送貨系統加 AI，香港最後一公里配送可以點做得更好？
最後一公里配送（Last-mile delivery）係整條供應鏈裡面成本最高、變數最多、亦最直接影響客戶體驗嘅一段。訂單波動、道路擁塞、停車同上落樓耗時、客戶可聯絡性、站點密度差異、司機工時限制、異常事件處理——每一樣都係日常挑戰。
要令營運具備可擴展性，系統層面通常需要兩個核心能力：TMS 提供一致流程、狀態管理與可追溯性，AI 提供預測、排序與優化建議。更精準嘅定位係：TMS 負責「正確記錄與執行」，AI 負責「更好決策」。本文會逐層拆解兩者嘅技術定位、系統架構，以及香港場景下嘅落地重點。
文章目錄
一、最後一公里：點解咁難做？
「最後一公里」呢個詞聽落好輕鬆，但做過嘅人都知，呢段路係整條供應鏈最燒錢、最多嘢出事嘅一段。由倉庫出發到貨送到客人手，路程可能只係幾公里，但成本可以佔整體物流開支嘅四至六成。
唔係因為路遠，而係因為每一個 stop 都係一個未知數。
朝早 9 點，主管開住電腦，80 張單、3 個插單、1 個司機話唔返、2 個客戶改咗地址，加埋昨日未送完嘅重派。每改一張單都可能影響其他車次，但 30 分鐘後要出車。呢個唔係特別忙嘅日子，係普通星期三。
香港嘅情況仲有幾個特別之處：
- 上落樓比行路更花時間：等貨梯、保安登記、搵單位——一個 stop 可以由 3 分鐘去到 20 分鐘，視乎係商廈定住宅、有冇貨梯、幾樓
- 客人唔係永遠喺度：無人收貨、電話唔接、地址寫得唔清，首派失敗率一高，成本就直接上去
- 商業區同住宅區差好遠：同一條路線，停車難度同服務時間可以差幾倍
- 單量唔穩定：旺季、促銷、天氣，隨時一日多出幾十張單
呢啲挑戰加埋一齊，就係點解最後一公里唔係「出到車就算」，而係需要認真諗系統嘅原因。
二、TMS 係做乜嘅？唔係「自動排車」咁簡單
好多人聽到 TMS（Transportation Management System，運輸管理系統）第一個反應係「即係自動排車囉」。其實唔係，或者講，唔只係。
TMS 最核心嘅功能係把所有營運動作變成有記錄、有時間戳、可以查返嘅資料。排車係其中一個功能，但更重要嘅係：每一張單去到邊、每個司機做咗乜、每個異常點處理、每張 POD 係幾時幾分由邊個簽——全部都有數可查。
喺最後一公里場景，TMS 通常包含以下幾個部分：
| 模組 | 實際做緊乜 |
|---|---|
| 訂單匯入 | 由電商平台、OMS、門市 POS 收單，統一格式 |
| 派單與排線 | 將訂單分配到車次，管理站點順序 |
| 執行追蹤 | 司機 App 回報狀態：出發、到達、完成、失敗 |
| POD 收集 | 簽收相、簽名、時間戳，綁定到每張單 |
| 異常處理 | 記錄失敗原因、重派、改期、轉自提點 |
| 對帳結算 | 運費、補貼、罰則計算（如有承運商） |
| 報表與 KPI | 準時率、完成率、每單成本、重派率等 |
講白啲：TMS 係你嘅「營運真相」。唔係靠人記、靠 WhatsApp 翻查、靠司機口頭講，而係每件事都有記錄，出咗問題可以即刻搵返。
三、咁點解有咗 TMS 仲唔夠？
TMS 解決咗「記錄同執行」嘅問題，但最後一公里嘅難點唔只係記錄，而係每日都要做大量即時決策，而且每個決策都同時受好多因素影響。
舉個例：一個插單進來，你要決定派俾邊個司機。呢個決定涉及：佢而家喺邊、剩餘工時、車上仲有幾多空間、呢個地址佢去過未、呢個時段停車難唔難、加咗呢單會唔會令其他站點遲到。
靠規則可以處理一部分，但規則有兩個死穴：
- 例外愈來愈多，規則就愈補愈複雜，最後冇人搞得清
- 唔同區域、唔同時段、唔同司機，同一條規則效果可以差好遠
所以唔係 TMS 唔好，而係有啲決策問題，規則本身就唔係最好嘅工具。
四、AI 喺最後一公里實際做緊乜？
AI 喺呢個場景主要做兩件事：預測同優化。唔係魔法，係用歷史數據去估算同建議。
預測：提前知道會發生乜
最有用嘅幾個預測任務：
| 預測什麼 | 點解有用 | 香港特別之處 |
|---|---|---|
| ETA（預計到達時間） | 客服可以主動通知客人，唔使靠估 | 香港服務時間變異大，單靠地圖 API 唔夠準 |
| 延誤風險 | 提前識別邊條線可能爆 SLA，主管可以主動介入 | 商業區截單時間緊，早知早處理 |
| 首派成功率 | 知道某地址某時段成功率低，可以提前聯絡客人或調整時段 | 住宅區日間無人機率高，值得建模 |
值得一提嘅係：香港最後一公里嘅 ETA 估算，路程時間其實唔係最難嘅部分。難嘅係每個 stop 要花幾耐——等貨梯、搵位泊車、保安登記，呢啲時間差異好大，亦係 AI 最能幫到手嘅地方。
優化：幫你做更好嘅排線同派單決定
優化唔係追求完美答案，而係喺限制條件下快速搵到「夠好」嘅方案：
| 優化什麼 | 實際效果 |
|---|---|
| 站點排序與路線組合 | 減少無謂兜路，同時考慮時間窗同車輛容量 |
| 派單分配 | 插單進來時，快速判斷派俾邊個司機影響最小 |
| 動態重排 | 司機請假、客戶改約、突發異常，即時重新分配 |
技術上係帶約束嘅組合優化問題，通常配合啟發式搜尋或學習型排序，目標係喺幾秒內出一個可用嘅方案，而唔係花幾分鐘計出理論最優解。
五、TMS 同 AI 點樣配合？
比較穩健嘅做法係把 AI 當成一個獨立嘅「建議服務」，而唔係直接嵌入 TMS 核心。原因好簡單：如果 AI 直接改寫系統狀態，出咗問題你唔知係邊個決定造成，稽核同追責都會好麻煩。
實際運作大概係咁：
- TMS 持續產生事件資料
每個動作都有記錄：訂單建立、路線規劃、司機到達、送達成功或失敗，全部帶時間戳同地點 - 資料管道整理成可用特徵
把原始事件轉化成模型可以用嘅資料，例如某地址嘅歷史服務時間、某司機嘅平均完成率、某時段嘅延誤機率 - AI 服務輸出建議
預測 ETA、標記高風險站點、建議派單方案、建議站點排序 - 建議回到 TMS，由人決定
主管睇到建議，可以接受、可以改、可以唔理。TMS 嘅狀態只有人確認後先會更新
| 層次 | 角色 | 負責乜 |
|---|---|---|
| TMS | 執行層 | 訂單、車次、狀態、POD、異常、對帳 |
| Data Pipeline | 資料層 | 事件收集、特徵整理、歷史資料 |
| AI Service | 建議層 | 預測、優化、建議輸出 |
| 主管 | 決策層 | 審核建議、覆蓋或確認 |
六、想做好 AI，先要做好呢三件事
好多公司急住上 AI，但最後效果唔好，通常唔係模型問題，而係數據問題。以下三點係落地前最值得先搞清楚嘅。
1. 時間戳要準，定義要一致
「到達」係幾時？係司機泊好車、係開 App、定係按咗「到達」按鈕？如果唔同司機有唔同習慣，你嘅服務時間數據就會有系統性偏差，模型學出嚟嘅 ETA 自然唔準。
呢件事唔係技術問題，係流程問題。要先定義清楚，再靠 App 設計去引導司機按正確時間點操作。
2. 異常原因唔好亂填
如果失敗原因全部填「其他」，模型就學唔到任何嘢。建議設定 10 至 20 個固定選項（無人收貨、電話唔接、地址不清、大廈拒收、客戶改期等），讓司機揀，唔好靠自由輸入。
呢啲分類日後可以用嚟預測首派成功率，亦可以幫你識別哪類客戶或地區需要特別處理。
3. 要有指標，先知道有冇改善
上咗 AI 之後，點知係真係好咗定係感覺好咗？要有數字。常用嘅包括：
- 準時率（On-time rate）
- 首派成功率（First-attempt success rate）
- 重派率（Reattempt rate）
- 每單成本（Cost per delivery）
- 每小時站點數（Stops per hour）
- 司機加班率（Driver overtime rate）
有咗呢啲數字，先可以做前後對比，亦可以發現模型係咪開始偏移，需要重新校準。
七、AutoChain 係點做嘅
我哋唔會話「我哋有 AI」然後就算。AI 係一個工程模組，唔係一個賣點。
我哋嘅做法係由數據基礎開始：確保每張單、每個站點、每個異常都有清晰嘅時間戳同原因記錄。呢個唔係為咗 AI，係為咗你自己嘅營運可以有數可查。AI 係之後嘅事。
喺數據穩定之後，我哋會逐步引入預測同優化功能——ETA 估算、延誤風險標記、派單建議、動態重排。每一個功能都係以建議形式呈現，主管可以接受、可以改，唔會強制執行。
舉個例：系統建議將某張單由 A 司機轉派到 B 司機，同時顯示原因——B 司機而家位置近 2.1 公里、工時仲夠、呢個地址佢上次去成功率係 94%。主管睇完，覺得合理就接受，覺得有其他考慮就自己改。唔係 AI 話晒算，係 AI 幫你快啲做決定。
成效方面，我哋以準時率、首派成功率、重派率、每單成本等指標做前後對比，定期檢視模型係咪仲準確，唔準就重新校準。冇辦法量化嘅改善，我哋唔會當係改善。
想了解 AutoChain TMS 嘅具體功能，可以睇 TMS 頁面。如果你仲喺評估要唔要上系統嘅階段，可以先睇下 仲用 Excel 排車？7 個警號。
結語
TMS 係基礎，AI 係建立喺呢個基礎上嘅下一步。兩者唔係競爭關係，亦唔係非要同時上。
最實際嘅路係：先把 TMS 做好，確保數據可信、流程清晰、異常有記錄。到咗某個規模，你自然會發現有啲決策靠規則已經唔夠用，呢個時候引入 AI 才有意義，亦才有足夠嘅數據支撐佢真正發揮作用。
唔使急，但要打好底。
常見問題 FAQ
要做 AI 優化，需要咩數據先夠用？
最基本係每張單、每個站點嘅狀態時間戳（到達、完成、失敗）、地點、同異常原因。呢啲資料唔一致，ETA 估算同成功率預測就唔可靠。唔需要一開始就完美，但要有意識地去收集同統一定義。
AI 模型會唔會愈用愈偏？
會，如果唔監控嘅話。最後一公里嘅情況會隨季節、區域、客群變化，模型需要定期重新校準。通常係每週或每月睇一次指標，發現準時率或成功率開始跌，就要檢查係咪模型偏移，定係有其他原因。
前線主管會唔會唔信 AI 建議？
呢個係真實問題。解決方法係唔好把 AI 做成黑盒——每個建議都要附上理由，讓主管知道系統點諗。同時保留覆蓋權，唔強制執行。信任係慢慢建立嘅，唔係靠強推。
TMS 同 AI 要同時上嗎？
唔需要。建議先把 TMS 做穩，確保數據可信，再逐步加 AI 功能。急住上 AI 但數據唔乾淨，效果通常令人失望，反而影響團隊對系統嘅信心。
香港最後一公里有咩特別難搞？
主要係服務時間難估。香港樓密、貨梯少、保安程序多，同一條路線嘅兩個 stop，服務時間可以差幾倍。呢個係純靠地圖 API 估唔到嘅，需要用歷史數據建模，亦係 AI 在香港場景最有價值嘅地方之一。