Rostoucí tlak na rychlost i co nejnižší jednotkovou cenu za doručení je pro logistické firmy velkou výzvou. DODO již od svých počátků staví svůj úspěch především na pokročilé práci s daty a jejich využívání v provozu. Firma si zároveň dlouhodobě uvědomuje, že pro efektivní plánování a správnou alokaci kapacit nestačí umět v reálném čase reagovat na stávající situaci, ale že je potřeba mít co nejlepší představu také o budoucnosti. Právě zde do hry vstupuje umělá inteligence a technologie strojového učení.

Po úspěšném testování již čtvrtého prediktivního modelu nyní DODO do pilotního provozu uvádí prediktor, který díky datům nasbíraným za léta intenzivního provozu dokáže na dva týdny dopředu předpovědět objednávky i jejich přibližnou cílovou destinaci s přesností na konkrétní hodiny. Při rozvoji prediktoru se podařilo zúročit roky intenzivního vývoje vlastní logistické platformy GAIA, která v DODO data z provozu agreguje. Jejich následné čištění, úpravu a integraci má pak na starosti BI tým.

„Pro trénování prediktoru manuálně čistíme data o extrémní případy, jako jsou např. dny, kdy jsou pobočky zavřené, a také o partnery s nízkým počtem objednávek, u kterých se vyskytuje příliš náhodné chování dané časové řady. Jelikož DODO spolupracuje s velkými i menšími partnery, dalším krokem je standardizace predikovaného počtu objednávek. Tu provádíme přes průměr a standardní odchylku spočítanou z dat za poslední měsíce. Reagujeme tedy i na trend či sezónnost poptávky,“ osvětluje Marek Štěpán, Data Scientist ve společnosti DODO.

Prediktivní model využívá data o každé jednotlivé objednávce a tuto tabulku o desítkách milionů řádků nejprve agreguje dohromady na požadovanou granularitu. V současné době DODO pracuje s predikcí na 14 dní dopředu na úrovni jednotlivých poboček partnerů, kterých je dohromady několik stovek. Proto i agregovaná data obsahují stovky tisíc záznamů k trénování prediktoru.

„Matematicky se jedná o zajímavý případ, protože data jako den v týdnu, měsíc, partner, pro kterého doručujeme, město a další parametry jsou směsicí tabulárních dat a časových řad. Pro trénování modelů využíváme machine-learningové algoritmy založené na rozhodovacích stromech, tzv. decision trees, včetně nejnovějších a vylepšených algoritmů jako XGBoost, ADAboost a dalších,“ popisuje Marek Štěpán z DODO.

Stejně jako je tomu u ChatGPT a dalších aplikací umělé inteligence do praxe, zásadní pro přesnost predikcí a správnost výsledků je objem datových vstupů. V rámci aktuálního prediktivního modelu se DODO daří chybovost 14denních hodinových predikcí držet pod 10 procenty. Konkrétní číslo se liší dle vytíženosti dané pobočky, obchodu či restaurace, pro níž je poptávka modelována. U těch vytíženějších, kde je k dispozici více dat, se chybovost pohybuje okolo pouhých 6 %. Dá se navíc předpokládat, že s dalším zdokonalováním algoritmu a rostoucím datovým vzorkem se bude přesnost dále zvyšovat.

Schopnost přesně předpovědět zákaznickou poptávku je pro efektivní logistický provoz skutečně zásadním milníkem, protože umožňuje přesně to, co je pro udržitelné doručování klíčové – alokovat vždy adekvátní množství vozů a kurýrů pro danou oblast a naplánovat trasy tak, aby počítaly nejen s aktuální situací, ale také s vývojem během daného dne. Cílem prediktoru objednávek, prvního Data Science projektu v DODO, je uvést do každodenní praxe spolehlivý AI model s dlouhodobou přesností nad 90 %. Ultimátním cílem je pak schopnost poskytovat zákazníkům službu kvalitního, přesného, a přesto cenově dostupného doručení, a to s co nejnižším dopadem na městský provoz a životní prostředí.