Компания Bringg запустила функцию «Прогноз времени на объекте» (Predictive Time on Site, PToS) — решение на базе ИИ, которое заменяет статические оценки времени обслуживания прогнозами для каждой точки, основанными на операционных данных конкретного продавца. Это позволяет создавать более точные графики остановок и высвобождать резервы автопарка, скрытые в завышенных временных интервалах. Bringg также представила интерактивный калькулятор ценности пропускной способности маршрута.
Проблема, которую решает PToS
Большинство крупных служб доставки используют среднее «время на остановку» для составления плана маршрута. Водители проводят 62% времени маршрута вне автомобиля, что делает время обслуживания самым важным параметром планирования [Calderón et al., Transportation Research Part A, 2026]. Диспетчеры добавляют в графики «буферы безопасности», которые блокируют резервы автопарка и ограничивают доступные интервалы доставки при оформлении заказа. Эта неэффективность влияет как на затраты, так и на выручку, учитывая, что расходы на оплату труда составляют 50–60% затрат на доставку «последней мили», а 55% потребителей отказываются от услуг компании после негативного опыта доставки [Bringg, 2025].
«PToS дает ритейлерам две вещи в рамках одной операции: точность маршрута, которая контролирует расходы, и пропускную способность автопарка, которая увеличивает выручку, — заявил Гай Блох, генеральный директор Bringg. — Это и есть главная ценность ИИ на последней миле, и она начинается с правильных исходных данных».
Что дает PToS
PToS обучает специализированную модель для каждого продавца, используя его исторические данные о заказах. Модель учитывает переменные, влияющие на продолжительность остановки: вес и комбинации SKU, ограничения доступа к зданиям, тип установки, состав бригады и сложность обслуживания. Каждая модель автоматически переобучается при изменении сезонных паттернов или рабочих процессов.
В ходе проверки концепции PToS была протестирована на данных о доставке крупного продуктового ритейлера за шесть месяцев. Модель сократила среднюю ошибку оценки времени обслуживания на 54% (примерно с пяти минут до двух) и повысила точность прогнозирования на 39%. Модель пропускной способности Bringg показывает, что компания могла бы обслуживать тот же ежедневный объем заказов, используя на 17% меньше маршрутов, высвобождая около 25 минут на каждом маршруте, экономя около 60 смен водителей в день, увеличивая количество доставок в час на 18% и экономя более 500 000 долларов США в год на оплате труда (Bringg POC, 2026).
«Статические средние показатели времени обслуживания скрывают резервы мощности и генерируют расходы, которые операционные команды не могут отследить или устранить, — сказал Ишай Шверд, директор по продуктам и технологиям (CPTO) в Bringg. — PToS решает эту проблему в самом источнике: специализированная модель для каждого продавца, обученная на его собственных данных, которая со временем становится только точнее».
Функция «Прогноз времени на объекте» дополняет более широкие модули планирования маршрутов и исполнения в реальном времени от Bringg и уже доступна 800 клиентам компании в 70 странах мира.
