Розробка AI-системи прогнозування часу доставки ETA

У вас 200 кур'єрів — кожен робить 15–25 доставок на день. Третина клієнтів передзвонює в кол-центр: «Де моє замовлення?». Стандартне ETA «до 18:00» дає розкид ±2–3 години. Коли водій запізнюється на годину, клієнт нервує. А якщо замовлення — продукти на вечерю? Результат — скасування, зниження NPS, втрати. Ми будуємо ML-системи, що передбачають час прибуття з точністю 15–30 хвилин, використовуючи LightGBM, LSTM та real-time дані. Накопичений досвід — 20+ проєктів для логістичних операторів. Гарантуємо стабільну роботу моделі в продакшені та підтримку після впровадження.

Ми вже реалізували такі проєкти для 20+ логістичних операторів в Росії та СНД, накопичивши понад 5 років досвіду в ML для логістики. За даними Uber Movement, LightGBM перевершує лінійну регресію в 2–3 рази за точністю на історичних даних. Зниження навантаження на кол-центр на 30–40% економить до $27k–39kів на рік. Зв'яжіться з нами — ми проведемо аудит ваших даних за 2 дні.

Чому традиційні методи ETA не працюють?

Лінійна регресія за середньою швидкістю та відстанню не враховує:

• Пробки: в години пік швидкість падає в 2–3 рази.
• Погоду: дощ або сніг додають 15–40% часу.
• Операційні затримки: черга на завантаження, час на зупинках.
• Історичні патерни: маршрути з регулярними затримками в певні дні.

Традиційні методи дають MAPE 25–40%. ML-модель знижує MAPE до 10–15%, що економить до 20% логістичних витрат. Для оператора з парком 200 машин економія від зниження невдалих доставок може досягати $50k–70kів на рік.

Як AI підвищує точність ETA?

Feature engineering — ключ. Ми збираємо ознаки з кількох джерел: Маршрутні дані:

• Дистанція маршруту (Google Maps / HERE / OpenStreetMap OSRM)
• Історичні швидкості по дорогах в різний час доби
• Геофенсинг точки відвантаження та отримувача

Операційні дані:

• Час обробки на складі (pick-pack-ship)
• Поточна черга на завантаження/розвантаження
• Кількість зупинок на маршруті до цільової точки

Зовнішні фактори:

• Погода: дощ/сніг/туман збільшують час на 15–40%
• Дорожні події: ДТП, ремонти, перекриття (TomTom TrafficStats, HERE Traffic API)
• Часові патерни: ранковий пік 08–10, вечірній 17–19

Архітектура моделі

Задача: регресія — передбачити час від відвантаження до доставки в хвилинах. Feature matrix:

features = { # Маршрут 'distance_km': route_distance, 'n_stops': stops_remaining, 'route_complexity': turns_per_km, # Час 'hour_of_day': departure_hour, 'day_of_week': departure_dow, 'is_holiday': holiday_flag, 'month': departure_month, # Трафік 'historical_avg_speed': avg_speed_for_route_time, 'current_traffic_index': live_traffic_score, # 1.0 = нормально, 2.0 = пробки 'weather_delay_factor': weather_impact_estimate, # Операційні 'shipment_weight_kg': weight, 'vehicle_type': truck_van_bike, 'driver_experience_days': driver_tenure, # Історичні для цього маршруту 'route_historical_eta': past_mean_eta_for_route, 'route_eta_std': past_std_eta_for_route } 

Моделі:

• LightGBM Regressor: основна модель для табличних даних.
• Quantile Regression (p10/p50/p90): для ETA з довірчим інтервалом.
• LSTM: якщо доступна послідовність проміжних GPS-точок.

Порівняння моделей для ETA

Real-time оновлення ETA

Статичний прогноз при відвантаженні — недостатньо. ETA має оновлюватися динамічно: Тригери оновлення:

• GPS трекінг кур'єра кожні 30 секунд.
• Виявлено пробку на маршруті (traffic API polling кожні 5 хв).
• Затримка на попередній точці доставки.
• Погодна подія.

Online learning vs. static model: У production: статична модель перенавчається щоденно на нових даних. Real-time поправки через кінематичну модель руху (швидкість + дистанція → updated ETA) без перезапуску ML-моделі.

def update_eta_realtime(current_position, destination, remaining_stops, base_eta, traffic_api): remaining_distance = calculate_distance(current_position, destination, via=remaining_stops) current_speed = traffic_api.get_current_speed(current_position, destination) historical_speed = get_historical_speed(current_position, destination, datetime.now()) traffic_factor = historical_speed / current_speed remaining_time = (remaining_distance / historical_speed) * traffic_factor * 60 return remaining_time 

Порівняння підходів: Last Mile vs. Long Haul

Сповіщення клієнтів

ETA без інтеграції з комунікаційним шаром марний: Workflow сповіщень:

1. Після відвантаження: "Ваше замовлення в дорозі, очікуваний час: 14:30–15:00".
2. За 60 хвилин до: "Кур'єр прибуде через ~55 хвилин".
3. За 15 хвилин до: "Кур'єр вже близько, прибуде через ~12 хвилин".
4. При затримці > 20% від ETA: автоматичне сповіщення з новим часом та причиною.

Канали: SMS (Twilio/SMS.ru), Push-сповіщення, Email, WhatsApp Business API. Метрики системи:

• ETA Accuracy: % замовлень доставлених у ±15 хв від ETA.
• ETA MAPE: середня помилка прогнозу у відсотках.
• Proactive notification rate: % затримок, про які клієнт повідомлений до настання.
• CSAT correlation: кореляція точності ETA з оцінкою доставки.

Що входить в розробку системи ETA

• Аудит даних: оцінка якості та повноти історичних даних, налаштування пайплайнів.
• Feature engineering: розробка набору ознак під вашу специфіку (тип вантажу, регіон, сезонність).
• Моделювання: LightGBM / LSTM / Quantile Regression, валідація на крос-валідації.
• Real-time оновлення: інтеграція з GPS-трекером та traffic API.
• Сповіщення: налаштування тригерів та каналів (SMS, Push, Email).
• Дашборд метрик: панель для моніторингу точності та проактивності.
• Підтримка: документація, навчання вашої команди, гарантія 3 місяці.

Терміни: базова ETA модель зі статичним прогнозом — 3–4 тижні. Real-time оновлення + клієнтські сповіщення + метрики — 10–12 тижнів.

Замовте розробку системи ETA — ми оцінимо ваш проєкт за 2 дні. Отримайте консультацію нашого AI-інженера. Зв'яжіться з нами, щоб обговорити деталі.