຫຼາຍບໍລິສັດມັກຄົ້ນພົບໃນຂັ້ນຕອນນີ້ວ່າ "ອັດຕາລົດແລ່ນເປົ່າສູງກວ່າທີ່ຄາດໄວ້ຫຼາຍ" ຫຼື "ອັດຕາການໝູນວຽນສິນຄ້າຄົງຄັງຂອງລາຍການສິນຄ້າສະເພາະໃດໜຶ່ງຕ່ຳຜິດປົກກະຕິ".

ອີງໃສ່ຂໍ້ມູນທີ່ເກັບກຳໄດ້ໃນ Step 1, ໃຫ້ສ້າງ Model ການຄາດຄະເນຄວາມຕ້ອງການ (Demand Forecasting) ແຍກຕາມປະເພດສິນຄ້າ.

• ສຸມໃສ່ການສ້າງ Model ສຳລັບສິນຄ້າຫຼັກ (10 ລາຍການທີ່ມີປະລິມານການຈັດສົ່ງສູງສຸດ)
• ເລີ່ມຕົ້ນດ້ວຍ Moving Average ໃນ Excel, ຫາກຄວາມຖືກຕ້ອງຍັງບໍ່ພຽງພໍ ໃຫ້ປ່ຽນໄປໃຊ້ Prophet ຫຼື statsmodels ໃນ Python
• ເລີ່ມຕົ້ນດ້ວຍການຄາດຄະເນລາຍເດືອນ, ເມື່ອສະສົມຂໍ້ມູນໄດ້ພຽງພໍແລ້ວ ຈຶ່ງແຍກລະອຽດເປັນລາຍອາທິດ
• ຕົວຊີ້ວັດການປະເມີນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ ໃຊ້ MAPE (Mean Absolute Percentage Error). ຫາກຢູ່ທີ່ 30% ຫຼືຕ່ຳກວ່າ ຖືວ່າຢູ່ໃນລະດັບທີ່ໃຊ້ງານໄດ້ຕົວຈິງ

ອີງໃສ່ຜົນລັບຂອງ Model ນີ້, ໃຫ້ສ້າງລະບົບຄຳນວນອັດຕະໂນມັດສຳລັບລະດັບ Safety Stock ທີ່ເໝາະສົມ ແລະ ເວລາສັ່ງຊື້ (Order Timing) ໂດຍໃຊ້ n8n ຫຼື Spreadsheet.

ເມື່ອການຄາດການຄວາມຕ້ອງການມີຄວາມໝັ້ນຄົງແລ້ວ, ໃຫ້ດຳເນີນການອັດຕະໂນມັດໃນການເພີ່ມປະສິດທິພາບເສັ້ນທາງການຈັດສົ່ງລົດ.

• ນຳໃຊ້ລາຍການຈັດສົ່ງປະຈຳວັນເປັນຂໍ້ມູນນຳເຂົ້າ, ເພື່ອຕັດສິນໃຈອັດຕະໂນມັດກ່ຽວກັບເສັ້ນທາງທີ່ດີທີ່ສຸດ (ລົດໄຟ, ລົດບັນທຸກ ຫຼື ການຂົນສົ່ງຮ່ວມ)
• ສ້າງແຜນການຂົນສົ່ງຮ່ວມຕູ້ Container ອັດຕະໂນມັດ, ແລະຮັກສາອັດຕາການບັນທຸກໃຫ້ຢູ່ທີ່ 80% ຂຶ້ນໄປ
• ຈອງຊ່ອງຂົນສົ່ງສິນຄ້າທາງລົດໄຟລ່ວງໜ້າ 2 ອາທິດ ໂດຍອ້າງອີງຈາກການຄາດການຄວາມຕ້ອງການ ແບບອັດຕະໂນມັດ
• ເຮັດໃຫ້ຄ່າໃຊ້ຈ່າຍທີ່ເພີ່ມຂຶ້ນຈາກການຈັດສົ່ງດ່ວນ (ຈັດສົ່ງພາຍໃນມື້ຖັດໄປ) ສາມາດເບິ່ງເຫັນໄດ້ຊັດເຈນ, ແລະສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ພະແນກຂາຍ

ໃນຂັ້ນຕອນນີ້, ໃຫ້ນຳໃຊ້ໄລບຣາຣີການເພີ່ມປະສິດທິພາບແບບ Open-source ເຊັ່ນ: Google OR-Tools ຫຼື Python PuLP. ຫາກການສ້າງດ້ວຍຕົນເອງພາຍໃນອົງກອນເປັນເລື່ອງຍາກ, ແນະນຳໃຫ້ໃຊ້ວິທີການຮ່ວມມືກັບ Partner ໃນການສ້າງຜ່ານ ການພັດທະນາ PoC.

ນີ້ແມ່ນ 2 ຈຸດທີ່ມັກຖືກມອງຂ້າມໃນການນຳໃຊ້ AI ໃນດ້ານ Logistics.

ການນຳໃຊ້ໂມເດລ Machine Learning ຂັ້ນສູງໃນຂັ້ນຕອນທີ່ມີຂໍ້ມູນການຈັດສົ່ງພຽງ 6 ເດືອນນັ້ນ ຈະບໍ່ສາມາດໃຫ້ຄວາມຖືກຕ້ອງໄດ້. AI ແມ່ນເຕັກໂນໂລຊີທີ່ "ທຳນາຍອະນາຄົດຈາກຮູບແບບໃນອະດີດ" ແລະ ການຮຽນຮູ້ຮູບແບບດັ່ງກ່າວຕ້ອງການຂໍ້ມູນຢ່າງໜ້ອຍ 12 ເດືອນ.

ໃນຂັ້ນຕອນທີ່ຂໍ້ມູນຍັງບໍ່ພຽງພໍ, ໃຫ້ເລີ່ມຕົ້ນດ້ວຍການຕັດສິນໃຈແບບ Rule-based (if-then). ຕົວຢ່າງເຊັ່ນ: ກົດລະບຽບງ່າຍໆ ເຊັ່ນ "ໃນລະດູຝົນ (ເດືອນ 5–10) ໃຫ້ຄຳນວນ Lead time ຂອງລົດບັນທຸກໂດຍຄູນ 1.5 ເທົ່າ" ຫຼື "ໃນລະດູເກັບກ່ຽວກາເຟ (ເດືອນ 10–3) ໃຫ້ສຳຮອງຄວາມຈຸຄັງສິນຄ້າເພີ່ມຂຶ້ນ 30%" ກໍ່ຍັງສາມາດປັບປຸງການຕັດສິນໃຈໄດ້ຢ່າງຫຼວງຫຼາຍ ເມື່ອທຽບກັບການອາໄສການຄາດເດົາ.

ຫຼັງຈາກສະສົມຂໍ້ມູນໄດ້ 12 ເດືອນຂຶ້ນໄປແລ້ວ ຈຶ່ງຄ່ອຍຍ້າຍໄປໃຊ້ໂມເດລ Machine Learning. ຫາກຕັ້ງເປົ້າໝາຍ "ໃຊ້ AI ເພື່ອລະບົບອັດຕະໂນມັດທັງໝົດ" ຕັ້ງແຕ່ຕົ້ນ, ຄວາມຖືກຕ້ອງທີ່ຕໍ່າຈະເຮັດໃຫ້ສູນເສຍຄວາມໄວ້ວາງໃຈຈາກພາກສະໜາມ ແລະ ໃນທີ່ສຸດກໍ່ຈະຕ້ອງກັບໄປໃຊ້ລະບົບດ້ວຍມືຄືເກົ່າ.

ເຖິງແມ່ນ AI ຈະຕັດສິນວ່າ "ເສັ້ນທາງນີ້ດີທີ່ສຸດ" ກໍຕາມ, ຄົນຂັບລົດໃນພາກສະໜາມອາດຮູ້ວ່າ "ຖະໜົນສາຍນີ້ໃຊ້ບໍ່ໄດ້ໃນລະດູຝົນ". ເມື່ອການຕັດສິນຂອງ AI ຂັດແຍ່ງກັບຄວາມຮູ້ຈາກພາກສະໜາມ, ຈຳເປັນຕ້ອງກຳນົດກົດລະບຽບລ່ວງໜ້າວ່າຈະໃຫ້ຄວາມສຳຄັນກັບຝ່າຍໃດ.

ຄຳແນະນຳຄືການນຳໃຊ້ HITL ການອອກແບບ. ສ້າງຂະບວນການ ຫຼື Pipeline ທີ່ໃຫ້ dispatcher ກວດສອບ ແລະ ແກ້ໄຂເສັ້ນທາງທີ່ AI ສະເໜີ, ຈາກນັ້ນສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ເນື້ອຫາທີ່ຖືກແກ້ໄຂນັ້ນກັບຄືນໄປເປັນຂໍ້ມູນການຮຽນຮູ້ຂອງ AI. ພາຍໃນ 3 ຫາ 6 ເດືອນ, ຄວາມຖືກຕ້ອງໃນການຕັດສິນຂອງ AI ຈະດີຂຶ້ນ, ແລະ ຄວາມຖີ່ໃນການແກ້ໄຂຂອງມະນຸດຈະຄ່ອຍໆຫຼຸດລົງ.

ສະຖານະການທີ່ດີທີ່ສຸດໃນທ້າຍທີ່ສຸດຄື "95% ເປັນໄປຕາມການຕັດສິນຂອງ AI, ສ່ວນ 5% ມະນຸດເປັນຜູ້ແກ້ໄຂ". ຫາກຕັ້ງເປົ້າໝາຍໃຫ້ອັດຕະໂນມັດ 100%, ຈະມີຄວາມສ່ຽງທີ່ຈະເກີດບັນຫາໃຫຍ່ໃນກໍລະນີທີ່ເປັນຂໍ້ຍົກເວັ້ນ.

ຄຳຖາມທີ 1: ບໍລິສັດຂົນສົ່ງຂະໜາດນ້ອຍສາມາດນຳໃຊ້ AI ໄດ້ບໍ?

ເຖິງແມ່ນວ່າຈະເປັນບໍລິສັດຂະໜາດນ້ອຍທີ່ມີລົດບັນທຸກ 5 ຄັນລົງໄປ, ກໍ່ຍັງສາມາດດຳເນີນ Step 1 (ການເຮັດຂໍ້ມູນໃຫ້ເຫັນໄດ້ຊັດເຈນ) ແລະ Step 2 (ການພະຍາກອນຄວາມຕ້ອງການ) ໄດ້ຢ່າງເຕັມທີ່. ສາມາດເລີ່ມຕົ້ນໄດ້ດ້ວຍ Excel ແລະ Spreadsheet ເທົ່ານັ້ນ. ສຳລັບ Step 3 ການເພີ່ມປະສິດທິພາບການຈັດສົ່ງລົດ, ຈະເລີ່ມເຫັນຜົນໄດ້ດີເມື່ອຈຳນວນການຈັດສົ່ງຕໍ່ເດືອນເກີນ 100 ຄັ້ງ. ສຳລັບຂະໜາດທີ່ນ້ອຍກວ່ານັ້ນ, ການໃຊ້ຕາຕະລາງການຕັດສິນໃຈແບບ Rule-based ທີ່ງ່າຍດາຍກໍ່ຖືວ່າພຽງພໍແລ້ວ.

ຄຳຖາມທີ 2: ການຈອງຕູ້ສິນຄ້າທາງລົດໄຟດຳເນີນການແນວໃດ?

ການຈອງຕູ້ສິນຄ້າຂອງທາງລົດໄຟລາວ-ຈີນ ດຳເນີນການຢູ່ທີ່ສູນສິນຄ້າສະຖານີລົດໄຟວຽງຈັນ ຂອງ ບໍລິສັດລົດໄຟລາວ-ຈີນ (Lao-China Railway Co., Ltd.). ໃນປັດຈຸບັນ, ການຈອງຜ່ານທາງໂທລະສັບ ແລະ ອີເມລຍັງເປັນວິທີຫຼັກ, ແຕ່ລະບົບການຈອງອອນລາຍກຳລັງຖືກນຳໃຊ້ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ຫາກມີການຈັດສົ່ງຈຳນວນຫຼາຍເປັນປະຈຳ, ການທຳສັນຍາຈອງໂຄວຕ້າລາຍເດືອນສາມາດຊ່ວຍຫຼຸດລາຄາຕໍ່ໜ່ວຍລົງໄດ້ 10~15%.

ຄຳຖາມທີ 3: ຜະລິດຕະພັນກະສິກຳທີ່ຕ້ອງການຄວາມເຢັນສາມາດຂົນສົ່ງທາງລົດໄຟໄດ້ບໍ?

ທາງລົດໄຟລາວ-ຈີນຮອງຮັບການໃຊ້ Reefer Container (ຕູ້ຄອນເທນເນີຄວາມເຢັນ). ຢ່າງໃດກໍ່ຕາມ, ເນື່ອງຈາກໂຄວຕ້າມີຈຳກັດ, ຈຶ່ງຈຳເປັນຕ້ອງຈອງລ່ວງໜ້າ 2~3 ອາທິດ. ໃນກໍລະນີທີ່ຕ້ອງການຄວບຄຸມອຸນຫະພູມ, ການອອກແບບລະບົບທີ່ລວມເອົາລົດໄຟ + ລົດບັນທຸກທີ່ຮອງຮັບ Cold Chain ເຂົ້າດ້ວຍກັນ ເພື່ອຄຸ້ມຄອງອຸນຫະພູມຢ່າງຕໍ່ເນື່ອງຕັ້ງແຕ່ຈຸດເກັບສິນຄ້າຈົນຮອດຈຸດສົ່ງ ຖືເປັນສິ່ງທີ່ມີຄວາມສຳຄັນຫຼາຍ.

ການເປີດໃຊ້ທາງລົດໄຟຈີນ-ລາວ ໄດ້ນຳພາລາວກ້າວຜ່ານການປ່ຽນແປງຈາກ "ປະເທດບໍ່ມີທາງອອກທະເລ" ໄປສູ່ "ປະເທດທີ່ເຊື່ອມຕໍ່ພາຍໃນທະວີບ". ແຕ່ຢ່າງໃດກໍ່ຕາມ, ເຖິງແມ່ນວ່າໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ຈະພ້ອມແລ້ວ, ຫາກການດຳເນີນງານດ້ານລະບົບຂົນສົ່ງ ຍັງຄົງໃຊ້ຮູບແບບເກົ່າ, ກໍ່ຈະບໍ່ສາມາດນຳໃຊ້ທ່າແຮງດັ່ງກ່າວໄດ້ຢ່າງເຕັມທີ່.

3 ຂັ້ນຕອນການດຳເນີນງານ:

1. ເລີ່ມຕົ້ນດ້ວຍການສ້າງຄວາມເຫັນທີ່ຊັດເຈນຂອງຂໍ້ມູນລະບົບຂົນສົ່ງຂອງທ່ານດ້ວຍ Excel — ພຽງແຕ່ຮູ້ຈັກອັດຕາລົດເປົ່າ, ອັດຕາການບັນທຸກ, ແລະຕົ້ນທຶນຕາມເສັ້ນທາງ ກໍ່ສາມາດເຫັນຊ່ອງທາງການປັບປຸງໄດ້
2. ເລີ່ມຄາດຄະເນປະລິມານການຈັດສົ່ງຕາມປະເພດສິນຄ້າ ດ້ວຍວິທີການຄາດຄະເນຄວາມຕ້ອງການໂດຍບໍ່ຕ້ອງໃຊ້ Big Data
3. ກຳນົດກົດລະບຽບການເລືອກໃຊ້ທາງລົດໄຟ ແລະ ການຂົນສົ່ງທາງບົກ ແລ້ວວັດຜົນການປະຫຍັດຕົ້ນທຶນເປັນລາຍເດືອນ

ການເພີ່ມປະສິດທິພາບລະບົບຂົນສົ່ງດ້ວຍ AI ບໍ່ແມ່ນການສ້າງລະບົບທີ່ສົມບູນແບບໃນຄັ້ງດຽວ. ຂະບວນການ ຫຼື Pipeline ທີ່ເປັນຂັ້ນຕອນ ຄື: ການສະສົມຂໍ້ມູນ → ການປັບປຸງກົດລະບຽບ → ການນຳໃຊ້ AI Model ຖືເປັນເສັ້ນທາງທີ່ເປັນຈິງທີ່ສຸດ ສຳລັບວິສາຫະກິດດ້ານລະບົບຂົນສົ່ງຂອງລາວ.