A cég vezérigazgatója még 2011-ben mondta el a Fortune magazinnak, hogy az útvonalak, szállítási idők és más statisztikák átfogó elemzése után döntöttek úgy mérnökeik, hogy betiltják a balra kanyarodást.

Ezzel elérték, hogy

• járműveik közel 33 millió kilométerrel kevesebb utat kellett megtegyenek,
• 350 ezerrel több csomagot szállítottak ki és
• 20 000 metrikus tonnával kevesebb szén-dioxidot bocsátottak a légkörbe.

Hogy ez miért működhet? Mert az adatokból világosan kiderült, hogy a jobbra kanyarodás többek között kisebb balesetveszéllyel jár, gyorsabb, mivel kevesebbet kell a forgalomra várni és a sofőr is jobban képes irányítani a járművet.

Ez a Big Data: szenzorok és más IoT (Internet of Things) eszközök által összegyűjtött, majd rendszerezett adatok, amelyek az adatbányászat eszközeivel megmutatják, hogyan tehetőek a folyamatok gyorsabbá, egyszerűbbé és költséghatékonyabbá.

Logisztikai kihívások és a Big Data válasza

A logisztikai piacon a legfontosabb mutató a megbízhatóság: partnereik az ellátási lánc létfontosságú elemét biztosítják. A szállítási folyamatoknak tehát pontosnak és biztonságosnak kell lenniük.

Különösen úgy, hogy a partnerek igényei folyamatosan változhatnak. A logisztikai cégeknek nem elég ehhez alkalmazkodniuk, ideális esetben előre kell látniuk azt, hogy mennyi járműre, alkalmazottra, üzemanyagra, raktárra lesz szükség, és ezek költségei hogyan optimalizálhatóak.

Ezt a feladatot a prediktív analitika látja el: segítségével előre jelezhetőek azok az esetleges kihívások, amelyekhez az üzleti folyamatokat hozzá kell idomítani, és amelyekkel a szolgáltatás színvonala, a partnerekkel fennálló viszony javítható.

A Big Data alapján végzett analitika ezen felül abban is segít, hogy a működés hatékonyságát növeljük: ahogyan a UPS példáján is látható, optimalizálhatóak a szállítási útvonalak, az üzemanyag-felhasználás, az alkalmazottak száma és beosztása és így tovább.

Így nem csak a költségek, az árak is csökkenthetőek, vagyis a partnereknek akár alacsonyabb áron is biztosítható magasabb színvonalú szolgáltatás, ami jelentős előnyt jelenthet a versenytársakkal szemben.

Hol teszi hatékonyabbá a logisztikát az adatbányászat?

Vegyünk sorra néhány területet, ahol az IoT-szenzorok és a Big Data valóban kézzelfogható hasznot hajthat:

Elosztóközpontok és raktármenedzsment: a kapacitás, a rendelkezésre álló hely megfelelő elosztása és a központokban zajló munka optimalizálása komplex feladat. A Big Data arra ad lehetőséget, hogy hatékonyabban, akár valós időben leltárazzunk, kevesebb terméket kelljen leírnunk, mindig legyen elegendő hely és a szállítás akadálytalanul kezdődhessen.

A hálózati erőforrások elosztása: hogyan skálázzuk az ellátási láncot úgy, hogy mindig megfeleljünk a piaci igényeknek? A Big Datával pontosan előre jelezhetjük a keresletet, optimalizálhatjuk a flotta kihasználtságát, a szállítók beosztását, egyúttal növelhetjük a biztonságot is.

Útvonaltervezés: ha tudjuk, hogy a sofőrök milyen útvonalakon mennyi idő alatt, milyen ráfordításokkal közlekednek, bevonva a forgalmi és más külső adatbázisokat, akár töredékére csökkenthetjük az időt és a költségeket a szállítás esetében (lásd az utolsó kilométer problémáját lejjebb). Ezzel együtt maximalizálhatjuk a járművek kihasználtságát és pontosan meghatározhatjuk a szállítási időt is.

Ügyfélkezelés: megbízható, pontos és olcsó szállítás, zökkenőmentesen üzemelő ellátási lánc esetén az ügyfelek elégedettebbek és elkötelezettebbek lesznek, több alkalmunk nyílik partnereket szerezni, míg a szolgáltatás költségeit a kihasználtság, az erőforrás-felhasználás és a munkaerő optimalizálásával csökkenthetjük.

Marketing: a megfelelő analitikai eszközökkel, illetve a rendelkezésre álló, a cég szolgáltatásainak minőségét bizonyító adatok felhasználásával új ügyfeleket szerezhetünk, a meglévőekkel új szintre emelhetjük az együttműködést, megjósolhatjuk jövőbeni növekedésünket és bevételeinket, akár új üzletágakat tervezhetünk.

Kockázatelemzés: pontosan felbecsülhetjük a kockázatokat, a balesetek, rendkívüli események bekövetkeztének esélyét, hogy mekkora plusz költséget jelentenek és mekkora kiesést. Megtudhatjuk az adatokból azt is, hogy milyen üzleti kihívásokkal kell szembenéznünk cégen belül és a piacon, illetve egyedi ajánlatokat azonosíthatunk be konkurenciaelemzés által.

Fenntartás: a karbantartási munkák, felújítások, eszközbeszerzések pontosan tervezhetőek, minimalizálható az amortizáció, csökkenthetőek a kockázatok, javítható a szolgáltatás színvonala és elkerülhetőek a rendkívüli költségek.

Vegyünk sorra néhányat a leggyakoribb kihívások közül és nézzük meg, hogyan segít ezek megoldásában a Big Data.

Az utolsó kilométer

A „last mile” jelenség jól ismert a logisztikában: arról van szó, hogy a szállítmányozás során általában az utolsó rövid szakasz jelenti a legnagyobb kihívást, illetve követeli a legnagyobb ráfordítást. Akár a teljes szállítási költség 28%-át is adhatja.

Könnyű belátni, hogy miért: közrejátszik a cím pontos megkeresése, az esetleg problematikus vagy drága parkolás, a kényes, törékeny csomagok kezeléséhez szükséges extra erőfeszítés.

Korábban ez az utolsó szakasz „fekete doboz” volt, vagyis a logisztikai cégek nem láttak rá, hogyan zajlik, ma viszont a technológia már lehetővé teszi ezt: a szenzorok segítségével összegyűjtött adatok alapján optimalizálhatóak a szállítási megoldások, új irányelvek alkothatók, amelyek csökkentik ezeket a költségeket.

Transzparencia és megbízhatóság

A Big Data abban is segít, hogy a logisztikai cég transzparensen működve szerezzen új ügyfeleket.

Azok, akik nem használják ki az adatbányászat adta lehetőségeket, legfeljebb megbecsülni tudják egy-egy új ügyfél esetén, hogy a szállítás, legyen az egyszeri vagy rendszeres, mennyi időbe telik majd és mekkorák lesznek a költségei, ami egyik félnek sem ideális.

A szenzorok viszont összegyűjtik az adatokat, melyeket egy hiteles harmadik fél értékelhet ki. Az új ügyfeleknek adott ajánlatokba pedig már ezek építhetőek be. Az emberek gyakran tévednek, túl- vagy alábecsülnek bizonyos tényezőket, az algoritmusok viszont mindig tényszerűen elemeznek.

IoT a raktárakban

A raktározásban épp olyan fontos, hogy percre kész információkkal rendelkezzünk, mint a szállításban.

Az egyes tárolt termékek, csomagok RFID jeladókkal láthatóak el, melyekből nem csak azt tudjuk, hogy éppen mekkora készlet van raktáron. Az adatok tartalmazhatják a csomagonkénti darabszámot, méreteket, így egy automata rendszer azonnal tudni fogja, hány termék érkezik vagy távozik, és hol helyezhető el, hogy a rendelkezésre álló helyet maximálisan kihasználjuk.

A szenzorokkal követhető az eszközök kihasználtsága, állapota is, tudni fogjuk, hogy az eszközök, mint egy futószalag vagy egy villásemelő, mikor vannak használatban és mikor tétlenek.

A raktárban, mivel a jeladók és szenzorok által pontosan tudjuk, mit és hol tárolunk, tökéletesen irányíthatóak az alkalmazottak, valós időben akár automatikusan koordinálhatjuk a munkájukat. Sőt, egyes esetekben akár ki is válthatjuk olyan eszközökkel, mint az automatikus járművek (Automatic Guided Vehicle, AVG).

Mennyit költ erre a piac?

Hogy mennyit fektetünk IoT-megoldásokba és a Big Data elemzésébe, annak csak a cég pénzügyi lehetőségei szabnak határt. Az IoT-költések a becslések szerint az idei évben elérik majd a 800 milliárd dollárt, ebből pedig 200 milliárd dollárt kifejezetten az ellátási láncok optimalizálásba fektetnek.

Csak a GE egymilliárd dollár költ arra, hogy a különféle eszközökbe épített szenzorokból érkező adatokat kinyerje, majd folyamatait az adatbányászat segítségével optimalizálja.

Első lépésként az is elegendő, ha a flottát olyan szenzorokkal látjuk el, amelyek képesek követni a járművek, szállítók helyzetét, és regisztrálni az útvonalakat, szállítási időket – ez már önmagában hatalmas segítséget adhat a szolgáltatás javításában.

A szenzorok és a hozzájuk tartozó szoftverek ma már egyáltalán nem is megengedhetetlenül drágák: a ráfordítás mindenképpen megéri, különben a legnagyobb logisztikai vállalatok sem ölnének az IoT-fejlesztésbe milliárdokat.

Forrás: Business Insider, DHL, Supply Chain Digital, DHL, Supply Chain Dive, McKinsey