Predictive analytics (predikcinė analizė) yra vis dažniau naudojama sąvoka. Jos naudojimas gali žymiai padėti gamybos veikloje ir ne tik. Tai taip pat svarbu tiekimo grandinei. Jau duoda rezultatų pagrindiniams logistikos operatoriams.
Logistikos įmonės taiko predikcinę analizę, tam, kad pagerintų tiekimo grandines, individualius procesus ir operacijas. Bet ne tik. Surinktų ir kruopščiai išanalizuotų duomenų dėka jos gali leisti išvengti įrangos gedimams, pratęsiant jos neavarinį veikimą.
Danijos laivybos milžinė „Maersk Line“ veikia daugiau nei 130 šalių (turi daugiau nei 600 jūrinius konteinerius gabenančių laivų). Kasmet gabenama prekes, kurių vertė siekia beveik 700 milijardų JAV dolerių. Naudoja predikcine analize, tarp kitko tam, kad gautų informacijos apie atskirų laivų panaudojimą.
„Geresnis tuščių konteinerių passkirstymas leis sutaupyti milijonus JAV dolerių“, – sako Janas Voetmannas („Maersk Analytics“). Problema yra didžiulė, analizė rodo, kad jūrų transporte vis dar daugybė konteinerių vykdo net pusę savo maršrutų „tuščiomis“. Tuščių konteinerių gabenimo išlaidos „Maerske“ yra 1 milijardas JAV dolerių per metus.
„Maersk“ taip pat naudoja predikcinę analizę, kad numatytų galimus laivo variklių gedimus. Taip siekiama išvengti kritinių situacijų. Be to šiek tiek prie progos, istorinė laivų greičio analizė atskirais maršrutais leido optimizuoti tvarkaraščius taip, kad degalų sąnaudos per trejus metus sumažėjo keliolika procentų.
Predikcinės analizės panaudojimas vienoje pagrindinių transporto bendrovių Afrikos rinkose – „NileDutch“ leido optimizuoti konteinerių valdymą. Viena vertus, žymiai sumažintos bendros tuščių konteinerių tvarkymo išlaidos, kita vertus, sumažintas konteinerių parko dydis (išlaikant tą patį transporto dydį).
„Amazon“ logistikos specialistai jau kelerius metu sugeba numatyti, kur ir kada reikės konkrečių prekių. Tai kruopščios istorinių duomenų, pvz., sprendimų pirkti, patekti į konkrečių tiekėjų svetaines ir pan., analizės rezultatas. Išplėstinis algoritmas leidžia apskaičiuoti tam tikro produkto paklausą tam tikroje vietoje. Todėl „Amazon“ siunčia savo produktus į šį regioną prieš gaunant užsakymą. Kai užsakymas įvyksta, jo įvykdymo laikas yra labai trumpas.
Kitaip tariant, kai „Amazon“ klientas užsisako produktą, jį galima išsiųsti iš netoliese esančio centro per daug trumpesnį laiką, nes jis prieinamas artimiausiame sandėlyje. Tai taip pat padeda „Amazon“ logistikai tiksliai nuspėti darbui reikalingų transporto priemonių, taip pat vairuotojų, kurie šiuo metu bus reikalingi atlikti užduotį, skaičių.
Kitas predikcinės analizės pavyzdys yra iš „UPS”. Įprasta šio pasaulinio logistikos operatoriaus diena tai apie 19 milijonų siuntinių tvarkymas (UPS turi 96 tūkst. transporto priemonių). Apskaičiuota, kad per dieną iš kiekvieno vairuotojo maršruto pašalinus tik vieną mylią galima sutaupyti apie 50 milijonų JAV dolerių. Predikcinė analizė leis sutrumpinti pristatymus, padidinant bendrą efektyvumą. Nauja „UPS Network Planning Tools“ programinė įranga, kuri bus pilnai įdiegta JAV kitais metais, naudoja duomenis ir analizę realiuoju laiku, kad kiekvienas metais turėtų sutaupyti iki 200 milijonų JAV dolerių.
Globalus logistikos operatorius „DB Schenker“ panaudojo predikcinę analizę procesų planavimui ir optimizacijos veiklai (įmonė ja naudojasi nuo trijų metų). Ši atskirose sandėlio vietose naudojama programinė įranga imituoja kasdienius procesus. „DB Schenker“ taip pat sukūrė „Industrial Data Space“, leidžiančią užtikrinti saugų apsikeitimą duomenimis tarp įmonių, kurios naudoja predikcinę analizę, taip pat įgalina prognostinę priežiūrą (mašinų ir transporto priemonių gedimų prevencija).
Pixabay/soualexandrerocha nuotr.