Как алгоритм на основе искусственного интеллекта превращает переработку автомобилей в предиктивную операционную систему

На протяжении десятилетий переработка автомобилей рассматривалась как бизнес, основанный на складской деятельности: покупаешь автомобиль, разбираешь его, продаешь пригодные к использованию детали, хранишь то, что может быть продано позже, а остальное утилизируешь. Эта модель по-прежнему описывает физическую работу, но она больше не описывает весь бизнес целиком. Реальным ограничением было не только отсутствие рабочей силы. Речь шла об отсутствии согласованного процесса принятия решений на всех этапах: приобретение, разборка, инвентаризация, обработка изображений, составление списков, маршрутизация на складе, поддержка клиентов и утилизация материалов.  Именно здесь запатентованный алгоритм на основе искусственного интеллекта начинает менять отрасль. 

Современная компания по переработке отходов теперь может анализировать автомобиль перед покупкой, используя не только фотографии с аукционов и опыт сотрудников. Расшифровка VIN-кода, данные каталога производителя, история продаж запчастей, тенденции на торговой площадке eBay, региональный спрос, вместимость склада, история возвратов и стоимость металлолома могут быть объединены в единое представление о покупке. Вместо того чтобы спрашивать только о наличии пригодных для продажи запчастей, оператор может оценить, как быстро эти запчасти могут быть проданы, сколько места они займут, какой риск возврата они несут и какую остаточную стоимость может иметь автомобиль.  Это меняет экономику покупки автомобилей. 

Два поврежденных автомобиля могут выглядеть похожими на аукционе и даже приносить сопоставимую прибыль от продажи подержанных запчастей. Но один может содержать больше алюминия, меди, пригодной для вторичной переработки электроники или других вторичных материалов. У одного могут быть более быстро реализуемые компоненты, меньшая сложность транспортировки и более высокий спрос на совместимость. Другой может выглядеть привлекательно на бумаге, но представлять собой медленно реализуемый товар, занимающий складские помещения годами. Собственный алгоритм покупки, разработанный с использованием собственных инструментов искусственного интеллекта, может сравнивать общую стоимость восстановления, а не только видимые повреждения или ожидаемую стоимость перепродажи запчастей. Это позволяет предприятиям по переработке снижать риски еще до того, как автомобиль попадет на площадку. 

Это также меняет подход операторов к закупкам. В традиционной модели решение о покупке часто принимается реактивно: оценивается ущерб, подсчитывается стоимость запчастей, проводится тендер на приобретение транспортного средства, а затем выясняется, насколько экономически обоснованной была сделка. В прогностической модели система может учитывать процент реализуемых запасов, ожидаемый срок хранения запасов, рентабельность разборки, нагрузку на склад, сложность транспортировки, стоимость вторичного сырья и ожидаемые сроки восстановления до того, как будут вложены средства. Это не исключает человеческого фактора. Это дает опытным закупщикам более полную картину происходящего.  Аналогичные изменения происходят и внутри процесса разборки. 

Традиционно специалисты по разборке автомобилей в значительной степени полагались на личный опыт. Эти знания ценны, но их сложно стандартизировать для разных команд, смен и новых сотрудников. Собственные рабочие процессы, разработанные с использованием собственных алгоритмов на основе искусственного интеллекта, позволяют преобразовывать данные об автомобиле в цифровые инструкции по разборке: какие детали следует снимать в первую очередь, какие компоненты требуют специальной обработки, какие предметы оправданно хранить, какие материалы следует сразу отправить на металлолом и где не следует тратить рабочую силу впустую. 

Это особенно важно по мере усложнения конструкции транспортных средств. Электромобили, гибридные системы, алюминиевые платформы, передовая электроника и ценные перерабатываемые материалы требуют более дисциплинированной логики утилизации. Процесс разборки, основанный только на привычке, становится сложнее масштабировать. Управляемый процесс может повысить производительность, уменьшить повреждения, поддержать обучение персонала и повысить качество как перепродаваемых товаров, так и переработанных материалов. 

Цель состоит не в замене техника. Цель — повысить ценность времени техника. Если компонент пользуется высоким спросом, имеет высокую ценность для установки и хорошую рыночную оборачиваемость, система может помочь расставить приоритеты. Если другой компонент имеет низкий спрос, высокие затраты на хранение и низкую вероятность переналадки, система может помочь перенаправить его по-другому. На площадке с большим объемом работ эти небольшие решения накапливаются на сотнях или тысячах автомобилей. 

Именно поэтому переработка вторичных материалов переходит от решения о списании отходов на заключительном этапе к бизнес-переменной на начальном этапе.  По мере расширения производства автомобилей с высоким содержанием алюминия и появления новых категорий переработки в электрических и гибридных платформах, переработчики больше не могут рассматривать лом как заключительный этап очистки. Содержание алюминия, стоимость цветных металлов, выход перерабатываемых компонентов и остаточная стоимость кузова становятся частью общей экономики автомобиля. Автомобиль — это не только источник бывших в употреблении деталей. Это также комплекс металлов, электроники, пластмасс, стекла, батарей и возможностей для переработки материалов. 

Для многих операторов это серьезный сдвиг в мышлении.  Повторно используемые оригинальные запчасти и металлолом часто рассматривались как отдельные виды деятельности. В действительности, это два результата работы одного и того же предприятия. Наиболее продвинутые переработчики начинают анализировать их совместно. Они задаются вопросом, для каких автомобилей целесообразна переработка запчастей, какие материалы следует разделять на более ранних этапах, какие компоненты следует перерабатывать по-другому и как можно максимизировать общую стоимость извлечения еще до приобретения автомобиля. 

Этап фотосъемки и инвентаризации меняется так же быстро.  Крупные предприятия по переработке обрабатывают тысячи изображений и деталей. То, что раньше было простой задачей, связанной с носителями информации, превращается в рабочий процесс обработки данных. Компьютерное зрение может помочь идентифицировать типы деталей, считывать номера OEM-производителей, обнаруживать дефекты, распознавать цвета, определять характеристики материалов, поддерживать логику совместимости и генерировать метаданные. Изображения могут быть централизованы в облачных рабочих процессах, сгруппированы по деталям, очищены, стандартизированы и подготовлены для размещения в каталоге до того, как человек потратит время на повторяющуюся обработку. 

Это важно, потому что эффективность онлайн-торговли зависит от качества данных. Компания по переработке отходов с десятками тысяч товарных позиций конкурирует не только за запасы. Она конкурирует за структуру названия, характеристики товара, качество фотографий, данные о совместимости, логику ценообразования, профили доставки, историю возвратов и видимость ключевых слов. Собственный алгоритм на основе искусственного интеллекта может помочь в этой работе, извлекая номера деталей, сопоставляя атрибуты, определяя цвета, генерируя описания и связывая структурированные данные о запасах с рабочими процессами торговой площадки. 

Затем запатентованный алгоритм на основе ИИ может поддерживать уровень электронной коммерции.  Создание объявлений остается одним из самых больших узких мест на рынке подержанных автозапчастей. Запатентованные системы с использованием алгоритмов на основе ИИ могут помочь в генерации заголовков, характеристик товаров, SEO-оптимизированных описаний, данных о совместимости, профилей доставки, логики ценообразования и настроек политики возврата. При подключении к API маркетплейса эти системы могут анализировать аналогичные объявления, цены конкурентов, видимость в поиске, коэффициенты кликабельности, модели конверсии, поведение при возврате и устаревшие запасы. Результатом является не просто более быстрое создание объявлений, а более оперативная система получения дохода. 

Ценообразование и управление запасами также становятся более динамичными.  Многие предприятия по переработке отходов годами хранят товары с низкой оборачиваемостью, занимая место на полках и требуя значительных трудозатрат, при этом принося небольшую прибыль. Собственные системы на основе искусственного интеллекта могут отслеживать эффективность объявлений, показатели кликабельности, коэффициенты конверсии, цены конкурентов, стоимость хранения, историю возвратов и срок хранения товаров. Они могут рекомендовать пересмотр цен, ликвидацию, повторное размещение объявлений, SEO-обновление или перенаправление отходов, когда дальнейшее хранение перестает быть экономически целесообразным. 

Это критически важный момент для прибыльности. Деталь может быть технически продаваемой, но при этом оставаться нерентабельной, если она слишком долго лежит без дела, требует слишком много операций или создает повторяющиеся проблемы для клиентов. Управление запасами, основанное на запатентованном алгоритме искусственного интеллекта, может помочь операторам различать теоретическую и возмещаемую стоимость. Это различие становится все более важным по мере роста складских издержек и сокращения маржи. 

Складские операции — еще одна часть той же системы.  Ячейки с QR-кодами, цифровые координаты, карты склада и оптимизированные маршруты комплектации могут сократить время, затрачиваемое на поиск деталей. Когда поступает заказ, подключенная платформа может показать точное место хранения, изображения товара, альтернативные совместимые товары и уровень приоритета. Если товар не найден, система может помочь определить заменители и реорганизовать путь выполнения заказа. Со временем аналитика склада также может повлиять на то, что следует разобрать, что следует хранить, а что следует немедленно утилизировать. 

Собственный алгоритм на основе искусственного интеллекта также может улучшить работу с клиентами.  Системы поддержки могут анализировать сообщения покупателей, историю заказов, статус доставки, риск возникновения споров и вопросы совместимости. Они могут помочь расставить приоритеты в срочных случаях, подготовить технические ответы и выявить повторяющиеся причины возвратов, такие как нечеткое описание, проблемы с упаковкой, повреждения при доставке или неправильный размер. Полученные данные затем могут быть использованы при принятии решений, касающихся закупок, размещения товаров, упаковки и контроля качества. 

Эта обратная связь — одна из важнейших составляющих новой модели.  Анализ возвратов повышает точность описания товаров. Аналитика рынка улучшает решения о закупках. Аналитика склада повышает приоритетность разборки. Цены на сырье влияют на маршрутизацию материалов. Данные службы поддержки клиентов улучшают описания товаров и рекомендации по подбору. Каждый этап начинает влиять на следующий.  Возможно, это и есть самое масштабное изменение. 

Переработка автомобильных отходов часто осуществлялась как совокупность отдельных отделов: закупка, разборка, инвентаризация, фотосъемка, электронная коммерция, доставка, обслуживание клиентов и утилизация металлолома. В действительности же все эти процессы связаны с одним и тем же активом. Собственный алгоритм на основе искусственного интеллекта имеет важное значение, поскольку он объединяет информацию, которая раньше оставалась запертой в отдельных рабочих процессах. 

Следующее поколение предприятий по переработке автомобилей может определяться не только количеством переработанных транспортных средств. Их может определять то, насколько грамотно они определяют стоимость каждого автомобиля, какие детали заслуживают обработки, какие материалы следует извлекать, как следует перемещать запасы и когда хранение перестает быть целесообразным. 

Будущее переработки автомобильных отходов – это не просто дальнейшая автоматизация. Это прогнозирующая операционная система для утилизации, перепродажи и устойчивого развития. Наиболее успешными в масштабировании могут оказаться те предприятия, которые на ранних этапах, благодаря более качественным данным и более дисциплинированным рабочим процессам, смогут определить реальную ценность каждого автомобиля. 

Источник: https://wasteadvantagemag.com/how-a-proprietary-ai-based-algorithm-is-turning-automotive-recycling-into-a-predictive-operating-system/