Predictive Analytics – na czym polega i jak może pomóc w funkcjonowaniu łańcucha dostaw?

Zacznijmy od definicji – analityka predykcyjna oznacza wykorzystanie danych i algorytmów statystycznych po to, aby na bazie tych informacji historycznych określić prawdopodobieństwo przyszłych wyników. W istocie chodzi o przekształcenie branży z podejmowania decyzji przez człowieka w proces decyzyjnym oparty na danych. A tych jest mnóstwo.

W praktyce analityka predykcyjna to nic innego jak zdolność określenia tego, co może zdarzyć się w przyszłości. Powie ktoś, przecież to oczywiste, próbuje się to robić od lat. Owszem, specjaliści przekonują jednak, że  obecnie przestaje to być przysłowiowym “wróżeniem z fusów”. Dopiero współczesne sposoby zbierania informacji, ich ogrom, a także metody analityczne pozwalają przewidywać z satysfakcjonująco dużą dokładnością.

Przyczynia się do tego również coraz większa dostępność komputerów, i coraz bardziej przyjaznego w użyciu oprogramowania. To dzięki nim analizy predykcyjne nie są już jedynie domeną matematyków, potrafią z nich korzystać też analitycy biznesowi.

Predictive Analytics pomaga przewidzieć awarie

Szefowie firm transportowych i operatorzy logistyczni korzystają z analityki predykcyjnej, aby pomóc w rozwiązywaniu problemów, ale też by poznać nowe możliwości. 

Lista typowych zastosowań jest dość długa. Obejmuje:

– wykrywanie oszustw (np. internetowych),

– lepsze wykonywanie poszczególnych procesów,

– prognozowanie zapasów i zarządzanie zasobami,

– optymalizację cen.

W konsekwencji chodzi z jednej strony o zwiększenie efektywności, a z drugiej minimalizowanie ryzyka. 

Wszystkie te cechy mają odniesienie również do łańcucha dostaw. Dochodzi do tego np. przewidywane awarii sprzętu i łagodzenie ryzyka związanego z bezpieczeństwem i niezawodnością, co ma szczególne znaczenie w przypadku magazynów automatycznych oraz autonomicznych systemów transportowych.

Kamil Słowik z Mecalux podkreślał podczas niedawnej konferencji “Smart Warehouse”, że również współczesne programy magazynowe (np. WMS) mają w sobie tego rodzaju funkcje.

– Pomagają przewidywać awarie w magazynie, a WMS jest w stanie reagować na scenariusze, np. gdy w magazynie zabraknie prądu. Coraz więcej firm ceni tego rodzaju rozwiązania, bo wiążą się z optymalizacją pracy – podkreślił Kamil Słowik.

Jeśli chodzi o magazyny automatyczne i autonomiczne środki transportu, szczególnego znaczenia nabiera zatem tzw. konserwacja predykcyjna, pomagając wykrywać ewentualne awarie zanim one jeszcze nastąpią i zanim unieruchomią system. Pozwala to do minimum skrócić ewentualne przerwy w pracy urządzeń. Mikołaj Ruta z WDX również akcentuje tę cechę rozwiązań automatycznych. Na podstawie danych można przewidzieć, co zdarzy się w przyszłości (predictive maintenance, przewidywanie napraw). To jest szczególnie ważne dla zapewnienia płynnej pracy magazynu.

Analityka predykcyjna zoptymalizuje trasy i wykorzystanie zasobów

Według specjalistów z Transmetrics, dzięki analityce predykcyjnej operatorzy logistyczni i przewoźnicy mogą z wyprzedzeniem tygodni lub nawet miesięcy planować działania w oparciu o dane na temat zapotrzebowania klientów i zachowań zakupowych (prognozy dotyczące podaży i popytu). To optymalizuje wykorzystanie środków w logistyce. Dzięki analityce programów wspierających zarządzanie transportem (TMS) można prognozować ewentualne zagrożenia, odpowiednio dostosowując do nich swe działania.  

Analiza predykcyjna przydaje się również w planowaniu dostaw na “ostatniej mili”, optymalizując trasy i harmonogramy, tam gdzie to możliwie eliminując np. uciążliwe stanie w korkach oraz pomagając skoordynować transport cargo na zasadzie współdzielenia.  

Specjaliści podkreślają, że inwestowanie w rozwiązania do analizy predykcyjnej nie jest już opcją, stało się koniecznością.

Dobór danych kluczowy dla sukcesu

Co mogą zrobić firmy, by zacząć wdrażać tego rodzaju rozwiązania? Zdaniem specjalistów z Transmetrics, w niektórych przypadkach pierwszym krokiem może być zatrudnienie lub wyznaczenie specjalnej osoby, która pokieruje cyfrową transformacją firmy i zbuduje łańcuch dostaw oparty na informacjach.

Druga opcja polega na współpracy z zewnętrznym dostawcą technologii, który dostarczy produkty i usługi do analizy predykcyjnej, dostosowane do potrzeb transportu i logistyki.

Kluczowa dla korzystania z analityki predykcyjnej jest świadomośc problemu, który należy rozwiązać. Następnym krokiem jest dobór danych, których analiza pomoże ten problem rozwiązać. W przypadku łańcucha dostaw najczęściej są to dane gromadzone przez różnego rodzaju czujniki i rejestratory. Uzyskane dane należy następnie przygotować do analizy, według określonego wcześniej “klucza”. Budowa modelu prognostycznego uwzględnia charakter i ilość zbieranych danych.   

Modelowanie predykcyjne wymaga podejścia zespołowego. Potrzebne są osoby rozumiejące konkretny problem biznesowy do rozwiązania, potrafiące przygotować dane do analizy, a następnie zapewnić odpowiednią infrastrukturę analityczną do budowania i wdrażania modeli. 

Fot. Pixabay/geralt