Большие данные в логистике: 10 успешных примеров использования

Что такое большие данные с точки зрения логистики

Данные окружают нас повсюду. Сегодня человечество генерирует около 1,7 Мб информации в секунду и 2,5 квинтиллиона байт в день. Когда вы пользуетесь Интернетом, покупаете товары или просто дышите, вы постоянно генерируете данные. Но в состоянии ли человечество использовать столь большой объём информации? Здесь справедлив следующий принцип: чем больше вы о чём-то знаете, тем легче вам предсказывать его поведение. Поэтому специальные системы призваны сравнивать большие массивы информации и выявлять закономерности. Однако следует понимать, что не все данные являются «большими». Для последних характерны четыре особенности:

1. Размер. Это определяющий параметр, поскольку большими считаются данные, измеряемые в петабайтах и эксабайтах.
2. Тип. Ранее данные обрабатывались на простых листах бумаги. Сегодня же мы используем различные источники информации, включая изображения, аудио, PDF-файлы и даже время пребывания в торговой точке. Если данные состоят из информации одного типа, они называются структурированными. Однако находить взаимосвязи между различными типами данных становится всё труднее. В таком случае они называются неструктурированными. Опора на большие данные связана с обработкой информации, которую бывает трудно проанализировать — например, с целью выяснить, почему тот или иной товар активнее покупают в определённый день недели.
3. Скорость обработки. Большие данные генерируются каждую секунду. Чем выше скорость обработки, тем более значительные их объёмы удастся использовать.
4. Непостоянство. Состав больших данных нестабилен, и их ценность зависит от ситуации.

Для лучшего понимания ситуации уместно сравнить обычные базы данных и большие данные.

Применение больших данных в логистике предполагает опору на обширные и сложные их наборы для извлечения аналитической информации, принятия обоснованных решений и оптимизации перевозок. Оно включает в себя сбор, обработку и анализ огромных массивов данных, получаемых из различных источников, включая датчики, GPS-устройства, RFID-метки, взаимодействие с клиентами и т. д. Общая цель здесь состоит в том, чтобы извлечь из них ценную информацию и закономерности с целью повышения операционной эффективности, снижения затрат, улучшения обслуживания клиентов и обеспечения возможности принятия стратегических решений. В конечном счёте их применение в логистической отрасли призвано преобразовать привычное управление цепочками поставок, предоставляя аналитическую информацию, способную повысить производительность труда и стимулировать инновации.

Примеры использования больших данных в логистике с целью улучшения цепочек поставок

Анализ данных позволяет решить многие проблемы для всех участников цепочки поставок. Так, например, поставщики логистических услуг получают возможность прогнозировать сроки доставки в зависимости от погодных условий, пробок характеристик транспортных средств и т. д. Производители, в свою очередь, получают возможность оперативно реагировать на колебания спроса, а торговые сети — регулировать объём продаж. Вот несколько способов применения больших данных для повышения эффективности логистического бизнеса:

• оптимизация маршрутов в режиме реального времени;
• предотвращение ДТП;
• сокращение издержек на ремонт транспортных средств;
• повышение надёжности доставок;
• прогнозирование спроса;
• повышение качества обслуживания;
• снижение затрат на хранение;
• оптимизация складских запасов.

Теперь давайте рассмотрим десять конкретных примеров использования больших данных в логистике.

Пример №1. Перевозка грузов с особыми условиями хранения

Транспортировка медикаментов, замороженных продуктов и опасных материалов является важной логистической задачей. Перевозчик вынужден заботиться о целостности упаковки, температурном режиме и устранении рисков. Кроме того, он обязан доказать, что груз находился в надлежащем состоянии. Большие данные способны всё это обеспечить. Так, например, в 2012 г. швейцарский стартап SkyCell разработал контейнеры для перевозки медицинских грузов, умеющие собирать информацию об уровне вибрации, влажности и температуры. Они оснащены программным обеспечением для отслеживания изменений среды и быстрого на них реагирования. Чтобы доказать, что медикаменты перевозятся в безопасных условиях, формируются соответствующие отчёты. На сегодняшний день вместимость контейнеров SkyCell в пересчёте на год составляет уже более 20 000 паллет.

Контейнеры с регулируемой температурой на основе инфраструктуры больших данных обеспечивают более безопасную перевозку и повышают целостность продукции. Управляющим цепочками поставок в фармацевтических компаниях выгоднее привлекать поставщиков услуг, опирающихся на реальные данные с целью анализа и контроля рисков, чем потом пытаться устранить последствия колебаний температуры. В конечном итоге ориентация на большие данные способна сделать процессы транспортировки более прозрачными, сократить расходы и повысить безопасность пациентов.

Пример №2. Прогнозирование спроса

Брендам розничной торговли и логистическим компаниям необходимо создавать складские запасы, доставлять товары в торговые точки точно в срок и контролировать спрос и предложение, поскольку всё это помогает повышать объём продаж. Domino's Pizza здесь служит отличным примером того, как большие данные помогают прогнозировать спрос. Эта компания делает всё возможное, чтобы доставлять свои заказы не более чем за полчаса. В течение многих лет она собирала данные, и теперь получила возможность их использовать с целью прогнозирования спроса. Благодаря этому они теперь знают, какую пиццу у них закажут через 5 минут, и поэтому потенциальный заказ заблаговременно отправляется у них в духовку. Кроме того, они получили возможность менять контент на сайте и предлагают скидки в зависимости от сложившейся ситуации. Соответствующая система призвана анализировать спрос в каждой торговой точке, отслеживая геолокацию посетителей. В результате повар достаёт у них пиццу из духовки за 10 секунд до оформления заказа. Подобные системы умеют анализировать спрос с учётом погодных условий, активности в соцсетях и фактора сотовой связи, давай возможность менеджеру координировать промо-акции, а компании — регулировать объём продаж.

Пример №3. Оптимизация маршрутов

Время доставки является важнейшим показателем для транспортных и курьерских компаний, поскольку главный принцип логистики заключается в том, чтобы прибыть к клиенту вовремя. Однако выстраивание оптимальных маршрутов может оказаться нелёгкой задачей, поскольку здесь приходится учитывать погодные условия, пробки и расстояние от пункта А до пункта В.

Даже такая ведущая компания, как UPS столкнулась с проблемой оптимизации маршрутов. Однако в 2012 г. она решила внедрить алгоритм ORION, дающий водителям рекомендации о наилучшем маршруте. Он применяет описательную аналитику для работы с накопленными данными и прогнозную аналитику для выявления тенденций. ORION обслуживает более 60 000 маршрутов в США, Канаде и Европе. С момента своего внедрения эта система сэкономила 100 миллионов миль для UPS. Общая эффективность алгоритма позволила использовать накопленные данные для других фирменных решений, включая UPS My Choice для дома и UPS My Choice для бизнеса. Эти инструменты предоставляют пользователям предварительные уведомления о доставке, прогнозируемом времени прибытия и возможности изменения пункта назначения. Подтверждением успеха ORION стало то, что в 2016 г. проект был удостоен премии Франца Эдельмана за достижения в области операционного менеджмента.

Пример №4. Снижение логистических затрат

Логистические компании постоянно пытаются сократить расход топлива и других ресурсов. Чтобы решить эту проблему, компания DHL в 2018 г. разработала решение под названием Smart Truck. Она оснастила свои грузовики датчиками Интернета вещей, собирающими данные о погодных условиях, пробках, ДТП и т. д. К 2028 г. DHL планирует охватить этой системой 10 000 транспортных средств. Технология Smart Truck сократила пробег порожних грузовиков на 15%, сэкономила миллионы литров топлива и сократила выбросы углекислого газа. Тем не менее для небольших компаний нет нужды инвестировать в столь сложные решения. Лучший способ снизить затраты на логистику для них — это внедрить систему управления транспортом, тем более, что она позволяет добавить точно соответствующие вашим потребностям функции. Подобную систему использует бренд Phillip Morris — она помогла ему снизить эксплуатационные расходы на 2% и сократить выбросы CO2 на 1,2%.

Пример №5. Управление складскими запасами

Вся логистика зиждется на использовании складских помещений. Задержки здесь могут привести к миллионным убыткам. Применяя анализ больших данных, компании получают возможность избавить работников склада от необходимости такие выполнять рутинные задачи, как заполнение документов, комплектация и упаковка.

Так, в частности, компания Amazon использует прогнозную аналитику для управления заказами в распределительных центрах и на складах. В свою очередь, компания Lineage Logistics на протяжении многих лет демонстрирует отличные результаты в сфере управления складскими запасами. Она хранит миллионы товаров и доставляет их в более чем 3000 магазинов, ресторанов и кафе. Её специалисты разработали умные алгоритмы, позволяющие прогнозировать заказы, позволяя персоналу заранее подготовить поддоны с товаром. Чем ближе дата доставки, тем ближе контейнер будет к месту погрузки. Это решение помогло компании повысить эффективность складской работы на 20%. В результате её прибыль растёт, а клиенты остаются довольными.

Пример №6. Прозрачность цепочек поставок

В таких сложных цепочках поставок, как на крупных производствах, решающую роль играет прозрачность. Так, например, на складах Audi каждая деталь предназначена для конкретного автомобиля. Компания тщательно планирует их сборку и даже использует дроны для доставки деталей в нужное место. Соответственно, возникает вопрос о том, как отслеживать столь впечатляющий объём единиц хранения.

Проект FedEx под названием SenseAware расширяет возможности для повышения прозрачности на каждом этапе цепочки поставок. Это решение позволяет отслеживать местоположение и статус груза в режиме реального времени, а также контролировать влажность, температуру, атмосферное давление и освещённость. Таким образом, производители никогда не потеряют контроль над своими изделиями. В частности, SenseAware ID задействует небольшой датчик, каждые две секунды отправляющий точные сведения об их местоположении через BLE на точки доступа Wi-Fi в сети FedEx Express. Он позволяет обновлять данные об объекте на порядок чаще по сравнению с обычными протоколами. В результате точность отслеживания местоположения изделий выходит на совершенно новый уровень, способствуя обеспечению их безопасности и своевременной доставки.

Пример №7. Безопасность водителей

ДТП являются ещё одной головной болью в сфере логистики — и анализ больших данных способен снизить их количество. Так, компания Fleet Risk Advisors разработала специальное приложение для сбора данных о рабочем времени водителей, скорости передвижения, пункте назначения, времени в пути и т. д. Наиболее важной функцией здесь является анализ поведения водителя на основе данных. Логистические компании могут использовать эту информацию для минимизации рисков ДТП, снижения расходов и повышения надёжности перевозок. В свою очередь, компания CoreTeka тоже делает всё возможное, чтобы повысить безопасность водителей на дорогах, результатом чего стало мобильное приложение DriverApp, помогающее поддерживать связь между менеджерами и водителями.

Пример №8. Персонализация

Логистическая компания C.H. Robinson применяет анализ больших данных, чтобы предлагать своим клиентам персонализированные решения. Она разработала Navisphere — облачную платформу, объединяющую данные из различных источников по всей цепочке поставок. Она задействует данные для отслеживания поставок, мониторинга работы перевозчиков и обеспечения видимости процессов в режиме реального времени. В сущности она служит своего рода централизованным центром сбора и анализа данных, помогая клиентам принимать обоснованные решения и повышать производительность труда.

Платформа Navisphere позволила компании оптимизировать логистические процессы и предоставить своим клиентам дополнительные услуги. Подобный основанный на данных подход упрощает процесс принятия решений, повышает производительность труда и помогает компаниям ориентироваться в сложностях современного управления цепочками поставок.

Случай №9. Подбор грузов

Платформа Uber Freight представляет собой приложение для совместного использования транспортных средств в сфере логистики. Она связывает грузоотправителей и перевозчиков и использует большие данные для согласования доступной вместимости автомобилей с грузами для перевозки. Поступаемые в режиме реального времени данные о местоположении грузовиков, дорожных условиях и грузоподъёмности позволяют Uber Freight оптимизировать подбор грузов и графики доставки.

Суть сервиса заключается в усовершенствованном алгоритме подбора грузов. Он учитывает множество факторов, включая местоположение, размер груза, тип оборудования и текущие рыночные условия. Анализируя эти данные, Uber Freight эффективно сводит грузоотправителей с перевозчиками, сокращая время и усилия, необходимые для поиска подходящих партнёров. Таким образом, опора на большие данные преобразует привычную модель грузовых брокерских услуг, предоставляя технологическую платформу, повышающую эффективность и прозрачность и укрепляя сотрудничество. Возможности их анализа улучшают работу всех участников, оптимизируя процессы и повышая качество обслуживания в сфере логистики.

Случай №10. Оптимизация процесса доставки

Компания Amazon систематически опирается на большие данные в своих логистических операциях. Она является пионером в использовании этой технологии для преобразования деятельности в различных областях, включая логистику и управление цепочками поставок.

В частности, она применяет анализ больших данных для оптимизации своей цепочки поставок и прогнозирования ситуации на рынке. Компания собирает и анализирует данные о предпочтениях клиентов, покупательских привычках и рыночных тенденциях с целью точно прогнозировать спрос. Это позволяет ей поддерживать необходимый уровень запасов в своих центрах выполнения заказов без образования дефицита и сводя к минимуму избыточные затраты на их обслуживание. Кроме того, Amazon использует большие данные для управления складами и в процессе комплектации заказов. Данные с датчиков, RFID-меток и других источников помогают отслеживать перемещение товаров по складам, рационально используя площади и повышая скорость доставки.

Опора на большие данные для прогнозирования спроса и другие способы улучшить логистику

В качестве финального примера можно привести опыт компании Philip Morris. Она использует платформу для обработки больших данных, специально разработанную для прогнозирования спроса и времени массового посещения их торговых точек на основе поступаемой информации. Помимо всего прочего, точное прогнозирование позволяет грамотно управлять цепочкой поставок. Однако большие данные — это не единственное технологическое решение, способное улучшить логистику. Другие варианты включают в себя:

• Блокчейн. Эта технология может быть применена для разработки приложений, обеспечивающих передачу данных между различными участниками.
• Чат-боты на основе ИИ. Эти решения помогут улучшить качество обслуживания ваших клиентов.
• Интернет вещей. Эта технология используется в логистике для управления автопарком в режиме реального времени и всестороннего контроля процесса доставки. Кроме того, он может применяться с целью оптимизации таких складских операций, как цифровая маркировка, контроль условий хранения и отслеживание уровня запасов.
• Виртуальная и дополненная реальность. Подобные технологии могут быть использованы для улучшения складских и транспортных операций и доставки «последней мили», включая ускорение комплектации и погрузки.
• Машинное обучение. Эта технология тесно связана с большими данными и позволяет создавать решения для прогнозирования спроса, планирования производства, отслеживания запасов, оптимизации графика и т. д.

Заключение

Использование больших данных в логистике и управлении цепочками поставок имеет решающее значение для компаний, стремящихся сохранить конкурентные преимущества. Оно обеспечивает более высокую скорость и прозрачность перевозок и предоставляет множество других преимуществ как для поставщиков услуг и перевозчиков, так и для клиентов. Более того, эффективная работа сегодня становится просто невозможной без принятия решений, основанных на данных. Именно поэтому мы рассмотрели примеры использования больших данных в логистике с целью продемонстрировать широту их возможных применений. Как только вы поймёте суть и преимущества больших данных в логистике и грузоперевозках и вдохновитесь опытом успешных компаний, у вас появится мысль о внедрении соответствующих решений для обеспечения роста вашего собственного бизнеса.

Часто задаваемые вопросы