Seria Big Data w logistyce – część 1: Rzeczywistość czy mrzonka?

Ten artykuł przeczytasz w 5 minut

Wiele działających na rynku firm ma ciągłe, biznesowe kontakty z partnerami z całego świata. Towarzyszą im codzienne transakcje, a każda z nich niesie ze sobą znaczną ilość użytecznych informacji. Postępująca cyfryzacja otworzyła przed przedsiębiorcami nowe możliwości. Pozwala gromadzić mnóstwo danych, grupować je a następnie wykorzystywać do przyszłej działalności.

Kluczem do sukcesu w logistyce jest optymalne zaplanowanie i skuteczne kontrolowanie przepływu towarów od producenta do klienta. Big Data to nic innego jak masowe pozyskanie danych pochodzących z wielu źródeł po to, by później prowadzić ich analizę i… wyciągać wnioski. To one mają prowadzić do optymalizacji procesów i wprowadzania zmian przynoszących korzyści przedsiębiorstwu. Wielu nazywa tę ideę przyszłością logistyki.

Czym i jak pozyskiwać dane?

Dane można pozyskiwać z: urządzeń GPS, sensorów IoT (Internet Rzeczy) podłączonych do internetu bezpośrednio w miejscu realizacji poszczególnych zadań, z poczty elektronicznej bądź też z aktywności wykazywanej przez użytkowników na serwisach społecznościowych. Z punktu widzenia logistyków ważne są też nierzadko np. informacje dotyczące natężenia ruchu na danym odcinku drogi pozyskiwane od milionów użytkowników telefonów komórkowych.

4 wymiary Big Data

Specjaliści z Unima 2000 przypominają, że na Big Data składają się w istocie cztery wymiary, zwane “4V”: Volume – ilość danych; Variety – różnorodność danych, które pochodzą z różnych, często niespójnych ze sobą źródeł; Velocity – szybkość napływania nowych danych i ich analizy, w czasie zbliżonym do rzeczywistego oraz Value – wartość danych (z masy nieistotnych informacji wyodrębniane są te najważniejsze). Właśnie umiejętność analizowania danych z odrzuceniem tych nieistotnych jest sprawą kluczową.

Na podstawie zebranych i przeanalizowanych informacji przedsiębiorca może nie tylko wybrać najwłaściwszą drogę transportu, ale też zweryfikować ją pod kątem aktualnej sytuacji, np. wypadków czy remontów. Ocena ryzyka i monitorowanie łańcucha dostaw w czasie rzeczywistym pozwalają mu unikać niepożądanych przestojów, umożliwiają szybszą i skuteczniejszą reakcję na sytuacje kryzysowe.

Analiza zebranych danych pozwala zatem zwiększyć wydajność łańcucha dostaw, a także dodatkowo go zabezpieczyć. Z Big Data łatwiej np. jest korzystać z rozbudowanej infrastruktury drogowej i sieci połączeń pomiędzy miastami, państwami, czy nawet kontynentami.

– Stosowanie Big Data może też zwiększać wydajności operacyjną firmy, m.in. poprzez lepsze planowanie zakupów i oczekiwanych zapasów magazynowych. Dzięki rozwiązaniom IoT i analizom zebranych przez nie danych właściciel procesu może znacznie lepiej monitorować kluczowe wskaźniki efektywności (KPI) i ustalać zapas towarów w magazynie, ale także na półce w sklepie realizującym sprzedaż do klienta końcowego. Istotnym elementem jest także możliwość skuteczniejszej współpracy pomiędzy partnerami handlowymi – wykorzystanie wspólnych baz danych kodów kreskowych, opisów produktów lub ich zdjęć. Wspólna, spójna baza danych umieszczona w udostępnionym zasobie, np. w chmurze, pozwala na zmniejszenie kosztów jednostkowych ponoszonych na pozyskiwanie i utrzymywanie informacji – tłumaczy Piotr Sędziak, Dyrektor ds. Operacji w ABC Data.

Jego zdaniem warto zastanowić się nad tym, jak wykorzystać Big Data w organizacji własnych procesów logistycznych, bo o to, czy je wykorzystywać, pytać już nie powinniśmy.

Specjaliści zgodni – Big Data przyszłością biznesu, również logistycznego

Marketerzy, analitycy bankowi, specjaliści od obsługi klienta czy managerowie jednym chórem potwierdzają, iż Big Data to przyszłość biznesu, także tego logistycznego. Nic dziwnego, że globalny rynek analityki Big Data rośnie w gwałtownym tempie – według IDC do 2020 r. będzie wart 210 mld dolarów, a do końca dekady wzrost ma się utrzymać na poziomie kilkunastu proc. rocznie.

Analityka Big Data to technologia elastyczna, którą można dopasować do skali działalności każdego przedsiębiorstwa. To wyłącznie ono decyduje, jakiego rodzaju danych i o jakim stopniu szczegółowości potrzebuje. Zakres danych i sposób analizy determinuje całkowity koszt przedsięwzięcia. Wykorzystać je można np. w e-commerce – Big Data znajduje praktyczne zastosowanie w e-handlu i szeroko rozumianej branży internetowej (rozwiązuje problem bezosobowej relacji z klientem, analizując pozostawione przez niego informacje, dopasowując ofertę do indywidualnych potrzeb i preferencji). E-przedsiębiorcy oszczędzają czas, rekomendując klientom adekwatne produkty i usługi oraz zapewniają obsługę reklamacji i zwrotów poprzez reakcję na zgłoszenie SMS-owe, telefoniczne lub e-mailowe.

Jak sprawdza się Big Data w logistyce?

Przykładem zastosowania Big Data w optymalizacji procesów logistycznych, może być wdrożenie w firmie spedycyjnej, która wykorzystuje sensory zamontowane w kilkudziesięciu tysiącach pojazdów, używając ich do monitorowania m.in. prędkości, kierunku jazdy czy zużycia paliwa. Otrzymywane informacje służą do wytyczania najbardziej efektywnego planu trasy oraz, współpracując z innymi systemami, pozwalają reagować na zmiany preferencji klientów w bardzo krótkim czasie. Dzięki temu spedytor może szybko modyfikować trasy kierowców, uwzględniając w nich nowe miejsca załadunku i wydania przesyłek.

Przyszłością Big Data jest sztuczna inteligencja, a ściślej technologia machine learning (uczenie maszynowe), która wpływa na automatyzację i przyspieszenie procesów analitycznych. Coraz więcej firm dostrzega potencjał związany z wykorzystaniem tej technologii w zastosowaniach biznesowych.

Dzięki samouczącym się algorytmom komputery mogą samodzielnie analizować dane oraz dostosowywać modele do zmiennych zjawisk i wymagań. Technologia machine learning wspiera proces decyzyjny. Z niedawnego raportu SAS wynika, że co piąte przedsiębiorstwo wdrożyło rozwiązania z zakresu machine learning, a 23 proc. firm eksperymentowało z uczeniem maszynowym. Największy odsetek przebadanych organizacji rozważa wprowadzenie tych rozwiązań w przyszłości, co powinno wpłynąć na przyspieszenie efektów analizy dużych zbiorów danych.

Fot: pixabay.com

Tagi