Логістика стає непередбачуваною: тендітні ланцюжки постачань постійно страждають від локдаунів та торгових воєн, а попит на будь-який товар може раптово зрости в кілька разів через вірусне відео або хайп по черговому серіалу Netflix. Хотілося б сказати у зв'язку із цим щось банальне: "логістичним операторам сьогодні потрібно прораховувати свої дії на п'ять кроків уперед". Але ні, звичайне прорахування кроків у таких умовах не працює.
Спроби "вручну" прогнозувати ситуацію в ланцюжках поставок приречені на провал. Для ефективності такого прогнозування доведеться відслідковувати колосальні обсяги даних у режимі реального часу та коригувати прогнози на льоту. Людям це не під силу, а ось машини справляються.
Йдеться про один із найперспективніших напрямків Data Analytics – передиктивну аналітику. Можна описати її як набір практик та технологій аналізу великих масивів даних для прогнозування та оцінки ризиків. Алгоритми предиктивної аналітики використовують статистику та оцінюють динаміку ринку, будують моделі розвитку подій на основі екстраполяції вхідних даних. Так можна спрогнозувати поведінку споживачів, параметри попиту та навантаження на логістичну інфраструктуру.
Чому логістиці потрібні "пророкування"
Логістичний бізнес гостро потребує таких інструментів та активно інвестує в них. За даними дослідження Accenture, 78% директорів з логістики у США, Європі та Китаї мають намір прискорити діджиталізацію ланцюгів постачання у своїх компаніях. Пріоритетними напрямками стануть Big Data, штучний інтелект, інтернет речей, блокчейн та передиктивна аналітика.
Такі логістичні гіганти, як Maersk, UPS та Amazon, вже сьогодні використовують передиктивні інструменти на основі даних. Найбільший морський вантажоперевізник Maersk Line щорічно заощаджує мільйони доларів, моделюючи оптимальне використання вантажних контейнерів.
Міжнародний логістичний оператор UPS дійшов висновку, що скорочення маршруту кожного водія компанії лише на одну милю на день дозволить регулярно економити близько 50 мільйонів доларів. Компанія вклалася в хмарну аналітичну систему Harmonized Enterprise Analytics Tool (HEAT), яка щодня приймає та обробляє дані з понад мільярда точок входу. Так UPS отримала можливість точно прогнозувати потік, обсяг та строки доставки посилок, щоби ефективно розпоряджатися ресурсами.
Amazon поставила перед собою амбітну мету – навчитися передбачати, що і коли у неї замовить користувач. Компанія працює над "випереджальною доставкою": її софт аналізує поведінку та звички клієнтів для прогнозування замовлень. Покупець ще збирається оформити покупку, а система вже прораховує ресурси і маршрут його доставки.
Предиктивні алгоритми можуть дати ряд переваг в управлінні ланцюжками постачання:
- прогнозування попиту;
- прогнозування доставки;
- Оптимальне використання транспорту та персоналу;
- Своєчасне обслуговування обладнання;
- Персоналізація клієнтського досвіду;
- Скорочення витрат;
- Визначення слабких місць у сервісі та ланцюжку поставок;
- Оптимальне формування цін;
- Оцінка ризиків.
Зрештою, правильне використання передиктивної аналітики підвищує маржинальність компанії, допомагає приймати більш обґрунтовані та своєчасні рішення.
Як працює передиктивна аналітика
Платформи предиктивної аналітики збирають дані реальному часі, обробляють їх і становлять зведення з урахуванням ключових показників ефективності. Цей звіт містить прогноз тенденції ринку, з якими може зіткнутися компанія.
Тако софт використовує складні математичні алгоритми, статистичний аналіз та машинні алгоритми для пошуку повторюваних патернів у даних. При цьому алгоритми здатні навчатися - чим більше релевантних даних вони отримуватимуть, тим точнішими будуть прогнози.
У предиктивної аналітики найчастіше використовуються три типи алгоритмів.
Алгоритми кластеризації: розбивають дані групи (“кластери”) без чітких предустановок - критерії розподілу визначаються вже під час роботи алгоритму. Так можна швидко сегментувати клієнтську та продуктову базу. Скажімо, розбити клієнтів по регіонах чи рівню платоспроможності.
Алгоритми класифікації: на відміну кластеризації, ділять дані про класах з урахуванням заздалегідь прописаних характеристик. Так компанія може виділити цільову інформацію на вирішення конкретних завдань. Наприклад, визначити в автопарку машини, які ламаються частіше за три рази на рік.
Алгоритми регресії: орієнтовані безпосередньо на прогноз, спираються на вибірку об'єктів з різними характеристиками. Найчастіше результатом роботи такого алгоритму є конкретне число. Скажімо, очікуваний показник зростання попиту, чи ймовірний час доставки.
Використовуються інші види алгоритмів машинного навчання, все залежить від специфіки окремо взятої платформи. У сучасних системах можуть використовуватися кілька алгоритмів ML і самонавчальні нейромережі. Так платформа поступово “обростає” як даними, а й новими моделями їх обробки.
Засоби передиктивної аналітики можна інтегрувати із будь-якими інструментами. Можна віддати їм під аналіз навіть набір електронних таблиць, але краще оперувати досконалішими базами даних: WMS, TMS, CRM-системами.
Джерела даних у ланцюгах поставок
Диджиталізація будь-якого бізнесу так чи інакше починається з визначення та структуризації її "майстер-даних". Саме на них насамперед орієнтуватимуться алгоритми ML.
У логістиці передиктивна аналітика найімовірніше спиратиметься на такі дані:
- інформація з корпоративної цифрової екосистеми (дані з операцій та транзакцій, бухгалтерія, etc.);
- дані про ресурси логістики, що надходять від засобів IoT (стан транспорту, температурний режим та завантаженість на складі, трекінг посилок та ін.);
- значущі для промисловості зовнішні дані (стан доріг та залізничних мереж, трафік, погодні умови, політична ситуація, діючі карантинні обмеження тощо);
- фінансові показники та метрики ситуації на ринку.
Цей перелік не вичерпний. Як показує практика, корисно відстежувати навіть на перший погляд марну інформацію, на кшталт моди та трендів у соцмережах. У 2017 році вірусні відео в Youtube спровокували вибухове зростання попиту на спіннери (ще пам'ятаєте такі?), а нещодавно хітовий серіал “Гра в кальмара” підвищив попит на взуття Vans на 7800%. Кожен подібний епізод – це випробування для логістичної системи.
Як розпочати проект передиктивної аналітики у логістиці
Серед гравців українського логістичного ринку вкоренилася думка, що ІІ та алгоритми ML – це дорога технологічна екзотика, яку можуть дозволити собі лише найбагатші компанії. Такі уявлення застаріли щонайменше на 5 років, сьогодні нескладні машинні алгоритми пишуть навіть студенти та ентузіасти-одиначки.
Рішення для аналітики даних можна масштабувати. Звичайний інтернет-магазин із власною службою доставки може отримати максимум користі з машинного алгоритму для оптимізації роботи кур'єрів, тоді як великому логістичному оператору варто розглянути розробку просунутої аналітичної платформи на основі ІІ.
Інтеграція інструментів ML у компанію із сильною цифровою інфраструктурою сьогодні не є чимось “космічним”. Навпаки, ігнорування цього тренду обіцяє учасникам ринку відставання від конкурентів у перспективі 3-5 років. Для розробки власної передиктивної платформи компанії варто розпочати з визначення своїх цілей та доступних ресурсів. Вже на цьому етапі варто залучати необхідних фахівців або звернутися до IT-компанії з досвідом у логістиці та експертизою в Data Analytics .
І якщо ви розмірковуєте над використанням таких можливостей у вашому бізнесі, не відкладайте це в довгу скриньку. Обговоріть свої ідеї із нашими експертами. Телефонуйте, пишіть, залишайте заявку у формі на сайті.
