В сфере транспортной логистике , интернет-торговли сложилась четкая тенденция: логистика становится важным отличительным фактором, обеспечивающим преимущества участникам отрасли. Торговые фирмы трансформируют свои цепочки поставок, вводя умную аналитику для управления складскими запасами и доставкой. Транспортная логистика требует внедрения предиктивной аналитики. Используя прогнозные материал по логистике и формируя на их основе аналитику необходимую для бизнеса, менеджеры логистических услуг обретают дополнительные преимущества. Предиктивная аналитика — это когда мы стараемся прогнозировать будущее, используя знания и вводные данные: статистику, информацию. По другому ее еще можно назвать предсказательная аналитика. Предсказательная аналитика — разряд технологий разбора данных, фиксирующийся на прогнозировании грядущего действия предметов и субъектов с целью принятия подходящих решений. Но сейчас накапливает тренд применение предсказательной аналитике в сфере автотранспортной логистике.
Предсказательная аналитика происходит следующим образом:
1) Информации, которая находится и собирается. ( статистические сведения из CRM компании, метрики сайта, статистика звонков из колл-центра) [1].
2) Выгрузку всей информации в специальную единичную программу.
3) Хранение информации. (Собранные материал могут сберегаться у аналитиков в специализированной программе, также огромные материал могут быть расположены в облачных хранилищах, а потом будут взяты от туда для использования. Впоследствии необходимо осмыслить, как отобрать материал и сделать предсказание.
4) Проверка свойства данных. (Первоначально необходимо поставить верность записей — все ли показатели за интересующие периоды точно собраны. На этом рубеже необходимо принять решение о том, разрешено ли пользоваться данными).
5) Обработка огромных данных. (Если этих данных много, нужно применить программу Big Data. Наша установка — не употреблять все записи, а объединить их к единому ввиду. Основное — заполучить материал, с которым в дальнейшем сумеют действовать специалисты и их алгоритм. Вот эти программы Hadoop и Spark помогут живо обработать каждые массивы информации.
6) Построение прогнозов. (Теперь необходимо изучить программы для разыскивания закономерностей и создания предсказаний, к ним относится: классическая статистика — самое действенное на сегодня инструмент предвещания будущего. Это результаты разбора прогнозов, который нужно показать с помощью графиков и схем, после чего специалисты могут оценить результаты).
Рассмотрим какие виды аналитики бывают. В мире существует 4 вида аналитики:
- Описательная (дескриптивная), которая отвечает на вопрос «Что случилось?», рассказывая нам что уже произошло в прошлом. Например, различные исторические факты прописанные в учебниках истории[2].
- Диагностическая, которая анализирует информацию, чтобы ответить на вопрос «Почему это случилось?». Эта аналитика основана на статистических данных, которая показывает что уже произошло и самый главный вопрос почему это произошло. Например, произошел сбой на электростанции, данная аналитика покажет из за чего произошел этот сбой[3].
- Предиктивная (прогнозная, предсказательная), которая прогнозирует неизвестные события в будущем, отвечая на вопрос «Что может случиться?» на основе анализа накопленной информации. Данная аналитика показывает нам то что будет в будущем. На данный момент этот вид аналитики только развивается и мы рассмотрим его в данной работе. Например, представим нам надо перевезти молоко, но просто взять и бездумно вести не получится, так как молоко является скоропортящимся продуктом, для этого нам и нужна предсказательная аналитика, искусственный интеллект нам поможет просчитать весь маршрут до мелочей и доставить груз во время.
- Предписывающая (предписательная), которая отвечает на, пожалуй, главный управленческий вопрос «Что делать?». Данный вид направлен только на искусственный интеллект. Об этом виде аналитики мы поговорим тогда, когда предсказательная аналитика будет работать на все 100 процентов[4]
- На данный момент набирает популярность система отслеживания BearingPoint.
BearingPoint является одной из ведущих компании в области предиктивной аналитики. Таким образом, данное интеллектуальное решение позволяет на основе предиктивной аналитики интегрировать поставки, осуществляемые компаниями сектора интернет-торговли, с традиционной доставкой на основе заказов. BearingPoint помогает в разработке системы визуализации рисков на основе единой платформы для реагирования на сбои в работе цепочки поставок. Основным элементом таких решений является интеграция в систему и актуализация прогнозных данных по рискам, а также тщательно проработанная стратегия минимизации рисков и планирования на случай чрезвычайных обстоятельств. В итоге провайдеры логистических услуг получают возможность эффективно реагировать на возникающие угрозы и своевременно информировать о них своих клиентов и партнеров по цепочке поставок[5].
Таким образом, предлагаемые BearingPoint технологии в предиктивной логистики представляют собой новое поколение решений по организации логистических операций в масштабе всей цепочки поставок, обеспечивающей более высокие скорость, точность, прибыльность и надежность в каждом ее звене, что представляет собой важное отличительное преимущество в глазах клиентов.
9) Рассмотрим плюсы и минусы предиктивной аналитики.
Плюсы предиктивной аналитики.
- Самый главный плюс предиктивной аналитики- это возможность получить долгосрочные результаты, которые помогут компании улучшить свою логистику.
- С помощью предиктивной аналитики можно сокращать пустое место в грузовых прицепах с 50% до 20%.
- Так же предиктивная аналитика поможет экономить топливо.
- С помощью предиктивной аналитике, можно представить конкретную ситуацию с опережением.
- Снижение рисков
Минусы предиктивной аналитики.
- Самый главный минус, не точность предсказаний.
- Не правильная оценка результата.
- Из-за неправильного анализа, большие убытки.
Если посмотреть на полюсы и минусы мы сразу увидим, что это идеальный метод для экономии, так как плюсы очень сильно преобладают над незначительными минусами. Тогда сразу встает вопрос, почему же предиктивную аналитику, так мало используют в транспортной логистике.
А вот и ответ:
- Неуверенные менеджеры, которые в этой аналитике видят только угрозы для предприятия.
- Самое главное, не хватка современных ресурсов по сбору и хранению данных.
- Маленькая популярность применения такой аналитики в сфере транспортной логистике.
Сейчас поднимается вопрос, возможно ли развить предиктивную аналитику на 100%?
Достигнуть 100% правильности прогноза не получится никогда, так постоянно отыщется внешний фактор, который будет тормозить прогноз. Но можно представить, что в будущем при идеальных критериях и со сверхмощным искусственным интеллектом, мы сможем этого достичь, но об этом мы можем сейчас лишь только мечтать. Мы хотим со 100% верностью узнать, сколько времени нам понадобится на то, чтобы доставить бетон и построить стены. У нас есть четыре месяца и сведения по среднему времени возведению стен сходного по параметрам дома. Для анализа мы возьмем месяца: март, апрель, май, июнь, вдобавок мы будем трудиться каждый день и погода должна быть солнечная. Нам нужно скомпилировать сценарий продолжительность работы в июне. Наш искусственный интеллект предоставила некоторый результат, но июнь выдался слякотным и пасмурным. Нам становится понятно, что полученный сценарий не будет отражать 100% результат. следовательно 100% верность — это фантастика. Все что мы можем это только повысить начальный результат на 8-10 %. Это очень сложно и дорого. Сейчас, при 80%, мы обладаем недостаточно быстрым расчетом. А при росте верности и глубины разбора есть опасения не увидеть прогноз никогда. Давайте, изобразим что мы все таки добились 100% результата. Но всегда будет несоответствие в плюс или в минус, теперь приведу пример: предположим наша аналитика предсказала падения криптовалюты на 2% через 2 дня. А по факту произошел прогресс на 2%, для экономических организаций это очень огромные потери.
Предсказательный анализ — это не волшебная палочка для предсказаний всего и везде. Но если предиктивную аналитику использовать для планирования в логистике, можно достигнуть 85% верности прогноза. А это уже серьезно помогает повысить частоту и безопасность перевозки. В данной схеме вы сможете наблюдать одни из основных сфер применения[6].
Разберем каждую сферу применения предсказательной аналитики более подробно.
- Оптимизация производства
Это означает, сбор информации о производстве и своевременное устранение ошибок и различных проблем[7].
Пример: Допустим у нас свой цех мороженного, и уже не в первый раз у нас выходит из строя один из конвейеров из за высокой температуры. Если мы знаем это и тот фактор, что завтра будет высокая температура воздуха, мы сможем это предотвратить и не будет простоя в производстве.
- Обнаружение мошенничества
Это анализ поставщиков, перевозчиков, водителей. За счет этого анализа можно будет их отсеивать на стадии анкетирования.
Пример: Мы занимаемся перевозками, и у нас есть собранная информация о том, что клиенты судимые чаще всего не профессионально осуществляют перевозку. Зная это, мы можем не сотрудничать с клиентами из этого сегмента.
- Управление рисками
С помощью этого фактора можно сделать анализ, взяв информацию с прошлого негативного события и исправить его в будущем[9].
Пример: Мы занимаемся логистикой, и у нас есть статистика, что перевозка груза за границу имеет большой риск изъятия груза, чем перевозка по России. Следовательно, чтобы компенсировать риски от перевозки, мы постараемся перевозить за границу по большей цене страхования.
- Продажи
С помощью продаж, мы сможем узнавать точные показатели, которые влияют на выручку и прибыльность[10].
Пример: Мы сумеем посмотреть на статистику за прошлые года и понять , что влияло на выручку положительно, а что отрицательно, и тем самым улучшать то что у нас получалось и исправлять свои ошибки.
- Работа с персоналом
Нужно лучше относится к персоналу, стараться учитывать их пожелания, но и не стоит забывать, что не нужно прогибаться.
Пример: Ваши сотрудники работаю много и обедают прямо за рабочем местом, нужно сделать отдельное помещение где сотрудник сможет спокойно пообедать и отдохнуть в свое обеденное время, и тогда его работоспособность возрастет.
С помощью улучшения предсказательной аналитики в транспортной логистики можно достичь[11]:
- Уменьшения пустого места в прицепах.
- Экономия топлива
- Снижения расходов
Но почему же в транспортной логистике не распространена предиктивная аналитика, а этот все из-за:
- Неквалифицированных менеджеров
- Некачественных программ по сбору данных
- Низкая популярность
Для развития предиктивной аналитики в логистике нужно осваивать новые технологии сбора информации, а для этого нужно создать общую базу данных, куда менеджеры будут вносить все данные о клиенте, о расстояние, о плотности трафика, о загрузке автомобиля. Затем, когда данные будут внесены в программы, она должна будет предоставить результат с точностью 80%-90% процентов, не 100%, так как выше мы уже рассматривали, что пока технологии не дошли, до прогнозирования в 100%, так как на это влияет очень много факторов.
После проведения всех этих действия, логистика должна выйти на следующий уровень, когда доставка будет осуществляться быстро без задержек, качественно без брака и просрочки, и самое главное более экономичнее, что очень важно для логистической компании и людей, которые будут экономить на доставке.
Предиктивный анализ является передовой технологией и нужно стремится его развивать, так как за предиктивным анализом будущее.
Рассмотрим еще одну программу для применения предиктивной аналитики.
Еще некоторые компании используют программу предиктивной аналитики «РАМАКС».
Какие возможности открывает данная программа:
- Единое хранилище
- Автоматизация аналитических данных
- Решение на основе факторов
- Улучшение результатов для логистических компаний
Так же эта система «РАМАКС» умеет:
- Анализировать клиента и его поведение
- Вычислять мошенничество
- Создавать новые предложения для клиента
- Выявлять различные нарушения
В данной статье мы рассмотрели и выявили, что на данный момент человечество не придумало программы, которая сможет предсказать результат на 100 процентов, но человечество стремиться приблизиться к этому.
Заключение
Сейчас очень быстро развивается предиктивная аналитика и очень много компании начали создавать целые отделы для предиктивной аналитики.
Я считаю, что предиктивную аналитику в транспортной логистике нужно развивать и как можно скорее. Для того, что бы сократить время доставки и уменьшить издержки. Предсказательная аналитика является важной частью будущего и для того что бы ее развить нужно много работать и создавать новейшие программы с искусственным интеллектом. Для начала нужно придумать технологию, которая будет выбирать информацию из миллионов документов. Затем данная технология должна выбрать нужную информацию и выдать результат. Транспортная логистика очень нуждается в предиктивной аналитике.
В заключении хотелось бы сказать, что как бы этот грустно не звучало, но предиктивная аналитика в ближайшем будущем не сможет показывать результат аналитики с точностью 100 процентов, так как на сегодняшний день в мире нет такого сильного и умного искусственного интеллекта, что бы он мог за секунду выдать точный результат. Но я надеюсь что в скором будущем данная аналитика будет работать на 100 процентов и транспортная логистика заживет новой жизнью.
