В логистической отрасли тенденция не отличается от общемировой. Объем информации удваивается каждые два года. По прогнозам аналитиков, в 2020 году объем данных составит 44 зеттабайта. Для справки: жесткий диск на 1 зеттабайт содержит видео с высоким разрешением 4K, общий хронометраж которого составляет более 63 миллиона лет.
Для анализа и интерпретации больших объемов данных на помощь приходят алгоритмы машинного обучения (МО). МО делает прогнозы на основе полученной информации и выявленных трендов.
Машинное обучение применяется во всех сферах транспорта и логистики:
- Складская логистика. Компьютерное зрение мониторит остатки товаров на складах, контролирует работников, обеспечивает безопасности на объектах.
- Экспедиция. На основе информации, собранной о перевозках, планируют и строят маршруты, прогнозируют волны сезонности.
- Продажи. Прогноз объемов продаж, изменения в ценовой политике транспортно-логистической компании строится в том числе с учетом исторических показателей продажи услуг.
- Безопасность. Скоринговые модели (прим. Скоринг – система бальной оценки объекта, основанная на численных статистических методах) помогают выявлять недобросовестных или потенциально проблемных контрагентов еще до начала сотрудничества, базируясь на информации о взаимоотношениях с поставщиками.
Обработка информации при помощи алгоритмов машинного обучения
В аналитике первоочередное – это постановка задачи и формулирование запроса для отбора необходимой информации. Здесь не обойтись без вмешательства человека – аналитика с опытом и знаниями в конкретной бизнес-области.
Далее в работу вступают алгоритмы машинного обучения, которые результативнее справляются с задачами сбора, обработки и первичного анализа информации. Аналитик освобождается от рутинных и времязатратных задач и концентрируется на концептуальных аспектах работы.
Как алгоритмы машинного обучения использует AsstrA?
В группе компаний AsstrA-Associated Traffic AG алгоритмы машинного обучения используются для решения трех категорий задач:
- Цифровизация документооборота за счет построения релевантных баз данных с дальнейшей обработкой информации.
- Прогнозирование и информирование о возможных форс-мажорах на пути движения транспорта. В целях повышения прозрачности цепочки поставок AsstrA сотрудничает с Shippeo, чьи алгоритмы позволяют повышать прозрачность цепочек поставок в реальном времени, а также прогнозировать возможные проблемы на пути движения транспорта и сигнализировать о них.
- Прогнозная аналитика закономерностей в показателях за предыдущие периоды и оценка будущих рисков и возможностей.
Благодаря обработанной информации принимаются взвешенные решения, направленные на повышение эффективности логистических цепочек.
Фот. AsstrA