01 / COVER
AI-Based Fleet Management System
Tender introduction untuk vendor partner: company profile singkat, project context, working scope, dan contoh visual capability yang diharapkan.
Tender Introduction
Mission Statement
INA AI lahir dari keyakinan bahwa world-class intelligence bisa tumbuh dari Indonesia, dengan mengembangkan talenta lokal menjadi pembangun teknologi AI yang berdaulat dan relevan untuk kebutuhan nyata.
Melalui "Brain Factory", kami mengembangkan talenta di bidang science dan innovation, sambil mengalokasikan hingga 20% profit untuk education, research, dan community development.
Tender Introduction
03 / SOVEREIGN AI
Sovereign AI
AI yang menjaga kendali penuh atas data, sistem, dan operasi, sehingga intelligence yang dibangun tetap secure, compliant, dan dikelola sesuai kebutuhan organisasi.
Prinsip Utama
Sovereign AI
Sovereign Control & Security
Organisasi tetap memegang kendali atas data, model, dan infrastructure, tanpa bergantung pada satu vendor atau vendor lock-in.
Compliance & Customization
Solusi dapat disesuaikan dengan regulasi, workflow, dan kebutuhan spesifik organisasi atau sektor industri.
Localized Intelligence & Performance
AI dioptimalkan untuk bahasa, konteks lokal, karakter industri, dan proses kerja agar hasilnya lebih relevan.
Tender Introduction
04 / KAPABILITAS
AI Solutions INaAI Builds
INaAI membantu dari problem mapping sampai implementation: mengolah data yang belum rapi, membuat insight, membantu prediksi, dan mengotomasi proses kerja harian.
Core AI Capabilities
01 / 05
Multimodal and unstructured data processing
AI bisa membaca text, image, video, audio, documents, dan sensor data.
Example AI Solution Areas
- AI Based - Fleet Management SystemProject untuk membantu rencana distribusi harian, pemilihan truk, dan insight operasional.
- AI-Based Sales Increase through Stock OptimizationProject AI untuk meningkatkan potensi sales melalui demand forecasting, deteksi stockout/overstock, dan rekomendasi rebalancing stok harian.
- AI-Driven Sales Territory IntelligenceProject untuk memetakan coverage distribusi, market gap, dan AI potential score per area/outlet sebagai dasar prioritas ekspansi.
Tender Introduction
05 / SCOPE
Project Working Scope
Bagian berikut memberikan gambaran scope yang akan dikerjakan, outcome yang diharapkan, dan contoh visual agar proposal vendor dapat langsung menjawab kebutuhan project.
Tender Introduction
06 / RANGKUMAN
Project Working Scope
Berikut adalah scope pekerjaan yang perlu dikerjakan vendor sebagai satu kesatuan sistem AI distribution planning.
- AI Distribution Planning OptimizationMenyusun rencana pengiriman dengan mempertimbangkan Sales Order, tipe produk, fleet, driver, route, schedule, customer, dan berbagai business & operational rules.
- Machine Learning-Based RTT PredictionMengembangkan model atau service untuk prediksi RTT/ETA berbasis historical trip data, termasuk evaluasi akurasi dari waktu ke waktu.
- Operational Planning DashboardMenampilkan rencana harian, status order, resource operasional, indikator utama, filter, drill-down, report/export sederhana, dan cost/SO prioritization.
- Backend & Database FoundationMembangun backend dan database untuk order, rules, planning output, integration flow, data retrieval, testing, deployment support, dan stabilization.
Tender Introduction
07 / CONTOH
Truck Schedule Optimization Example
Contoh visual untuk menunjukkan bagaimana sistem menyusun ulang jadwal truck agar lebih optimal dengan mempertimbangkan order, availability, maintenance, dan operational rules.
ID Vehicle
01 Oct02 Oct03 Oct04 Oct
05 Oct06 Oct07 Oct08 Oct
VH-001
Route A
VH-002
Route D
VH-003
Route B
VH-004
Route F
VH-005
Route C
VH-006
Route ERoute G
Example input uses 6 vehicles with scattered schedules.
Tender Introduction
08 / DRIVER
Driver Assignment Optimization
Contoh awal menampilkan driver sebagai resource pool di luar Gantt. Gantt memperlihatkan beberapa vehicle route windows; setelah optimize, sistem memilih driver yang paling sesuai untuk VH-001.
Driver Pool
DV-01Available for assignment
DV-02Available for assignment
Vehicle
D1 06:0007:0008:0009:0010:0011:00
12:0013:0014:0015:0016:0017:00
18:0019:0020:0021:0022:0023:00
D2 00:0001:0002:0003:0004:0005:00
VH-001
Long Route Window
VH-002
Route B
VH-003
Route C
Initial view keeps driver outside the Gantt; no driver is paired to any vehicle yet.
Tender Introduction
09 / CONTOH RTT
Machine Learning-Based RTT Prediction
Model machine learning memperkirakan RTT dan ETA dari data historis perjalanan. Hasil prediksi masuk ke planning process, lalu akurasinya dievaluasi dari waktu ke waktu.
| Context | RTT Prediction | Prediction Evaluation | Planning Decision | ||||
|---|---|---|---|---|---|---|---|
| Route / Driver | Historical Trip Data | Planned RTT | ML Predicted RTT | Actual RTT | Planning Gap | Execution Gap | Decision |
| Route ADriver 03 / Urban delivery | 42 tripsStable pattern | 8.0h | 9.1h | 9.4h | +14% | +3% | Adjust planned RTTPlanned time too optimistic; actual close to ML prediction. |
| Route BDriver 07 / Outer city | 31 tripsComparable history | 7.5h | 7.8h | 9.7h | +4% | +24% | Review execution patternActual trip far above ML prediction; review driver/route execution. |
| Route CDriver 02 / Regular loop | 55 tripsConsistent execution | 10.0h | 8.8h | 8.6h | -12% | -2% | Reduce planning bufferPlanned time too long; fleet capacity can be recovered. |
| Route DDriver 05 / Dense traffic | 38 tripsCongestion pattern | 6.5h | 7.4h | 7.6h | +14% | +3% | Update prediction factorRecurring congestion reflected in ML prediction. |
Planning Gap = ML Predicted RTT vs Planned RTT, untuk melihat apakah plan terlalu pendek atau terlalu longgar.
Execution Gap = Actual RTT vs ML Predicted RTT, untuk melihat deviasi eksekusi dari estimasi realistis.
Tender Introduction
10 / PROPOSAL
Proposal Submission
Vendor diminta mengirim proposal komersial biaya pengerjaan berdasarkan scope yang dijelaskan dalam tender ini.
Output yang Diharapkan
Proposal harus membantu INaAI memahami approach, estimasi biaya, kesiapan team, serta asumsi utama sebelum proses evaluasi.
Format dapat berupa PDF atau format lain yang umum digunakan untuk commercial proposal. Jika ada pertanyaan yang memengaruhi estimasi, cantumkan langsung di proposal.
Pemahaman Scope
Ringkasan cara vendor memahami objective, batasan pekerjaan, dan outcome project.
Estimasi Biaya
Biaya keseluruhan scope, termasuk rincian per modul apabila diperlukan.
Team Composition
Komposisi tim, role utama, dan keterlibatan setiap role dalam delivery.
Asumsi & Dependency
Asumsi utama, dependency, risiko, dan hal yang perlu diklarifikasi.
Payment Milestone
Ketentuan pembayaran atau milestone pembayaran yang diusulkan.
Validity Period
Masa berlaku proposal komersial dan batas waktu konfirmasi harga.
Tender Introduction
11 / TIMELINE
Tender Process Timeline
Flow sederhana untuk menyamakan ekspektasi vendor terkait RFP, proposal, POC, dan keputusan seleksi.