ИИ в логистике и доставке: как Wildberries, DHL и «Яндекс Go» оптимизируют цепочки поставок

Летом 2022 года склад DHL в Праге начал работать иначе. Погрузчики не изменились. Операторы — те же люди. Изменился только алгоритм расстановки товаров: ML-система начала предсказывать, какие посылки понадобятся первыми в течение следующих 6 часов, и перемещала их поближе к зоне отгрузки ещё ночью. Производительность участка выросла на 25% без единого нового сотрудника.

Логистика — это отрасль, где время буквально стоит денег. Каждая лишняя минута простоя фуры на складе, каждый неоптимальный маршрут курьера, каждый неправильно спрогнозированный спрос — прямые потери. Именно поэтому здесь ROI от ИИ считается особенно чётко.

Кейс 1. Wildberries — предиктивное размещение товаров по складам

Инструменты

• Собственная ML-платформа на Python/Apache Spark
• Данные: история продаж, сезонность, геолокация заказов, данные рекламных кампаний, новостной фон
• Интеграция с WMS (Warehouse Management System)
• API Яндекс.Погода для учёта погодных факторов

Что происходит

Wildberries держит более 1,5 миллиона SKU и 20+ крупных складских хабов по России. Раньше товар от продавца сначала попадал на ближайший склад, а потом при заказе его перемещали — иногда через всю страну. Это занимало дни и стоило десятки миллионов рублей в перемещениях ежемесячно.

ML-система теперь работает на опережение. Когда продавец отгружает товар, алгоритм анализирует: откуда исторически идут заказы на этот товар, есть ли сезонный паттерн, идут ли рекламные кампании в конкретных регионах, каков прогноз погоды (куртки в Сибири нужны раньше, чем в Краснодаре). На основе этого система выдаёт рекомендацию: «отправить 40% на Екатеринбург, 30% на Краснодар, 20% на Новосибирск, 10% на Москву».

Параллельно та же система управляет перестановками уже принятого товара между складами — когда видит нарастающий спрос в регионе раньше, чем он превращается в дефицит.

Результаты

• Среднее время доставки по России сократилось с 5,2 до 3,8 дней (-27%)
• Объём межскладских перемещений снизился на ~35% — прямая экономия на транспорте
• Доля заказов с доставкой «день в день» и «на следующий день» выросла с 18% до 34%
• Продавцы, чьи товары участвуют в предиктивном размещении, показывают конверсию выше на 8% — покупатели видят быструю доставку и чаще решаются на покупку

Для бизнеса: Если у вас 3+ склада или вы работаете с маркетплейсами — предиктивное управление запасами это не опция «для больших». Сервисы типа Inventory Planner, Lokad или даже правильно настроенная 1С с ML-плагином дают похожий эффект при масштабе от 5 000 SKU.

Кейс 2. DHL — машинное обучение для оптимизации «последней мили»

Инструменты

• DHL Resilience360 — платформа управления рисками цепочки поставок
• Streetscooter + AI маршрутизация — электрические курьерские фургоны с ML-планировщиком
• Computer Vision для сортировки на конвейере (Dematic + CV-модели)
• Партнёрство с Google Cloud для обработки данных в реальном времени

Что происходит

«Последняя миля» — доставка от последнего склада до получателя — это 53% стоимости всей логистической цепочки. Курьер с 120 посылками в день делает 120 маленьких решений: куда ехать следующим, где припарковаться, когда лучше вернуться к получателю, которого не было дома. Каждое неоптимальное решение — лишние минуты, литры топлива, задержка для следующих клиентов.

DHL обучил ML-систему маршрутизации на данных 150 миллионов завершённых доставок. Алгоритм знает: в каком районе жители обычно дома в 14:00, где пробки в конкретный день недели, какие подъезды нужно объезжать с юга. Маршрут для курьера пересчитывается динамически — если появился новый срочный заказ или пришли данные о ДТП на маршруте.

Отдельный проект — CV-сортировка на конвейере. Камеры читают штрихкоды и адреса на посылках со скоростью до 60 000 пакетов в час и автоматически направляют на нужный конвейер. Ошибка при машинной сортировке: 0,1% против 1–2% при ручной.

Результаты

• Оптимизация маршрутов сократила пробег курьеров на ~15% (сотни миллионов километров в год по всей сети)
• Успешность доставки с первой попытки выросла с 75% до 88% — меньше повторных выездов
• Время сортировки посылок на ML-конвейерах: на 40% быстрее vs ручная
• DHL оценивает экономию от AI-инициатив в >$300 млн ежегодно по всей операции

Кейс 3. «Яндекс Go» — динамическое ценообразование и прогноз спроса для курьерской доставки

Инструменты

• CatBoost (разработка Яндекса) — градиентный бустинг для прогноза спроса
• Собственная система динамического ценообразования
• ML-распределение заказов между курьерами (matching алгоритм)
• Геоданные: тепловые карты заказов в реальном времени

Что происходит

В пятницу вечером спрос на доставку еды в Москве вырастает в 3–4 раза. Если сеть не готова — время ожидания растёт, курьеры перегружены, часть заказов теряется. Яндекс решает эту задачу предиктивно: за 2–3 часа до пикового спроса система начинает «стягивать» свободных курьеров в зоны повышенного спроса через повышенные тарифы.

ML-модель прогнозирует спрос по 1 000+ зонам Москвы с горизонтом 4 часа, учитывая: день недели, час, погоду, матчи футбольных клубов (после матча — всплеск заказов в фан-зонах), крупные события, исторические паттерны. Алгоритм «matching» распределяет входящие заказы между курьерами, минимизируя суммарное время доставки по всем активным заказам одновременно — это задача типа TSP (Travelling Salesman Problem), которую ML решает за миллисекунды.

Результаты

• Среднее время доставки еды в пиковые часы: снижение с 56 до 39 минут (-30%)
• Процент заказов, выполненных в срок: рост с 71% до 86%
• Доход курьеров в периоды динамического ценообразования: +20–35% к базовой ставке
• Яндекс Go: >2 миллионов заказов в день — без ML такой масштаб невозможен физически

Кейс 4. Amazon Robotics — автономные роботы Kiva на складах

Инструменты

• Amazon Kiva robots (теперь Amazon Robotics) — автономные мобильные роботы
• Centralized AI-диспетчер управляет >750 000 роботов по всему миру
• Computer Vision для навигации и идентификации товаров
• ML-планировщик задач в реальном времени

Что происходит

Традиционный склад: рабочий идёт к полке, берёт товар, несёт к зоне упаковки. На крупном складе это километры ходьбы в день и часы времени. Amazon перевернул схему: полки сами едут к рабочему.

Роботы Kiva весят ~145 кг, поднимают стеллажи с товарами и везут их к операторам. AI-диспетчер знает местоположение каждого робота, каждой полки и каждого заказа. Когда приходит заказ на 5 разных товаров, система рассчитывает оптимальный сценарий: какой робот привезёт какую полку к какому оператору в какой последовательности, чтобы минимизировать суммарное время сборки.

Сложность: на одном складе работают одновременно 3 000–10 000 роботов. Решение задачи планирования их маршрутов без коллизий в реальном времени — это одна из сложнейших AI-задач в мире.

Результаты

• Пространство склада используется на ~40% эффективнее (полки плотнее, нет нужды в широких проходах для человека)
• Скорость сборки заказа: в 3–4 раза быстрее, чем на традиционном складе
• Amazon сократил стоимость выполнения одного заказа на ~20% с введением роботов
• Операционные расходы на склады с роботами: ~$2/заказ против ~$3,5 без роботов

Что взять в работу прямо сейчас

Для компании с одним складом и 10–50 сотрудниками полноценная роботизация нерелевантна. Но три вещи доступны уже сегодня:

1. WMS с ML-расстановкой: системы типа 1С:WMS или Infor WMS имеют модули ML-оптимизации ячеек хранения. ABC-анализ + предсказание спроса = топ-товары у ворот, неходовые — вглубь склада. Экономия 15–25% времени сборки.

2. Маршрутизация курьеров: Яндекс.Маршрутизация, Track-POD или Route4Me — сервисы оптимизации маршрутов для небольших курьерских служб. Стоимость: 2 000–15 000 руб/месяц. ROI с первого месяца при >10 курьерах.

3. Предиктивный заказ у поставщиков: вместо заказа «когда кончилось» — ML-прогноз на 2–4 недели вперёд. Снижает как запасы (замороженные деньги), так и out-of-stock ситуации.

Источники: DHL Annual Report 2023, Amazon Robotics investor presentation, Wildberries press releases, Яндекс Investor Day 2023.