Nagy mennyiségű adatok felhasználása a logisztikában

A technológiai fejlődés következményeképpen rengeteg felhasználható adatunk van. Ezek elemzésével sikeresen fejleszthetjük cégünket, legyen szó szinte bármilyen iparágról. De mik azok a nagy mennyiségű adatok? Ez milyen hatással van a logisztikára és milyen gyakorlati példák vannak erre? Cikkünkben ezekre a kérdésekre adunk válaszokat.

Mi a Big Data?

Mielőtt belevágunk, nézzük meg mit is jelent a Big Data. Itt lenne a helye egy száraz tankönyvi definíciónak, de ilyen jelenleg nem létezik. Szűts Zoltán és Yoo Jinil tanulmányában a big datát „a strukturált és strukturálatlan információ mennyiségének exponenciális növekedését, annak elérést és felhasználását” érti.

A Transmetrics blogfelületén idézett Dr. Yingli Wang és Dr. Stephen Pettit E-Logistics: Managing Your Digital Supply Chains for Competitive Advantage című könyvében azt írja a Big Datáról, hogy „olyan adatkészletekre vonatkozik, amelyek mérete meghaladja a tipikus adatbázis-szoftvereszközök képességét a rögzítésre, tárolásra és elemzésre”. Az általuk idézett IBM négy kulcsattribútummal határozza meg:

  • Volume: az adatok skálája
  • Sebesség: az adat beérkezésének sebessége a vállalkozáshoz és az az idő, amely az adatok feldolgozásához és megértéséhez szükséges
  • Változatosság: az adatok különböző formái (strukturált és strukturálatlan)
  • Megbízhatóság: az adatok bizonytalansága, az adatok minőségére vagy megbízhatóságára utal
marcinjozwiak | Pixabay

Tehát a nagy mennyiségű adatok gyakran tartalmaznak strukturált és strukturálatlan adatokat. Sokak szerint az innováció és a termelékenység új határát képezik a prediktív elemzéssel, főleg a strukturálatlan adatok elemzésével szerzett felismerések.

Hatása a logisztikára

Mi adja a fontosságát, hogy ezeket a nagy mennyiségben beérkező adatokat (legyen az strukturált vagy strukturálatlan) elemezzük és használjuk? Az, hogy ezeket megfelelően felhasználva a szállítási és logisztikai folyamatainkat hatékonyan tudjuk optimalizálni, legyen szó az üzemanyag fogyasztásról vagy a raktározásról.

Markus Spiske | Unsplash

Atzori és társai 2010-ben már hangsúlyozták, hogy a nagy mennyiségű adatok nagy hatással lesznek a közlekedésre és a logisztikára, később pedig Waller és Fawcett írt arról, hogy a Big Data alkalmazása a logisztikában olyan területeken valósulhat meg, mint a készletgazdálkodás vagy a szállításmenedzsment. A nagy mennyiségű adatok mára elárasztják a logisztika területét, ezek értelmezéséhez és sikeres felhasználásához pedig fejlett prediktív elemző eszközökre van szükség. Ilyen eszköz lehet az adatbányászat vagy a gépi tanulás. A Big Data nagy hatással van az ellátási lánc átláthatóságára és az útvonal optimalizálására is, sikeres használata pedig segítheti a tárolás, a kezelés, szállítás és egyéb folyamatokat.

A Transinfo által megszólaltatott Kręcicki Norbert, aki a UPS Lengyelország marketing igazgatója, azt mondja, az adatok elemzése során nagyon fontos, hogy változtatni tudjunk a gondolkodásmódunkon. Ez azt jelenti, hogy „a „mi történt vele” (pl. megfigyelhetjük a piac viselkedését egy ünnep előtt) helyett a „mi fog vele történni”-re összpontosítsunk (pl. jövő évben ugyanebben az időszakban vagy más ünnepnapokon), és végül, hogy azt gondoljuk „mit kell vele csinálni” (pl. a járművek egy részét más útvonalakra irányítani, növelni a tartálykocsik számát egy adott időszakban, stb.)”. A UPS amerikai szállítmányozó részlege az általuk alkalmazott ORION (On-Road Integrated Optimization and Navigation) analitikus megoldással a megtett kilométerek számát több mint 160 millióval csökkentette, illetve 300 és 400 millió dollár közötti összeget takarított meg.

Nagy mennyiségű adatok felhasználása a gyakorlatban

A logisztikai Big Data esettanulmányok bemutatják, hogy a logisztikai és raktárkezelési adatok és elemzések hogyan alkalmazhatók a jelenlegi eljárásokra és folyamatokra egy vállalat működésének hatékonyságának és pontosságának javítása érdekében. Az adatok segítséget nyújtanak a jelenlegi aggodalmak kezelésére, még mielőtt azok komoly kérdésekké válnának egy vállalkozás számára. Az adatok elősegíthetik a tárolás, kezelés, szállítás és egyéb folyamatok javítását, ha helyesen alkalmazzák őket. Ezek felhasználása továbbá előnyös lehet a cégek elszámoltathatósága, láthatósága és ügyfélszolgálata szempontjából is.

Szucsányi-Borza Sebestyén, a Fuvar.hu alapító, ügyvezetője ezt gondolja a nagy mennyiségű adatok felhasználásával kapcsolatban:

Szinte közhelyé vált már hazánkban is az adatok piedesztálra emelése, mert minden szolgáltatási és gyártási területen a legjelentősebb versenyelőny megteremtésében láthatjuk kulcsszerepüket. A személyszállítás és étel házhozszállítás piacokon már láttuk, hogy milyen növekedési előnyt tud jelenteni az adatok analízise és fejlett algoritmusok használata, folyamatok automatizálása a korábbi rendszerek üzemeltetőivel szemben.

A Datumize segítségével most bemutatunk három esettanulmányt és gyakorlati példát!

UPS – Last-mile-delivery folyamatok optimalizálása

A last-mile-delivery a csomag teljes szállítási költségének akár 28%-ába is kerül. Amíg a kiszállítás folyik, a kézbesítő telefon GPS-je továbbítja az adatokat a UPS központba, ezzel pedig folyamatosan számolva van a folyamat időtartama. Ezzel olyan mintákat kapnak, amelyekkel optimalizálni tudják szállítási stratégiáikat.

A logisztikában, azon belül is a last-mile-delivery területen is egyre fontosabb szerepet kap a kapacitások digitalizálása és a predikciós modellek segítségével történő járattervezés.” – tette hozzá Szucsányi-Borza.

DHL – adatgyűjtés érzékelőkkel

A DHL szállítójárművei beágyazott érzékelőket tartalmaznak, ezeket pedig egy harmadik fél ellenőrzi a pontosság érdekében. Az ezekből a szenzorokból kiszűrt megbízhatósági és időszerűségi adatokat felhasználják, amikor új szerződést akarnak kötni. A vállalat kifejlesztette az intelligens teherautót annak érdekében, hogy javítsa az útvonaltervezést a GPS nyomkövetőktől és az utasoktól származó adatok alapján. Az ebből létrejövő telematikai adatbázisok azzal segítik a járművezetők munkáját, hogy hogy útvonal-frissítéseket kapnak, ez többek között segíti a balesetek és a forgalmi dugók elkerülését. A teljes mérföldek számát eddig 15%-kal csökkentette, ezzel redukálva az üzemanyag-fogyasztást és a CO2-kibocsátást is.

TIBA – hőmérséklet-érzékelő a teherautókban

A Tiba teherautóiba olyan hőmérséklet-érzékelő van felszerelve, ami a figyeli a szállított termékek állapotát. Ez továbbításra kerül a forgalmi és közúti munka adataival együtt egy központi útválasztó számítógépnek, ami riaszthatja az illesztőprogramot, ha az eredetileg választott útvonal a romlandó termékek olvadását eredményezi. Ez a számítógép ebben az esetben alternatív útvonalakat javasol a járművezetőnek.

Mivel a logisztikai iparban fontos a megbízhatóság, a fentebb említett prediktív elemzés egy fontos eszköz lehet a logisztikai vállalatok számára. A prediktív elemzés olyan lehetséges kihívásokat tud előre jelezni, „amelyekkel az üzleti folyamatban foglalkozni kell, és javíthatja a szolgáltatás minőségét és partnerekkel való kapcsolatot”.

Erre nagyon jó példa a Regens cikkében bemutatott UPS, amelynek járművezetői szinte soha nem fordulhatnak balra. Ezt a rendelkezésre álló adatokból a cég mérnökei ajánlották, ennek eredményeként járműveiknek közel 33 millió kilométerrel kevesebbet kellett megtenniük, további 350.000 csomagot szállítottak ki és 20.000 tonnával kevesebb szén-dioxid került a levegőbe. Tehát a prediktív elemzés segítséget nyújt a szállítási útvonalak, az üzemanyag-felhasználás, illetve az alkalmazottak számának optimalizálásában többek között.

Végezetül

A nagy mennyiségű adatok új utakat nyitott meg arra, hogy sikeresebbé fejleszthessük vállalkozásainkat, amire konkrét példák vannak. A jövőben ez a technológia még kifinomultabbá fog válni és itthon is egyre több szakember kerül ki a piacra. Ahhoz, hogy akár gépi tanulással tudjon egy algoritmus kapacitás kiosztást és útvonal optimalizálást végezni, ahhoz strukturált adatokra van szükség. A Fuvar.hu most erre fekteti a legnagyobb hangsúlyt.

Horváth Zsolt írása.

Fotó: Wynn Pointaux | Pixabay