இ-காமர்ஸ் நிறுவனங்களின் சிக்கல்களுக்கு தீர்வு காணும் ஏஐ கில்லாடி

இந்தியாவில் e-commerce துறையில் பல புதிய ஸ்டார்ட்அப் நிறுவனங்கள் அதிவேகமாக வளர்ந்து வருகின்றன. இந்த நிறுவனங்கள் தங்கள் தயாரிப்புகளை இணையத்தில் விற்பனை செய்து, டெலிவரி செய்வதற்காக ஷிப்ராக்கெட் (Shiprocket), யூனிகாமர்ஸ் (Unicommerce) போன்ற தளவாட (logistics) நிறுவனங்களைச் சார்ந்திருக்கின்றன.

ஆனால், இந்த ஆர்டர் டெலிவரியில் இவை அனைத்தும் ஒரு மிகப்பெரிய சவாலை எதிர்கொள்கின்றன. வாடிக்கையாளர்கள் ஆர்டர்களை வாங்க மறுப்பது, டெலிவரி செய்ய வரும் நேரத்தில் வீட்டில் இல்லாமலிருப்பது, முகவரி தவறாக இருப்பது அல்லது கேஷ் ஆன் டெலிவரி (COD) ஆர்டர்களுக்கு பணம் செலுத்த முடியாமல் போவது போன்றவை இதில் அடங்கும்.

இது Non-Delivery Report (NDR) என்ற நிலைக்கு வழிவகுக்கிறது. சில சந்தர்ப்பங்களில், கடைசி மைல் டெலிவரி செய்பவர் பலமுறை முயற்சி செய்ய வேண்டியிருக்கிறது. வேறு சில சந்தர்ப்பங்களில், தயாரிப்பை அனுப்பிய இடத்திற்கே திருப்பி அனுப்ப வேண்டியுள்ளது. இதையே Return To Origin (RTO) என்கிறோம். இதன் காரணமாக logistics நிறுவனங்களுக்கு கூடுதல் செலவும் உழைப்பும் ஏற்படுவதோடு, ஸ்டார்ட்அப் நிறுவனங்களுக்கு வருவாய் இழப்பும், சரக்குகள் தேக்கமடையும் (inventory stagnation) சூழலும் உருவாகிறது.

இன்றைய பிசினஸ் ஸ்டாண்டர்ட் (Business Standard) கட்டுரையானது, இந்த NDR/RTO சிக்கலைக் குறைக்க logistics நிறுவனங்கள் எவ்வாறு செயற்கை நுண்ணறிவை (AI) பயன்படுத்துகின்றன என்பதைப் பற்றிப் பேசுகிறது.

இங்கு AI என்றால் Generative AI அல்ல

பொதுவாக "AI" என்றவுடன் பலரும் சாட்ஜிபிடி (ChatGPT) போன்ற Generative AI (LLMs) தொழில்நுட்பத்தையே நினைக்கிறார்கள். ஆனால், ஷிப்ராக்கெட் போன்ற தளவாட தளங்கள் RTO மற்றும் NDR சிக்கல்களைக் குறைக்கப் பயன்படுத்துவது ஜெனரேடிவ் AI அல்ல; மாறாக, அவை பாரம்பரிய மெஷின் லேர்னிங் (Predictive & Classification ML Algorithms) மற்றும் விதி சார்ந்த (rule-based/symbolic) AI அமைப்புகளையே முதன்மையாகப் பயன்படுத்துகின்றன.

டெலிவரி சொதப்பும் என்று முன்கூட்டியே கணிப்பது, முகவரிகளைப் பகுப்பாய்வு செய்வது மற்றும் விநியோக வழித்தடங்களை உகந்ததாக்குவது போன்ற பணிகளை XGBoost, Random Forest மற்றும் Deep Neural Networks போன்ற ML அல்காரிதம்களே மில்லி விநாடிகளில் துல்லியமாகச் செய்கின்றன.

இந்த AI அம்சங்கள் அவற்றின் (தாக்கத்தின் அடிப்படையில் - அதிகம் முதல் குறைவு வரை) கீழே விரிவாகக் கொடுக்கப்பட்டுள்ளன:

1. Dispatch-க்கு முந்தைய RTO மற்றும் மோசடி அபாயத்தைக் கணித்தல் (Pre-Dispatch Predictive RTO & Fraud Risk Scoring)

• செயல்பாடு (Mechanics): ஒரு வாடிக்கையாளர் ஆர்டர் செய்யும் போதே, அவரின் கடந்த கால வாங்கும் பழக்கம், கட்டண முறை, அவர் இருக்கும் பகுதியின் RTO வரலாறு ஆகியவற்றைக் கொண்டு அந்த ஆர்டருக்கான RTO அபாய அளவை (Risk Score - எ.கா: Low, Medium, High) AI கணிக்கிறது.

• தொழில்நுட்பச் செயலாக்கம் (Technical Implementation): லட்சக்கணக்கான முந்தைய வர்த்தகத் தரவுகளைக் கொண்டு பயிற்சி அளிக்கப்பட்ட Supervised Classification Models (XGBoost / Random Forest) மூலம் இது இயங்குகிறது. தொலைபேசி எண் சரிபார்ப்பு, COD ஆர்டர் வரலாறு, பின்கோடு RTO அடர்த்தி போன்றவை இதில் ஆய்வு செய்யப்படுகின்றன. அபாயம் அதிகமாக இருந்தால், OTP சரிபார்ப்பு அல்லது முன்பணம் கேட்கப்படும்.

• தாக்கம் (Strategic RTO Impact): மிக அதிகம் (High). தவறான எண்ணம் கொண்ட அல்லது போலி ஆர்டர்களை அனுப்பும் முன்பே தடுப்பதால், பொருட்கள் வீணாக அலைக்கழிக்கப்படுவதும், சரக்கு கட்டண இழப்பும் முற்றிலும் தவிர்க்கப்படுகின்றன.

• நடைமுறை உதாரணம் (Example): ஒரு வாடிக்கையாளர் ₹3,000 மதிப்பிலான காலணிகளை COD முறையில் ஆர்டர் செய்கிறார். AI கணினி அந்த தொலைபேசி எண்ணை ஆய்வு செய்து, அதற்கு முன் 80% RTO வரலாறு இருப்பதைக் கண்டறிகிறது. உடனடியாக கணினி அந்த ஆர்டரை நிறுத்திவிட்டு, வாடிக்கையாளரின் வாட்ஸ்அப் எண்ணிற்கு ₹50 முன்பணம் செலுத்துமாறு தானியங்கி செய்தி அனுப்புகிறது. அவர் செலுத்தவில்லை எனில், ஆர்டர் ரத்து செய்யப்பட்டு logistics செலவு மிச்சமாகிறது.

2. Natural Language Processing (NLP) அடிப்படையிலான முகவரி திருத்தம் மற்றும் தரப்படுத்துதல் (NLP-Based Dynamic Address Cleaning & Standardisation)

• செயல்பாடு: வாடிக்கையாளர்கள் அரைகுறையாக அல்லது தவறாகப் பதிவு செய்யும் இந்திய முகவரிகளைப் பகுப்பாய்வு செய்து, அவற்றைச் சரியான புவிசார் ஆயங்களாகவும் (geo-coordinates) டெலிவரி செய்யக்கூடிய முகவரிகளாகவும் மாற்றுகிறது.

• தொழில்நுட்பச் செயலாக்கம்: NLP மற்றும் Named Entity Recognition (NER) தொழில்நுட்பங்களைப் பயன்படுத்தி, முகவரியில் உள்ள கதவு எண், தெரு, லேண்ட்மார்க் போன்றவற்றைத் தனித்தனியாகப் பிரித்து, தவறான அல்லது விடுபட்ட பின்கோடுகளைக் கண்டறிந்து சரிசெய்கிறது.

• தாக்கம்: அதிகம். முதன்முறை டெலிவரி தோல்விக்குக் காரணமான "முகவரி கண்டுபிடிக்க முடியவில்லை" (Address Not Found) என்ற சிக்கலை இது நேரடியாகத் தீர்க்கிறது.

• நடைமுறை உதாரணம்: "பழைய பிள்ளையார் கோவில் பின்புறம், ஷர்மா ஸ்டோர் அருகில், வார்டு 4, ஜெய்ப்பூர்" என முழுமையற்ற முகவரி வந்தால், NLP மாடல் அதை ஆய்வு செய்து, விடுபட்ட 6-இலக்க பின்கோட்டைச் சேர்த்து, சரியான அட்சரேகை/தீர்க்கரேகையைக் (Latitude/Longitude) கண்டறிந்து டெலிவரி செய்பவரின் செயலியில் துல்லியமாகக் காட்டுகிறது.

3. தானியங்கி உரையாடல் NDR & தீர்வு அமைப்புகள் (Automated Conversational NDR & Escalation Engines)

• செயல்பாடு: டெலிவரி செய்பவர் ஒரு ஆர்டரை "வாடிக்கையாளர் இல்லை" அல்லது "வாங்க மறுத்துவிட்டார்" எனப் பதிவிட்ட அடுத்த கணமே, வாடிக்கையாளரைத் தொடர்புகொண்டு உண்மையைக் கண்டறியும் தானியங்கி அமைப்பு.

• தொழில்நுட்பச் செயலாக்கம்: Conversational AI, IVR மற்றும் WhatsApp Business API மூலம் இது செயல்படுகிறது. Logistics நிறுவனத்தின் API உடன் இணைந்து, டெலிவரி தோல்வி அடைந்த சில விநாடிகளில் வாடிக்கையாளருக்கு தானியங்கி அழைப்பு அல்லது செய்தி அனுப்பப்படும்.

• தாக்கம்: அதிகம் முதல் நடுத்தரம். டெலிவரி நபர்கள் பொய் சொல்வதைத் தடுத்து (Fake Delivery Attempts), வாடிக்கையாளர் விரும்பும் மாற்று நேரத்தைக் கண்டறிந்து RTO ஆவதைத் தடுக்கிறது.

• நடைமுறை உதாரணம்: டெலிவரி நபர் "வாடிக்கையாளர் வாங்க மறுத்துவிட்டார்" எனப் பதிவிடுகிறார். அடுத்த 60 விநாடிகளில், தானியங்கி குரல் பாட் (Voice Bot) வாடிக்கையாளரை அழைத்து, "இன்று உங்களைத் தொடர்புகொள்ள முயற்சித்தார்களா?" எனக் கேட்கிறது. வாடிக்கையாளர் "இல்லை" எனக் கூறினால், அந்தப் புகார் மேலதிகாரிகளுக்குச் சென்று, மறுநாளுக்கு டெலிவரி மீண்டும் மாற்றியமைக்கப்படுகிறது.

4. ஸ்மார்ட் கூரியர் தேர்வு மற்றும் வழித்தட ஒதுக்கீடு (Smart Courier Routing & Allocation Engines)

• செயல்பாடு: ஒவ்வொரு குறிப்பிட்ட ஆர்டருக்கும் எந்தக் கூரியர் நிறுவனம் (Delhivery, Shadowfax, Xpressbees போன்றவை) மிகச் சரியாக டெலிவரி செய்யும் என்பதைக் குறைந்த விலையை மட்டும் பார்க்காமல், அவர்களின் வரலாற்றுத் திறனை வைத்து AI தீர்மானிக்கிறது.

• தொழில்நுட்பச் செயலாக்கம்: Multi-Criteria Decision-Making (MCDM) அல்காரிதம்கள் மூலம் இயங்குகிறது. குறிப்பிட்ட பின்கோட்களில் ஒவ்வொரு கூரியர் நிறுவனத்தின் முதன்முறை டெலிவரி வெற்றி விகிதம் (FADR) மற்றும் RTO சதவீதத்தைக் கணக்கிட்டு ஆர்டர்களைப் பிரித்தளிக்கிறது.

• தாக்கம்: நடுத்தரம். குறிப்பிட்ட இடங்களில் கூரியர் நிறுவனங்களுக்கு ஏற்படும் தாமதம் மற்றும் சேவைப் பாதிப்புகளிலிருந்து வணிகங்களைப் பாதுகாக்கிறது.

• நடைமுறை உதாரணம்: அசாமிள் உள்ள ஒரு கிராமத்திற்குப் பார்சல் அனுப்ப வேண்டும். Courier A குறைவான கட்டணம் கேட்டாலும், AI கணினி Courier B தான் அந்தச் குறிப்பிட்ட பின்கோட்டில் 94% வெற்றி விகிதம் வைத்துள்ளது (Courier A-வின் வெற்றி விகிதம் 62% மட்டுமே) என்பதைக் கண்டறிந்து, பார்சலை Courier B-க்கு ஒதுக்குகிறது.

5. துல்லியமான வருகை நேரம் மற்றும் விருப்ப நேர ஒதுக்கீடு (Dynamic ETA & Preferred Delivery Slotting)

• செயல்பாடு: வாடிக்கையாளர் எந்த நேரத்தில் வீட்டில் அல்லது அலுவலகத்தில் இருப்பார் என்பதைக் கணித்து, அதற்கு ஏற்றவாறு டெலிவரி நேரத்தைத் திட்டமிடுகிறது.

• தொழில்நுட்பச்செயலாக்கம்: Predictive Time-Series Models மூலம் வாடிக்கையாளரின் முந்தைய வாங்கும் பழக்கம், போக்குவரத்து நெரிசல் மற்றும் முகவரி வகை (அலுவலகமா அல்லது வீடா) போன்ற தரவுகள் ஆய்வு செய்யப்படுகின்றன.

• தாக்கம்: குறைவு முதல் நடுத்தரம். "வாடிக்கையாளர் இல்லை" என்ற காரணத்தால் ஆர்டர் ரத்தாவதைக் குறைக்கிறது.

• நடைமுறை உதாரணம்: அலுவலக முகவரிக்கு வார இறுதியில் டெலிவரி செய்யும்போது தோல்வியடையும் என்பதை AI கணித்து, சனிக்கிழமையன்று பார்சலை நிறுத்திக் கிளஸ்டர் மையத்திலேயே வைத்துவிட்டு, திங்கள்கிழமை காலையில் டெலிவரி செய்யுமாறு திட்டமிடுகிறது.

சுருக்கம்

ஆர் கே நாராயணன் ஒரு பிரபல எழுத்தாளர். இப்போது இல்லை. ஊரில் உள்ள அனைவரையும் தெரிந்து வைத்திருக்கும் தபால்காரர் பற்றி ஒரு கதை எழுதி இருப்பார். இன்று பெரிய நகரங்களில் மக்கள் நெருக்கம் அதிகரித்து விட்டதால் அப்படி ஒரு தபால்காரர் சாத்தியமில்லை. மேலும் நாடு வளர வளர பித்தலாட்டக் காரர்கள் எண்ணிக்கையும் அதிகரித்துக் கொண்டே போகிறது. இதற்கு இடையே புதிய ஸ்டார்ட்அப் நிறுவனங்கள் தங்கள் தயாரிப்புகளை மேலதிக மக்களிடம் ஏமாறாமல் / ஏமாற்றாமல் கொண்டு சேர்த்து கல்லா கட்ட வேண்டிய அவசியமும் ஏற்பட்டுள்ளது.

இந்திய இ-காமர்ஸ் துறையில் RTO மற்றும் NDR சிக்கல்கள் ஸ்டார்ட்அப்களுக்கு மிகப்பெரிய நிதிச் சுமையாக இருந்து வருகின்றன. ஸ்டார்ட்அப்களுக்கு டெலிவரி செய்ய உதவும் நிறுவனங்கள் ஏஐ (AI/ML) உதவியுடன் தங்களை காத்துக் கொள்வதோடு ஸ்டார்ட்அப் நிறுவனங்களையும் காப்பாற்றுகின்றன. 

பெருமளவிலான தரவுகளைக் கொண்டு இயங்கும் இந்த மெஷின் லேர்னிங் (ML) மற்றும் AI தொழில் நுட்பங்கள், தவறான ஆர்டர்களைத் தொடக்கத்திலேயே தடுப்பதன் மூலமும், முகவரிகளைத் துல்லியமாக்குவதன் மூலமும் இந்திய logistics துறையின் லாபகரமான இயக்கத்திற்கு மிக முக்கியத் தூணாக உருவெடுத்துள்ளன.