Pojmy jako Big Data, Umělá inteligence nebo Machine learning najdete dnes v každém druhém článku, který se alespoň trochu dotýká IT. Pravdou ovšem je, že projektů tohoto typu je v České republice stále jako šafránu a těch skutečně přínosných snad ještě méně. Jak potvrzují výzkumy analytických firem jako Gartner, 70 až 90 procent existujících dat průmyslové firmy stále neumí využít.

Příčina není snad až tak na straně nabídky, jako právě na straně poptávky. Každopádně ledy se pohnuly a zájem o tyto technologie se kromě finančnictví a bankovnictví začíná zvedat i v tradičním průmyslu. Manažeři si začínají uvědomovat, že na některé otázky jim běžná lokální řešení neodpoví a že je někdy třeba komplexního pohledu s využitím pokročilých algoritmů.

Analýza dat otevírá oči

Zpracovat a vyhodnotit obrovská množství dat a najít v nich to, co dává smysl a může firmě pomoci v jejím jednání, není snadné. Jisté je, že to za to stojí. Správné vyhodnocení nasbíraných dat může podstatně pomoci zvýšit efektivitu, ušetřit náklady a jednoduše řečeno dělat věci tak, aby dávaly smysl.

Zaměřit se na Big Data znamená vyhodnotit celý řetězec, od zákazníků po dodavatele, a zkoumat, co se v jednotlivých článcích celého řetězce děje. Když se pak na celý tento řetězec podíváme z výšky, ukáže se pořádně spletitý síťový graf, který můžete vidět na obrázku. Z něj je jasné, o jak komplexní věc jde.

g-green-2.jpg

Každé epicentrum, z nějž vybíhají čáry dál, představuje našeho zákazníka, kterému řídíme dodavatelský řetězec. Čím je tohle epicentrum větší, tím větší je i firma. Rovné čáry představují spojení s dodavateli. Celkem tu můžeme vidět 50 tisíc vazeb, z nichž v 15 tisících jde o vazby propojené. To je ohromná příležitost. 30 procent spojení je společných, ale firmy to zatím neumí využít a proto podle toho ani neplánují. Graf znázorňuje de facto vzorek celého trhu (jsou zde zachyceny firmy z obchodu, řetězce, potravináři, nápojáři, zdravotní i automobilový průmysl). Vyjádřeno v reálných číslech, aby bylo jasné, o jak velké téma, potažmo o jak obrovskou sumu jde: na pozadí těchto vazeb je 160 miliard obratu a 120 miliard nákupu, jinak řečeno dvě miliardy transakcí za dva roky a 23 milionů položek na prodejnách.

V čem nám to pomůže?

Znalost těchto spojení může pomoci zefektivnit plánování a celkově řízení dodavatelského řetězce. Pokud by se informace mezi jednotlivými články přenášely rychleji a cíleně, podařilo by se lépe reagovat na nejrůznější výkyvy v poptávce a reflektovat je bez zbytečných nákladů.

Z dat se kupříkladu dají analyzovat promoakce. Bez speciálních nástrojů to není vůbec snadné, ale vzhledem k tomu, že se dnes až 50 procent zboží prodává právě přes promoakce, je analýza jejich efektivity více než smysluplná.

Další příležitostí pro využití dat je efekt „kanibalizace“, o kterém obchodníci moc nemluví. Opět to je z velké míry proto, že dnes jen těžko dokáží přesně určit, kde a v jakém rozsahu k ní dochází. Dáte slevu na eidam a ementál zůstane v regálech. Podobně je na tom otázka, jaký je skutečný postpromoční efekt. Pomáhá ve výsledku prodejům? Díky analýze dat jsme ale schopni zjistit i tohle.

Když si pak vezmeme pod lupu produkční linky a zamyslíme se nad tím, jak je postavit tak, aby fungovaly co nejefektivněji, vidíme další důležitý úkol. Možných kombinací, jak výrobní linku byť jen pro několik produktů poskládat, je ohromné množství. A bez dat je výsledná varianta především výsledkem zkušenosti a intuice.

A samozřejmě dalším velkým tématem je distribuce. Jak ji uspořádat, abychom zbytečně neplýtvali zdroji? Stačí pět vozidel, deset zastávek a možných kombinací je opět bezpočet.

Příklad z praxe – automobilový průmysl

Tým logistiky jedné automobilky nás požádal, abychom pomohli s řízením spolehlivosti odvolávek dodavatelům (dodání požadovaného materiálu včas, ve správném množství a kvalitě). Otázky, na které jsme hledali odpověď, zněly třeba takto:

  • Jaké jsou hlavní statistické faktory způsobující nespolehlivost odvolávek?
  • Jaká je „riziková přirážka“ těchto faktorů?
  • Jaké jsou možnosti predikce nespolehlivosti odvolávek?
  • Jaká jsou rizika a úzká místa v procesu realizace dodávky?

Abychom tyto odpovědi našli, museli jsme nejprve zpracovat velké množství historických dat. Miliony historických odvolávek, záznamů o jejich průběhu nebo třeba i denní data o počasí. Ve výsledku jsme tak měli k dispozici stovky datových zdrojů, jejichž kontextovou analýzou a s využitím machine learningových algoritmů jsme hledali jehly v kupce sena.

A to je přesně to, co tyto nové technologie a metody dělají. Dokážou ve změti dat prstem ukázat na to podstatné. Pomocí pokročilých algoritmů data miningu, machine learningu a heuristik jsme našli skutečně důležité informace vedoucí ke zlepšení celého procesu. Navíc byly tyto informace přiřazeny svému majiteli, tj. zodpovědnému disponentovi. Ten tak dnes už dostává personifikovaný dashboard o svých odvolávkách. Vidí, kde se mu daří a kde je naopak potenciál pro zlepšení.

Příklad optimalizované dodavatelské sítě.

Každý disponent má ve výsledku jen několik málo svých “Big Data příběhů”. Ty ale reprezentují desítky procent všech nevěrných odvolávek. Jak jistě tušíte, každé zlepšení věrnosti odstraňuje potřebu držení pojistných zásob a rezervních kapacit zdrojů, nemluvě o riziku ztrát z nevýroby.

Mnozí ještě nevědí

Big Data jsou velké téma, okolo kterého se našlapuje často spíš opatrně a s velkým otazníkem, co všechno si pod tím představit. V každém případě je jasné, že obrovská množství dat z nejrůznějších oblastí a jejich propojení budou (a jsou) rozhodující pro budoucí a dlouhodobý úspěch. A právě v logistice to platí dvojnásob.
Přečtěte si třeba o tom, jak Big Data využít v distribuční strategii nebo v analýze prodejů a tržeb.