Логистика становится непредсказуемой: хрупкие цепочки поставок постоянно страдают от локдаунов и торговых войн, а спрос на любой товар может внезапно вырасти в несколько раз из-за вирусного видео или хайпа по очередному сериалу Netflix. Хотелось бы сказать в связи с этим что-то банальное: “логистическим операторам сегодня нужно просчитывать свои действия на пять шагов вперед”. Но нет, обычное просчитывание шагов в таких условиях не работает.
Попытки “вручную” прогнозировать ситуацию в цепочках поставок обречены на провал. Для эффективности такого прогнозирования придется отслеживать колоссальные объемы данных в режиме реального времени и корректировать прогнозы на лету. Людям это не под силу, а вот машины справляются.
Речь идет об одном из самых перспективных направлений Data Analytics - предиктивной аналитике. Можно описать ее как набор практик и технологий анализа больших массивов данных для прогнозирования и оценки рисков. Алгоритмы предиктивной аналитики используют статистику и оценивают динамику рынка, строят модели развития событий на основе экстраполяции входящих данных. Так можно спрогнозировать поведение потребителей, параметры спроса и нагрузку на логистическую инфраструктуру.
Почему логистике нужны “предсказания”
Логистический бизнес остро нуждается в таких инструментах и активно инвестирует в них. По данным исследования Accenture, 78% директоров по логистике в США, Европе и Китае намерены ускорить диджитализацию цепей поставок в своих компаниях. Приоритетными направлениями станут Big Data, искусственный интеллект, интернет вещей, блокчейн и предиктивная аналитика.
Такие логистические гиганты как Maersk, UPS и Amazon уже сегодня используют предиктивные инструменты на основе данных. Крупнейший морской грузоперевозчик Maersk Line ежегодно экономит миллионы долларов, моделируя оптимальное использование грузовых контейнеров.
Международный логистический оператор UPS пришел к выводу, что сокращение маршрута каждого водителя компании всего на одну милю в день позволит регулярно экономить порядка 50 миллионов долларов. Компания вложилась в облачную аналитическую систему Harmonized Enterprise Analytics Tool (HEAT), которая ежедневно принимает и обрабатывает данные из более чем миллиарда точек входа. Так UPS получила возможность точно прогнозировать поток, объем и сроки доставки посылок, чтобы эффективно распоряжаться ресурсами.
Amazon поставила перед собой амбициозную цель - научиться предсказывать, что и когда у нее закажет пользователь. Компания работает над “опережающей доставкой”: ее софт анализирует поведение и привычки клиентов для прогнозирования заказов. Покупатель еще только собирается оформить покупку, а система уже просчитывает ресурсы и маршрут его доставки.
Предиктивные алгоритмы могут дать ряд преимуществ в управлении цепочками поставок:
- Прогнозирование спроса;
- Прогнозирование доставки;
- Оптимальное использование транспорта и персонала;
- Своевременное обслуживание оборудования;
- Персонализация клиентского опыта;
- Сокращение издержек;
- Определение слабых мест в сервисе и цепочке поставок;
- Оптимальное формирование цен;
- Оценка рисков.
В конечном итоге, правильное использование предиктивной аналитики повышает маржинальность компании, помогает принимать более обоснованные и своевременные решения.
Как работает предиктивная аналитика
Платформы предиктивной аналитики собирают данные в реальном времени, обрабатывают их и составляют сводку на основе ключевых показателей эффективности. Этот отчет содержит прогноз о тенденциях рынка, с которыми может столкнуться компания.
Тако софт использует сложные математические алгоритмы, статистический анализ и машинные алгоритмы для поиска повторяющихся паттернов в данных. При этом алгоритмы способны обучаться - чем больше релевантных данных они будут получать, тем более точными будут прогнозы.
В предиктивной аналитике чаще всего используются три типа алгоритмов.
Алгоритмы кластеризации: разбивают данные на группы (“кластеры”) без четких предустановок - критерии деления определяются уже в ходе работы алгоритма. Так можно быстро сегментировать клиентскую и продуктовую базу. Скажем, разбить клиентов по регионам или уровню платежеспособности.
Алгоритмы классификации: в отличие от кластеризации, делят данные по классам на основе заранее прописанных характеристик. Так компания может выделить целевую информацию для решения конкретных задач. К примеру, определить в автопарке машины, которые ломаются чаще трех раз в год.
Алгоритмы регрессии: нацелены непосредственно на прогноз, опираются на выборку объектов с различными характеристиками. Чаще всего результатом работы такого алгоритма является конкретное число. Скажем, ожидаемый показатель роста спроса, или вероятное время доставки.
Используются и прочие виды алгоритмов машинного обучения, все зависит от специфики отдельно взятой платформы. В современных системах могут использоваться несколько алгоритмов ML и самообучающиеся нейросети. Так платформа постепенно “обрастает” не только данными, но и новыми моделями их обработки.
Средства предиктивной аналитики можно интегрировать с любыми инструментами. Можно отдать им под анализ даже набор электронных таблиц, но лучше оперировать более совершенными базами данных: WMS, TMS, CRM-системами.
Источники данных в цепях поставок
Диджитализация любого бизнеса так или иначе начинается с определения и структуризации ее “мастер-данных”. Именно на них прежде всего будут ориентироваться алгоритмы ML.
В логистике предиктивная аналитика вероятнее всего будет опираться на такие данные:
- информация из корпоративной цифровой экосистемы (данные по операциям и транзакциям, бухгалтерия, etc.);
- данные о ресурсах логистики, поступающие от средств IoT (состояние транспорта, температурный режим и загруженность на складе, трекинг посылок и пр.);
- значимые для индустрии внешние данные (состояние дорог и ж/д сетей, трафик, погодные условия, политическая ситуация, действующие карантинные ограничения и т.д.);
- финансовые показатели и метрики ситуации на рынке.
Этот список не исчерпывающий. Как показывает практика, полезно отслеживать даже на первый взгляд бесполезную информацию, вроде моды и трендов в cоцсетях. В 2017 году вирусные видео в Youtube спровоцировали взрывной рост спроса на спиннеры (еще помните такие?), а совсем недавно хитовый сериал “Игра в кальмара” повысил спрос на обувь Vans на 7800%. Каждый подобный эпизод - это испытание для логистической системы.
Как начать проект предиктивной аналитики в логистике
Среди игроков украинского логистического рынка укоренилось мнение, что ИИ и алгоритмы ML - это дорогая технологическая экзотика, которую могут позволить себе лишь самые богатые компании. Такие представления устарели минимум на 5 лет, сегодня несложные машинные алгоритмы пишут даже студенты и энтузиасты-одиночки.
Решения для аналитики данных можно и нужно масштабировать. Обычный интернет-магазин с собственной службой доставки может извлечь максимум пользы из машинного алгоритма для оптимизации работы курьеров, в то время как большому логистическому оператору стоит рассмотреть разработку продвинутой аналитической платформы на основе ИИ.
Интеграция инструментов ML в компанию с сильной цифровой инфраструктурой сегодня не является чем-то “космическим”. Напротив, игнорирование этого тренда сулит участникам рынка отставание от конкурентов в перспективе 3-5 лет. Для разработки собственной предиктивной платформы компании стоит начать с определения своих целей и доступных ресурсов. Уже на этом этапе стоит привлекать необходимых специалистов, или обратиться к IT-компании с опытом в логистике и экспертизой в Data Analytics.
И если вы размышляете над использованием таких возможностей в вашем бизнесе, не откладывайте это в долгий ящик. Обсудите свои идеи с нашими экспертами. Звоните, пишите, оставляйте заявку в форме на сайте.
