Макс
Макс
Head of Logistics PM
09.12.2021

Как работает предиктивная аналитика

Макс
Макс
Head of Logistics PM
09.12.2021
09.12.2021
4.0
3838
0

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.

Как вам статья?
4.0
Проголосовало: 2
Давайте обсудим Ваш проект
Нажимая на кнопку “Отправить”, вы даете согласие на обработку личных данных. Подробнее
Комментарии
(0)
Будьте первыми, кто оставит комментарий
wezom logo
Остались вопросы?
Оставьте ваши контактные данные. Наш менеджер свяжется и проконсультирует вас.
Подписывайтесь на рассылку Айтыжблог
blog subscriber decor image
Хотите получать интересные статьи?
Нажимая на кнопку “Отправить”, вы даете согласие на обработку личных данных. Подробнее
Следите за нами в социальных сетях
Этот сайт использует cookie-файлы для более комфортной работы пользователя. Продолжая просматривать сайт, Вы соглашаетесь на использование cookie.