Cognitive Automation
untuk Bill of Lading
Mengurangi biaya operasional dan kesalahan secara bersamaan.
Deskripsi Masalah
Ada berbagai proses yang memakan waktu di Departemen Operasi perusahaan Klien. Sebagian besar proses berbasis aturan, sementara beberapa memerlukan pembelajaran mesin (aspek kecerdasan buatan).
- Pemesanan kontainer saat pelanggan akhir klien memesan. Proses ini mengharuskan staf dari Perusahaan Klien untuk masuk ke portal web pemerintah untuk melakukan pemesanan dan deklarasi.
- Laporan pesanan pemesanan / kargo masuk dengan informasi rinci tentang kontainer. Proses ini mengharuskan staf dari Perusahaan Klien untuk masuk ke portal web pemerintah untuk mendapatkan data tentang kargo.
Informasi harus diformat dengan cara tertentu. - Mentransfer informasi dari Bills of Lading (Excel) ke dalam format yang diinginkan dan menyiapkan Manifest, yang merupakan kombinasi dari berbagai Bills of Lading. Mengekstrak informasi dari Bills of Lading (pindaian dan PDF).
Tentang Klien:
Kliennya adalah perusahaan pelayaran/logistik regional yang bergerak di bidang bisnis seperti bongkar muat, pengoperasian kapal (kapal kontainer, kapal curah, kapal pantai), pergerakan kargo, dan pemeliharaan dermaga.
Industri:
Logistik
Proses:
Bill of Lading
Bagaimana Gleematic Membantu
Gleematic mampu menyelesaikan seluruh proses pengisian formulir ke dua portal web pemerintah.
Gleematic diaktifkan pada saat keberangkatan/kedatangan kapal untuk mendapatkan informasi dari dua portal pemerintah. Informasi dari portal web diambil dengan cepat dengan mengklik berbagai tab dan menyimpannya di memori sementara. Informasi tersebut kemudian ditempatkan ke dalam file Excel dan diformat dengan cara tertentu untuk dikirim ke pelanggan akhir.
Gleematic dapat mentransfer data dari satu file Excel ke file lain dengan format berbeda dengan akurasi hampir sempurna untuk membuat Manifest. Data dalam Manifest diformat oleh Gleematic sehingga informasinya masuk ke dalam satu halaman.
Gleematic dilatih dengan sekitar 90 salinan Bills of Lading (BL) yang berbeda dari format tertentu dengan menandai berbagai bidang data. Tujuannya adalah untuk membangun "model" untuk membaca format BL ini. Logika dan pengkodean dimasukkan untuk memecah string teks ke dalam kategori yang berbeda. “Model” tersebut kemudian diuji pada 10 salinan baru BL format “Harbor Link Lines” dan mencapai akurasi sekitar 85%.
Hasil
Tingkat Robotisasi: 90% tugas diotomasi
ROI: 5 bulan
Tingkat Kesalahan Manusia Berkurang
Pengurangan Upaya Manual hingga 85%
Waktu Pemrosesan Lebih Cepat: Pengurangan 65%
Lebih terstandarisasi
Peningkatan Kualitas Tinggi ke Tingkat Kesalahan 0%
Kurangi Risiko Keuangan
Tidak Ada Lagi Administrasi yang Berulang