VROOM + Machine Learning
Optimizarea nu mai foloseste doar distante, ci invata din executia reala
Pentru colectare, distributie sau servicii in teren, doua opriri cu aceeasi distanta pot avea timpi complet diferiti. Modulul ML reduce aceasta eroare: ajusteaza durata de servire si explica riscul operational inainte ca ruta sa plece in teren.
Flux recomandat pentru operator
1
Verifica disponibilitatea ML
Daca butonul „Optimizeaza cu ML” este activ, sistemul are istoric suficient. Daca este inactiv, operatorul citeste mesajul de sub buton: de obicei lipsesc opriri reale, acoperire istorica sau calibrare suficienta.
2
Ruleaza Preview ML sau Compara Standard vs ML
Pentru rute importante, preview-ul si comparatia arata ce opriri vor fi influentate si daca ML imbunatateste planul operational inainte de aplicarea in baza de date.
3
Optimizeaza cu ML
Sistemul calculeaza service_time per client, il trimite catre VROOM si genereaza analiza post-optimizare: scor operational, risc intarziere, ETA VROOM vs ETA realist, cauze si recomandari.
4
Revizuieste rezultatul inainte de Apply DB
Daca vezi risc mare, scor slab, multe opriri grele dupa-amiaza sau recomandare de impartire a rutei, faci ajustari inainte de salvarea rezultatului.
Ce inseamna fiecare indicator ML
Scor operationalScor intern 0-100. Cu cat este mai mare, cu atat ruta este mai realista si mai usor de executat in teren.
Risc intarziereProbabilitatea estimata ca ruta sa iasa in intarziere fata de estimarea ideala. Creste daca exista opriri grele, zone lente sau service_time mare.
ETA VROOMTimpul rezultat strict din optimizarea VROOM.
ETA realistEstimarea ajustata operational de ML. Este mai aproape de ce se intampla efectiv pe teren.
CauzeExplica de ce ruta pare riscanta: opriri lente, localitati intarziate, sofer lent pe acest tip de ruta, trafic istoric etc.
RecomandariSugestii concrete: muta anumite opriri mai devreme, schimba vehiculul, imparte ruta sau verifica time windows.