Toimialakohtaiset ratkaisut

Tekoäly kuljetusalan reittien ja aikataulujen suunnittelussa

Tekoäly kuljetusalan reittien ja aikataulujen suunnittelussa

Pienen tai keskisuuren kuljetusyrityksen ajojärjestelijä käyttää usein joka aamu 1-3 tuntia reittien palapeliin, ja tekoäly kuljetusalan reittien suunnittelussa voi lyhentää tämän työn minuutteihin. Hyöty ei kuitenkaan ole pelkkää ajansäästöä: oikein toteutettu reittisuunnittelu tekoälyllä vähentää ajokilometrejä, pitää asiakkaille luvatut aikaikkunat ja helpottaa kuljettajien työpäivää. Tämä artikkeli kertoo, mitä tekoäly reittisuunnittelussa käytännössä tekee, mitä se maksaa ja mihin se ei pysty.

Mitä tekoäly reittisuunnittelussa oikeasti tekee

Reittisuunnittelussa ei ole kyse navigoinnista. Navigaattori kertoo, miten pisteestä A päästään pisteeseen B. Reittioptimointi ratkaisee vaikeamman kysymyksen: missä järjestyksessä 140 toimitusta jaetaan 12 autolle, kun jokaisella asiakkaalla on oma aikaikkunansa, autoilla eri kantavuudet ja kuljettajilla ajo- ja lepoaikasäännöt.

Tätä kutsutaan matematiikassa ajoneuvojen reititysongelmaksi (VRP). Mahdollisia yhdistelmiä on niin paljon, ettei ihminen pysty käymään niitä läpi, joten ajojärjestelijä nojaa kokemukseen ja vakioreitteihin. Optimointialgoritmi laskee tuhansia vaihtoehtoja sekunneissa. Koneoppiminen tuo mukaan ennusteet: kuinka kauan purku todellisuudessa kestää tietyssä osoitteessa, miten ruuhka-aika Tampereen Hervannan valtaväylällä vaikuttaa tiistaiaamuna tai missä kohteissa toimitus tyypillisesti viivästyy.

Säästön suuruus riippuu siitä, kuinka hyvin reitit on suunniteltu ennestään. Mittaa siksi muutaman viikon ajokilometrit ja toimitusmäärät ennen käyttöönottoa ja sen jälkeen. Kahdentoista auton kalustolla, joka ajaa yhteensä noin 2 500 km päivässä, kymmenen prosentin säästö tarkoittaa 250 km päivässä. Kun polttoaineen, renkaiden ja kaluston kulumisen kustannus on 0,60-0,90 €/km, puhutaan noin 150-220 eurosta päivässä.

Käytännön esimerkki: aamun reittipalapeli Pirkanmaalla

Ajatellaan pirkanmaalaista kuljetusliikettä, jolla on 12 jakeluautoa ja joka ajaa rakennustarvike- ja tukkutoimituksia. Tilaukset tulevat sähköpostilla, asiakasportaalista ja puhelimitse. Ajojärjestelijä kokoaa ne illalla Exceliin ja jakaa aamulla autoille muistinsa ja vakioreittien pohjalta.

Järjestelmä toimii niin kauan kuin sama henkilö on töissä. Lomakaudella tai sairastumisen sattuessa sijainen ei tiedä, että tietyn työmaan portti aukeaa vasta seitsemältä tai että yhden asiakkaan lastauslaiturille ei mahdu täysperävaunu.

Tekoälypohjaisessa mallissa tilaukset luetaan automaattisesti yhteen paikkaan, esimerkiksi n8n- tai Make-työnkululla, joka poimii tiedot sähköposteista ja portaalista. Optimointipalvelu laskee reitit huomioiden aikaikkunat, kuormatilan ja ajoaikarajoitukset. Ajojärjestelijä tarkistaa ehdotuksen, tekee tarvittavat korjaukset ja lähettää reitit kuljettajien mobiilisovellukseen. Aamun työ lyhenee 2-3 tunnista noin 20-30 minuuttiin, ja hiljainen tieto siirtyy järjestelmän sääntöihin.

Työkalut ja kustannukset realistisesti

Valmiita SaaS-palveluita ovat esimerkiksi OptimoRoute, Routific ja Circuit for Teams. Niiden hinnoittelu on tyypillisesti kuljettaja- tai ajoneuvokohtainen, karkeasti 30-100 dollaria ajoneuvoa kohden kuukaudessa ominaisuuksista riippuen. Kahdentoista auton yritykselle tämä tarkoittaa noin 400-1 200 euroa kuukaudessa.

Jos yrityksellä on oma toiminnanohjausjärjestelmä tai erityisvaatimuksia, vaihtoehtona on rakentaa ratkaisu rajapintojen varaan. Google Maps Platformin Route Optimization API ja avoimen lähdekoodin Google OR-Tools ovat yleisiä pohjia. Suomessa Fintrafficin Digitraffic-palvelu tarjoaa avointa liikennedataa, kuten häiriötiedotteita ja kelikameroita, joita voidaan hyödyntää reittien päivityksessä. Räätälöity integraatio maksaa kertaluonteisesti tyypillisesti 5 000-20 000 euroa. Laajemmin kustannusrakennetta käsitellään artikkelissa automaation ja tekoälyn kustannukset PK-yritykselle.

Kokenut asiantuntija aloittaa yleensä valmiista palvelusta. Oma toteutus kannattaa vasta, kun on selvää, mitä valmis työkalu ei pysty tekemään.

Myytti: tekoäly korvaa ajojärjestelijän

Yleinen pelko ja yhtä yleinen myyntilupaus on, että reittioptimointi tekee ajojärjestelijän tarpeettomaksi. Käytännössä näin ei käy. Algoritmi on niin hyvä kuin sille syötetyt säännöt, eikä se tiedä, että asiakas X soittaa aina viime hetkellä lisätilauksen tai että tietty kuljettaja tuntee Pohjois-Hervannan pihat paremmin kuin kukaan muu.

Ajojärjestelijän rooli muuttuu. Rutiininomainen palapelin kokoaminen jää pois, ja tilalle tulee poikkeusten hallinta: kiiretilaukset, rikkoutunut auto, asiakkaan muuttunut aikataulu. Yritykset, jotka ymmärtävät tämän, saavat optimoinnista eniten irti, koska kokenut ihminen tarkistaa koneen ehdotukset ja opettaa järjestelmälle uusia sääntöjä.

Toinen myytti on, että tekoäly tarvitsee vuosien historiadatan. Pelkkä reittioptimointi toimii ensimmäisestä päivästä, kunhan osoitteet, aikaikkunat ja kapasiteetit ovat kunnossa. Koneoppimisen ennusteet tarkentuvat 3-6 kuukauden käytön aikana, mutta niiden puute ei estä aloittamista.

Yleisimmät virheet reittisuunnittelun automatisoinnissa

Huono osoite- ja asiakasdata. Jos osoite on ”Teollisuustie 4, takapiha” tai postinumero puuttuu, paikannus voi osua satojen metrien päähän. Ennen käyttöönottoa asiakasrekisteri kannattaa käydä läpi ja lisätä tarkat koordinaatit kohteisiin, joissa lastauspaikka poikkeaa katuosoitteesta.

Pelkkien kilometrien optimointi. Lyhin reitti ei ole aina paras. Jos optimoija lupaa 40 kilometrin säästön, mutta kuljettaja joutuu kiertämään Tampereen keskustan ruuhkassa iltapäivällä, kokonaisaika kasvaa. Tavoitefunktioon kuuluu ainakin ajoaika, aikaikkunoiden pito ja ylityökustannukset.

Ajo- ja lepoaikojen unohtaminen. Raskaan kaluston kuljettajia koskee EU:n asetus 561/2006: enintään 9 tunnin päivittäinen ajoaika (kahdesti viikossa 10 tuntia) ja 45 minuutin tauko 4,5 tunnin ajon jälkeen. Jos nämä eivät ole järjestelmän rajoitteina, optimoitu reitti voi olla laiton. Kevyessä jakeluliikenteessä alle 3,5 tonnin autoilla tilanne on toinen, ja tämä on hyvä esimerkki siitä, ettei sama asetus sovi kaikille.

Näin käyttöönotto etenee vaiheittain

Ammattilainen aloittaa nykytilan mittaamisesta: paljonko kilometrejä ajetaan, kuinka suuri osa toimituksista myöhästyy ja kauanko suunnitteluun kuluu. Ilman lähtötasoa säästöjä on mahdotonta todentaa.

Toinen vaihe on datan siivous ja sääntöjen kirjaaminen. Ajojärjestelijän hiljainen tieto puretaan kirjallisiksi rajoitteiksi, kuten portin aukioloajat, ajoneuvorajoitukset ja asiakaskohtaiset toiveet. Tämä vie usein enemmän aikaa kuin itse teknologia, tyypillisesti 2-4 viikkoa.

Kolmannessa vaiheessa järjestelmää ajetaan rinnakkain vanhan tavan kanssa 2-4 viikon ajan. Ajojärjestelijä vertaa koneen ehdotusta omaansa ja korjaa sääntöjä. Vasta tämän jälkeen siirrytään tuotantoon. Tarkempaa taustaa alan kokonaiskuvaan löytyy artikkelista tekoäly logistiikassa ja toimitusketjun optimoinnissa.

Poikkeus: jos yrityksellä on alle viisi autoa ja reitit pysyvät lähes samoina viikosta toiseen, täysimittainen optimointi ei välttämättä maksa itseään takaisin. Silloin kevyempi ratkaisu, kuten tilausten automaattinen kokoaminen ja Circuitin kaltainen yksinkertainen sovellus, riittää.

UKK

Kuinka nopeasti reittioptimointi maksaa itsensä takaisin?
Kymmenen auton tai sitä suuremmalla kalustolla takaisinmaksuaika on valmiilla SaaS-palvelulla tyypillisesti 2-6 kuukautta. Säästö syntyy ajokilometreistä, suunnitteluajasta ja vähentyneistä ylitöistä. Pienellä kalustolla ja vakioreiteillä takaisinmaksu voi venyä yli vuoden.

Toimiiko tekoälyreititys, jos tilauksia tulee kesken päivän?
Toimii. Useimmat palvelut tukevat dynaamista uudelleenoptimointia, jolloin uusi tilaus sijoitetaan sopivimmalle autolle ilman, että jo luvatut aikaikkunat rikkoutuvat. Tämä edellyttää, että kuljettajien sijaintitieto välittyy järjestelmään reaaliaikaisesti mobiilisovelluksen tai ajoneuvopäätteen kautta.

Voiko reittioptimoinnin liittää olemassa olevaan toiminnanohjausjärjestelmään?
Yleensä voi. Valtaosassa reitityspalveluista on rajapinta, ja tilaukset voidaan siirtää n8n:n tai Maken kaltaisella integraatiotyökalulla. Vanhemmissa järjestelmissä ilman rajapintaa välivaiheena toimii usein CSV-tiedostojen automaattinen siirto.

Yhteenveto: aloita datasta, älä algoritmista

Tekoäly kuljetusalan reittien ja aikataulujen suunnittelussa tuo mitattavia säästöjä: vähemmän kilometrejä, lyhyemmän suunnitteluajan ja paremmin pidetyt aikaikkunat. Ratkaiseva tekijä ei kuitenkaan ole työkalun valinta vaan se, kuinka hyvin osoitteet, rajoitteet ja ajojärjestelijän hiljainen tieto saadaan järjestelmään. Kun ensimmäinen kuukausi ajetaan rinnakkain vanhan tavan kanssa ja lähtötaso on mitattu, tiedetään tarkasti, mitä optimointi tuottaa.