click fraud detection
0 800 755 007
(Бесплатно по Украине)

Как работает предиктивная аналитика

939

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”

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

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

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

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.

У вас остались вопросы?

Оставьте ваши контактные данные. Наш менеджер свяжется и проконсультирует вас.

3/5
Полезность
Проголосовали 1
Как вам статья?
Давайте обсудим Ваш проект
Давайте начнем
беседу!
КОММЕНТАРИИ0
Возможно
Люди верят людям. Как влюбить их в вашу продукцию с помощью собственного бренда?
Елена Пименова
Елена Пименова
В этой статье мы собрали несколько ключевых причин, из-за которых сайт может терять посетителей, а…
Алексей Варламов
Алексей Варламов
ПОДПИСЫВАЙТЕСЬ НА РАССЫЛКУ АЙТЫЖБЛОГ
Хотите получать 
интересные статьи?