Как усложнилась отрасль
Глобализация торговли в XXI веке вышла на совершенно новый уровень – и логистические процессы значительно усложнились. Огромное количество поставщиков, дистрибуторов и партнеров, длинные цепочки междугородних и международных поставок, разветвленная сеть производственных площадок и складов, доставка товаров потребителю, который может жить за тысячу километров.
Логистика охватывает и множество других бизнес-процессов: добыча сырья, производство и сборка, торговля, транспортировка и оформление товаров на таможне. Управление этой сложной паутиной необходимо тщательно координировать, и задача эта не из легких: логистические эксперты должны учитывать, в частности, различные правила, инфраструктуру и деловую культуру регионов, рассчитывать расстояние и время доставки грузов, иметь представление о запасах, которые есть на складах, о спросе на товар, контролировать водителей и другой персонал и т. д.
По мере усложнения бизнеса менеджмент также выходит на новый уровень: для успешного существования на рынке необходимо грамотно управлять всеми процессами, учитывать множество ограничений, факторов и неизвестных переменных, которые могут повлиять, к примеру, на время доставки товара. Неудивительно, что на помощь человеку здесь приходят технологии.
Так, по информации аналитиков Deloitte, до 60 % мировых компаний-лидеров логистической отрасли планируют масштабные инвестиции в разработку аналитических моделей в ближайшие 5 лет.
Зачем логистам большие данные
ИИ в логистике помогает автоматизировать большинство процессов, оптимизировать их и сделать более прозрачными, сокращая временные и финансовые затраты, долю ручного труда и человеческих ошибок.
Так, технологии работы с большими данными способны закрыть сразу несколько направлений:
- маршрутизация. Перевозки можно планировать в режиме реального времени, ориентируясь на погодные и дорожные условия, доступные окна доставки и другие переменные;
- управление рисками. На каждом этапе можно спрогнозировать возможные задержки/сбои, проанализировав информацию о тех или иных процессах в ретроспективе;
- стратегическое планирование логистической сети. Умение оперировать большими данными позволяет принимать не только «быстрые» решения или те, что рассчитаны на ближайшую перспективу, но и выстраивать долгосрочную стратегию по развитию – например, если предстоит расширение сети поставок или работа с новыми партнерами;
- краудсорсинг. Технологии работы с Big Data также могут удешевить процесс доставки товаров с помощью попутных ресурсов, которые ищутся куда быстрее;
- прогнозирование спроса и распределения продукции. Управлять запасами на складах также становится проще;
- операционное планирование с оптимизацией ресурсов и сотрудников. Технологии позволяют держать под контролем персонал, оценивать эффективность его работы и правильно распределять кадровый ресурс.
Также инструменты работы с Big Data помогают получить новые знания. К примеру, понять, какие транспортные маршруты самые непредсказуемые, в каких регионах погода влияет на поставки сильнее всего, а какие виды транспорта характеризуются наибольшими выбросами. Каких перевозчиков можно считать более надежными? На каком уровне должны быть запасы, чтобы не столкнуться с дефицитом и где именно происходят потери на складе?
Алгоритмы Big Data предоставляют компании аналитическую информацию в режиме, близком к реальному времени – реагировать на возникающие проблемы можно мгновенно. Если говорить об интерфейсе, зачастую речь идет о наглядном дашборде с карточками, на которых супервайзер видит процент принятых заказов, рейтинг своевременной доставки, исполнение задач, рейтинг эффективности автопарка, отчеты по водителям и курьерам и т. д. Графики строятся автоматически и помогают, например, принимать кадровые решения, оценивать зарплатный потенциал сотрудника и многое другое.
Откуда брать данные
Источников данных в отрасли великое множество: датчики и GPS-трекеры позволяют получать в режиме реального времени информацию о местонахождении водителя, температуре воздуха и влажности снаружи, скорости движения, маршруте и состоянии двигателя.
Получить представление о товарно-материальных запасах помогают штрихкоды, RFID-метки и умные контейнеры, а информация о всех транзакциях, которые произошли на протяжении всей цепочки поставки, к примеру, поступает с систем точек продаж. Анализируя данные из соцсетей и отзывы в интернете, можно предсказывать, как меняется спрос на тот или иной товар. Учитывая цены на аналогичную продукцию конкурентов – понять, как быть с ценообразованием.
Если подключить геоаналитику
Инструменты Big Data работают эффективнее в тандеме с геоаналитикой. К примеру, подключив инструменты на основе векторных карт, можно получать визуальные данные об объектах, создавать 3D-карты, раскрашивая определенную территорию с магазинами, складами, автомобилями, которая нас интересует.
Этот инструмент помогает, в частности, когда требуется оценить число перспективных торговых точек в городе, проходимость той или иной локации, покупательскую способность жителей того или иного района. Визуальное представление информации также помогает сопоставить плотность заказов в различных районах города, направление движения транспорта, трафик на дорогах и т. д. В совокупности все это помогает логистической компании или службе доставки понять, как эффективнее выстроить маршрут.
Подробнее о транспорте
Работу водителей инструменты Big Data, как мы уже упоминали, позволяют выстраивать эффективнее.
-
при грузоперевозках
. Если предварительно провести анализ пробок на дорогах, времени, которое требуется на погрузку сотрудникам склада, состояние автомобиля и расположение автозаправок, можно получить точную информацию о том, как быстро машина доедет из точки А в точку Б.
Кейс 1. Транспортная компания ПЭК запустила собственный аналитический центр управления перевозками, который с помощью Big Data контролирует загрузку складов в 189 пунктах по всей России и составляет прогнозы на ближайший месяц.
-
при доставке на «последней миле»
. Здесь у курьеров часто возникают проблемы, так как необходимо быстро разобраться, в какой двор и как лучше въехать, где припарковаться и как развернуться. Если предварительно проанализировать особенности дворов и подъездов, маршрут на этом этапе можно выстроить с минимальными временными потерями.
Кейс 2. Группа компаний «Деловые линии» после внедрения технологий Big Data оптимизировала затраты на топливо и начала выдавать рекомендации водителям по безопасному и экономичному движению – на основе данных с транспортных средств и GPS-трекеров, которые позволяли оценить манеру вождения водителя.
-
при мониторинге амортизации техники
. Системы на базе технологий Big Data позволяют компаниям получить полное представление об износе автомобиля.
Кейс 3. Один из крупнейших мировых производителей строительной и горнодобывающей техники Caterpillar перестал ежегодно терять до 18 млрд прибыли в год после того, как оснастил все свои машины датчиками, передающими системам информацию о состоянии ключевых деталей и степени их износа. После этого специалисты начали вовремя отправлять машины на техобслуживание и ремонт.
-
при контроле за погодными условиями
. Зачастую они играют принципиальную роль при перевозках: в дождь, снег и туман любая машина движется совершенно иначе, чем в погожий день.
Кейс 4. Крупная американская ж/д компания Union Pacific Railroad, проанализировав колоссальные массивы данных, смогла снизить частоту схождения вагонов с рельсов до 75 %. Сделать это помогли термометры, акустические и визуальные датчики, установленные на дне локомотивов, информация о погодных условиях и состоянии тормозных систем. Обработка всех этих сведений помогла сделать перевозки более безопасными.
Подведем итог: технологии работы с большими данными способны вывести сферу логистики на принципиально новый уровень, если их грамотно собирать и анализировать, переходя на все более современные инструменты Big Data.
