كيف يساعد الذكاء الاصطناعي شركات الخدمات اللوجستية على توقع تأخر الشحنات؟

يتصل العميل بشركة الشحن ويسأل سؤالًا واحدًا: أين طلبي ومتى يصل؟ في الماضي كان الجواب غالبًا تقديرًا عامًا يتغير مع الأيام، ولا يعرف أحد بالضبط لماذا تأخرت الشحنة إلا بعد أن تتأخر فعلًا. أما اليوم فبعض الشركات تعرف أن شحنة معينة ستتأخر قبل أن تقع المشكلة بأيام، وتتحرك لمعالجتها قبل أن يشتكي أحد.

وهذا التحول لم يأتِ من الحدس أو الخبرة وحدها، بل من الذكاء الاصطناعي الذي يقرأ كميات هائلة من البيانات ويكتشف فيها أنماطًا لا تراها العين البشرية. في هذا المقال نشرح كيف يتوقع الذكاء الاصطناعي تأخر الشحنات، وما البيانات التي يعتمد عليها، وكيف تستفيد الشركات من هذه التوقعات، وما حدودها.

لماذا يصعب توقع التأخير؟

الشحنة الواحدة قد تمر بمصنع ومستودع وشاحنة وميناء وسفينة وجمارك وشاحنة أخيرة. وكل حلقة في هذه السلسلة تتأثر بعوامل كثيرة: الطقس، والزحام، والأعطال، وحالة العمالة، وقرارات الجهات الرقابية. ويكفي أن تتأخر حلقة واحدة ساعات قليلة حتى تتراكم آثارها على ما بعدها.

وتتعقد الصورة لأن هذه الحلقات تتبع جهات مختلفة، ولكل جهة نظامها وبياناتها. فمن الصعب على إنسان أن يتابع آلاف الشحنات ويربط بين إشارات متفرقة في وقت واحد. وهنا يظهر دور الآلة القادرة على المعالجة المستمرة دون كلل.

ما الذي يفعله الذكاء الاصطناعي هنا؟

تعتمد هذه الأنظمة غالبًا على التعلم الآلي، وهو أسلوب يتعلم فيه البرنامج من أمثلة سابقة بدل أن يُبرمج بقواعد جامدة. تُعطى الخوارزمية سجلات آلاف الشحنات القديمة، منها ما وصل في موعده ومنها ما تأخر، فتستخلص العوامل التي ارتبطت بالتأخير وتبني نموذجًا يقدّر احتمال تأخر الشحنة الجديدة.

والنتيجة ليست جوابًا قاطعًا بنعم أو لا، بل احتمال مقرون بتقدير للمدة المتوقعة. فقد يقول النظام إن احتمال تأخر هذه الشحنة أكثر من يومين يبلغ سبعين في المئة، وإن السبب الأرجح هو ازدحام ميناء الوصول. ويستفيد المسؤولون من هذه الأرقام لترتيب أولوياتهم.

مصادر البيانات التي يعتمد عليها

جودة التوقع من جودة البيانات، وتجمع الأنظمة الحديثة مصادر متعددة، من أبرزها:

• بيانات التتبع: مواقع الشاحنات والسفن والحاويات المنقولة عبر أجهزة تحديد المواقع والحساسات.
• سجلات الرحلات السابقة: أزمنة العبور الفعلية على كل مسار في أوقات مختلفة من السنة.
• بيانات الموانئ والمطارات: مواعيد الوصول، وأعداد السفن المنتظرة، ومعدلات المناولة.
• الطقس والبحر: العواصف والأمطار والثلوج وارتفاع الأمواج وحالة الطرق.
• حركة المرور: كثافة الطرق وحوادثها وأعمال الصيانة عليها.
• الوثائق والجمارك: اكتمال المستندات وسجل الجهة المرسلة في التخليص.
• الأحداث الخارجية: الإضرابات والعطلات الرسمية والمواسم الكبرى وتغيّر القوانين.

وكلما تنوعت المصادر وتحدثت في وقت أقرب، صار التوقع أدق. أما البيانات الناقصة أو القديمة فتقود إلى تقديرات مضللة.

كيف يتعلم النموذج؟

تمر العملية بمراحل واضحة. أولًا تُجمع البيانات وتُنظف من الأخطاء والتكرار والقيم الغريبة. ثم يُستخلص منها ما يسمى بالخصائص، كعدد التوقفات في الرحلة، وساعة الوصول المتوقعة، ومتوسط تأخر الناقل في الأسابيع الأخيرة. بعد ذلك يُدرَّب النموذج على جزء من البيانات ويُختبر على جزء آخر لم يره من قبل ليتأكد الفريق من قدرته على التعميم.

ولا ينتهي الأمر بالإطلاق. فالأحوال تتغير، ويحتاج النموذج إلى إعادة تدريب دورية، ومراقبة لأدائه حتى لا يفقد دقته بصمت. ويسمى هذا الانحراف التدريجي بتغير البيانات، وهو من أكثر أسباب تراجع النماذج شيوعًا.

تقدير موعد الوصول بدقة

من أشهر استخدامات الذكاء الاصطناعي حساب موعد الوصول المتوقع. فبدل الاكتفاء بالمسافة والسرعة المتوسطة، يأخذ النموذج في الحسبان حالة الطريق الآن، وتاريخ الوقوف عند نقاط التفتيش، وأوقات استراحة السائقين، وزحام الميناء المستهدف. ويحدّث التقدير كلما وردت معلومة جديدة.

وقد تلاحظ ذلك حين يتغير موعد وصول طردك مرتين في اليوم نفسه. هذا يعني أن النظام يعيد الحساب باستمرار. وبقدر ما يكون التحديث مبنيًا على بيانات حقيقية، يزداد ثقة العميل بالموعد المعلن.

الإنذار المبكر وقراءة المخاطر

القيمة الكبرى للتوقع هي الوقت الذي يمنحه. فإذا عرفت الشركة قبل أيام أن شحنة مهمة قد تفوتها سفينة الربط، تستطيع أن تحجز مكانًا في رحلة بديلة، أو تحوّل الشحنة إلى ميناء آخر، أو تنقلها جوًا إن كانت عاجلة. وكلما كان القرار مبكرًا كانت كلفته أقل.

وتعمل لوحات المتابعة على ترتيب الشحنات بحسب درجة الخطر، فتظهر في أعلى القائمة تلك التي يرجح تأخرها وتنتمي إلى عملاء مهمين أو تحمل بضائع حساسة للوقت. وبذلك يوجه المشغلون جهدهم إلى حيث يحتاج، لا إلى كل شحنة بالقدر نفسه.

مثال من الواقع

لنفترض شركة تنقل أجهزة إلكترونية من آسيا إلى أوروبا. يلاحظ النظام أن ميناء العبور يشهد تراكمًا في أعداد السفن المنتظرة، وأن العاصفة المتوقعة في الممر البحري ستؤخر الإبحار يومين. ويقارن ذلك بحالات سابقة مشابهة تأخرت فيها الشحنات من ثلاثة إلى خمسة أيام.

فينبّه النظام الفريق إلى احتمال مرتفع للتأخير، ويقترح مسارًا بديلًا بتكلفة معقولة. يتواصل الفريق مع العميل مبكرًا، ويتفق معه على الخيار الأنسب، فيتحول الموقف من مفاجأة مزعجة إلى قرار مدروس. وهذا ما تقصده الشركات حين تتحدث عن الانتقال من رد الفعل إلى الاستباق.

الفوائد التي تجنيها الشركات

أول الفوائد رضا العملاء، فالعميل الذي يُبلَّغ مبكرًا بالتأخير ويحصل على بدائل يغفر أكثر من الذي يكتشفه وحده. وثاني الفوائد خفض التكاليف، لأن المعالجة المبكرة أرخص من الطوارئ، ولأن تقليل الغرامات والتعويضات يوفر مبالغ ملموسة.

وتتحسن كذلك كفاءة التشغيل، إذ تستطيع الشركة توزيع الشاحنات والعمال بحسب الأحمال المتوقعة، وتخطيط المخزون بدقة أكبر لأن موعد وصول البضائع صار أوضح. كما تكتسب ميزة تنافسية، لأن الاعتمادية في المواعيد من أهم ما يختاره العميل عند المفاضلة بين الناقلين.

دور الأتمتة في الاستجابة

لا يقف الذكاء الاصطناعي عند التنبيه، بل قد ينفذ بعض الإجراءات تلقائيًا. فعند اكتشاف احتمال تأخر عالٍ يمكن للنظام أن يرسل رسالة إلى العميل، أو يعيد جدولة موعد التسليم الأخير، أو يطلب مقارنة أسعار لخيارات بديلة ليختار منها الموظف.

ويفضل في القرارات الكبيرة أن يبقى الإنسان في الحلقة، فيراجع التوصية قبل تنفيذها. فالآلة تقترح بسرعة، والإنسان يقدّر السياق والعلاقات التجارية التي لا تظهر في الأرقام.

حدود التوقع وأخطاؤه

مهما تطورت النماذج فإنها لا تعرف المستقبل. فالأحداث المفاجئة كالحوادث الكبرى أو إغلاق ممر ملاحي أو قرار سياسي مفاجئ تقع خارج ما تعلمته من الماضي. وقد يخطئ النموذج حين تتغير الظروف تغيرًا حادًا لم يمر به من قبل.

وهناك مشكلة التنبيهات الكاذبة، فإذا أكثر النظام من الإنذارات غير الصحيحة يتعود المشغلون على تجاهله، وإذا قلّل منها فقد يفوته تأخر حقيقي. ولذلك يعمل الفنيون على ضبط التوازن بين الحساسية والدقة بحسب طبيعة العمل. وتبقى كذلك مسألة تفسير القرار، إذ يحتاج المسؤول إلى أن يفهم لماذا رأى النموذج خطرًا، وإلا تردد في الاعتماد عليه.

تحديات التطبيق

أكبر العقبات تتعلق بالبيانات. فكثير من الشركات تحتفظ بمعلوماتها في أنظمة منفصلة لا تتحدث بعضها مع بعض، وبعض الشركاء لا يشاركون بياناتهم خوفًا على أسرار أعمالهم. ويتطلب بناء صورة متكاملة اتفاقيات تبادل واضحة ومعايير موحدة.

وتأتي بعدها الكفاءات، إذ تحتاج الفرق إلى علماء بيانات ومهندسين ومختصين في العمليات يفهمون الجانبين. كما أن حماية الخصوصية والأمن السيبراني ضرورة، لأن بيانات الشحن تتضمن معلومات تجارية حساسة. ويضاف إلى ذلك أن التغيير الثقافي داخل الشركة قد يكون أصعب من التقنية نفسها.

كيف تبدأ الشركات؟

الطريق الأمثل يبدأ بمشكلة محددة لا بشعار عام. تختار الشركة مسارًا أو خدمة تتكرر فيها التأخيرات، وتجمع بياناتها، وتجرب نموذجًا بسيطًا، ثم تقيس الفائدة بوضوح كعدد الشحنات التي أُنقذت أو الساعات التي وُفّرت. وبعد النجاح الأول تتوسع تدريجيًا.

ويفيد كذلك أن تشرك الشركة العاملين في الميدان منذ البداية، لأن سائق الشاحنة ومشرف المستودع يعرفان أسباب التأخر الحقيقية، وملاحظاتهما تحسّن النموذج. وحين يرى هؤلاء أن النظام يخفف عنهم لا أنه يراقبهم فقط، يزداد تعاونهم.

اختلاف التطبيق بين وسائل النقل

لا يعمل التوقع بالطريقة نفسها في كل وسيلة. ففي النقل البري تكون العوامل الأبرز هي الزحام والحوادث وساعات قيادة السائق ونقاط التفتيش. وفي النقل البحري تبرز سرعة السفينة وحالة البحر وازدحام الميناء وزمن الانتظار في الرصيف. أما في الشحن الجوي فتتقدم أحوال الطقس ومواعيد الرحلات وسعة الطائرات وسرعة المناولة في المطار.

ولذلك تبني الشركات الكبرى نماذج مستقلة لكل وسيلة ثم تجمعها في صورة واحدة للشحنة المتعددة الوسائط، لأن الرحلة الواحدة قد تبدأ بشاحنة وتعبر البحر على سفينة وتنتهي بقطار.

كيف يعرف الفريق أن التوقع ناجح؟

لا يكفي أن يبدو النظام ذكيًا، بل يجب أن يُقاس أداؤه بأرقام. فمن المؤشرات المهمة متوسط الفرق بين الموعد المتوقع والموعد الفعلي، ونسبة التأخيرات الحقيقية التي التقطها النظام قبل وقوعها، ونسبة الإنذارات التي ثبت أنها كاذبة. كما تقيس الشركة الأثر المباشر على الأعمال، كانخفاض الشكاوى وتراجع تكاليف الشحن الاستعجالي.

وتوضع هذه المؤشرات في تقارير دورية تُراجَع مع الفرق التشغيلية، فإذا تراجع أداء النموذج في مسار معين عُرف السبب مبكرًا وأُصلح قبل أن يفقد المستخدمون ثقتهم به.

التواصل الصادق مع العميل

التوقع الجيد يفقد قيمته إذا لم يصل إلى العميل بصورة مفهومة. ولذلك تحرص الشركات على أن تكون الرسائل واضحة وصادقة، فتذكر الموعد الجديد المتوقع والسبب باختصار والخيارات المتاحة. ويفضل أن تقدّم نطاقًا زمنيًا واقعيًا بدل موعد دقيق يصعب الالتزام به.

فالعميل يتقبل تأخيرًا مشروحًا أكثر مما يتقبل وعدًا متفائلًا يخلفه الواقع. وبهذا يصبح الذكاء الاصطناعي أداة لبناء الثقة لا لتجميل الصورة.

نظرة إلى المستقبل

تتجه الأنظمة نحو ربط أوسع بين الشركاء، بحيث تتشارك الموانئ والناقلون والمستودعات البيانات في الوقت الفعلي، فتصبح الرؤية أوضح على امتداد السلسلة كلها. كما تنمو النماذج القادرة على محاكاة سيناريوهات متعددة، فتجيب عن أسئلة مثل: ماذا يحدث لو أُغلق هذا الميناء ثلاثة أيام؟

ومن المنتظر أن تصبح التوقعات جزءًا عاديًا من خدمة العميل، فيتلقى كل مستورد صورة صادقة عن موعد بضاعته واحتمالاتها. وسيبقى الفارق بين الشركات في جودة بياناتها وسرعة قرارها أكثر مما هو في امتلاك الأداة نفسها.

خلاصة القول

يساعد الذكاء الاصطناعي شركات الخدمات اللوجستية على توقع تأخر الشحنات لأنه يجمع البيانات من التتبع والطقس والموانئ والمرور، ويقارنها بتجارب سابقة، ويقدّر احتمال التأخير ومدته قبل وقوعه. وبفضل ذلك تتحرك الشركة مبكرًا، فتختار مسارًا بديلًا أو تبلغ العميل أو تعيد ترتيب مواردها.

غير أن التوقع ليس نبوءة، فهو يخطئ أمام المفاجآت ويحتاج إلى بيانات نظيفة ومتابعة مستمرة ومراجعة بشرية. ومن يجمع بين قوة النموذج وحكمة الخبرة يحوّل التأخير من مشكلة تُكتشف متأخرة إلى خطر يُدار مبكرًا، ويكسب بذلك ثقة عملائه.