Лобанов-логист
Лобанов-логист
Личный кабинетВходРегистрация
Например: Логистика

BigData в логистике. Миф или реальность?

Страницы: 1
RSS
BigData в логистике. Миф или реальность?, BigData
 
Добрый день

Заинтересовался вопросом БД в логистике. Решил ради интереса заглянуть в простору интернета, чтобы вкусить опыт передовых бойцов невидомого фронта по инновациям, и получил ... бзик....
Ощущение, что одна половина копи-пастит написанное, а вторая копи-пастит из накопипастенного )))

Кое-что собрал. Может кому пригодится.  
 
Источник: http://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%9E%D0%B1%D0%B7%D0%BE%D1%80...

По мнению Артура Рахматулина, начальника управления интеллектуальных транспортных систем компании «Техносерв», для логистики ритейла ключевыми целевыми факторами внедрения Big Data должны стать:
повышение эффективности управления информационными потоками;
создание единого информационного пространства (складская, транспортная, клиентская логистика);
выработка единых стандартов качества;
обеспечение адаптивности маршрутов и сроков поставок в реальном времени;
улучшение качества планирования логистических ресурсов и оптимизации использования торговых площадей;
повышение эффективности отслеживания перемещений товара во всех точках продаж;
расширение возможностей взаимодействия торговой сети с клиентами.
 
Компания: United Parcel Service (UPS).
Отрасль: логистика. UPS – американская логистическая компания, крупнейшая в мире по доставке посылок и управлению цепями поставок, доставляет более 16,9 миллионов грузов в день в более чем 220 странах мира. UPS использует большие данные для оптимизации маршрутов, сокращения затрат топлива и нагрузки на окружающую среду. Компания применяет радиолокацию для отслеживания грузов, собирает и анализирует показатели множества датчиков для контроля состояния транспортных средств и поведения водителей, использует данные мобильных CRM для мониторинга доставки и качества обслуживания клиентов. Для оптимизации маршрутов и сокращения затрат в компании внедрена система ORION – одна из крупнейших в мире систем, основанных на результатах математической теории исследования операций. Построение оптимальных маршрутов производится в реальном времени с использованием огромных вычислительных мощностей. Для решения этой задачи система использует картографические данные, данные о пунктах отправления и прибытия, размерах и требуемых сроках доставки грузов. Результат: экономия порядка 6 млн. литров топлива в год, сокращение выбросов углерода в атмосферу на 13 тыс. тонн ежегодно, повышение скорости доставки.
 
Источник: http://www.lscm.ru/index.php/ru/glavnaya/item/1097
Доки порта в Гамбурге занимают площадь в 7200 га (что составляет примерно 10% площади всего Гамбурга), и ресурсы роста исчерпаны. Однако количество контейнеров, проходящих через порт ежегодно, постоянно увеличивается, и на сегодняшний день составляет 9,3 миллиона (139 млн тонн). Движение внутри и за пределами порта становится всё плотнее,  но при этом автомобили, которые обслуживают порт, проводят в движении лишь 30% всего времени работы, что является тревожным сигналом. Никакой возможности контролировать автомобильную ситуацию раньше не было. Глобальное IT-решение было сложно разработать из-за неоднородности всех данных и работы на одной территории множества брокеров и операторов терминалов, которые в первую очередь интересовались своей собственной эффективностью. Чтобы перемещение транспорта в порту не приводило к пробкам на дорогах и не превращалось в хаос, команда топ-менеджеров решила внедрять облачную систему Smart Port Logistics. Это программное решение позволяет держать под контролем весь поток товаров, перевозимый на 40 000 машинах в день. Со стороны ситуация в порту напоминает колонию муравьёв: огромное количество машин передвигаются между терминалами, перевозя по 6 или 12 контейнеров за раз. Smart Port Logistics, система, разработанная T-Systems совместно с Deutsche Telekom Innovation Laboratories, SAP и Управлением Гамбургского Порта, призвана разрешить проблему контроля большого количества машин с помощью облачного решения, установленного в Центре контроля и на планшетах водителей. Система работает из частного облака на платформе Telematic One и позволяет разворачивать дополнительные приложения, например, BYOD (Bring Your Own Device), которые пользователи используют через сервисный портал. Технология для управления Большими Данными SAP HANA объединяет данные разных компаний о нахождении транспорта, загруженности дорог и инфраструктуры и предоставляет авторизованный доступ к информации для разных сотрудников.
Благодаря Smart Port Logistics работники Центра контроля могут круглосуточно следить за перемещением грузовиков, которым система подсказывает оптимальные маршруты в зависимости от загруженности трасс и наличия парковочных мест. Связь производится посредством мобильного интернета. Как только грузовики выезжают из порта, система присылает водителю всю необходимую информацию о статусе близлежащих дорог. Решение позволяет разгрузить трафик вокруг порта и сократить время доставки груза.  Ключевое отличие от уже распространённых популярных гео-сервисов заключается в том, что водители получают только необходимую информацию конкретно для решения задачи по доставке груза. Для этого используется так называемая система «гео-ограждения» – своего рода фильтр, убирающий всю лишнюю информацию, как только водитель покидает определённый периметр.  
Система на базе централизованной платформы Telematic One доступна для всех заинтересованных лиц в порту Гамбурга. В дополнение к логистическим службам, доступ к информации имеют операторы терминалов, владельцы судов и менеджеры складских помещений, что позволяет избавить участников процесса от огромного количества существующих разнородных приложений. В результате проекта порт Гамбурга стал более привлекательным транспортным узлом для логистических и судоходных компаний. Управление порта использует большие данные в анонимном виде для измерения и распространения информацию о ключевых показателях эффективности: количество минут, проведенное грузовиками в порту. Теперь водитель каждого грузовика экономит до 10 минут на погрузку, а это на 5000 часов в день меньше в рамках всего логистического узла. Проект принес значительную экономию средств и реальный плюс для окружающей среды. В планах порта Гамбурга увеличение пропускной способности до 25 млн TEU к 2025 году.
 
Procter & Gamble с помощью БД проектируют новые продукты и составляют глобальные маркетинговые кампании.
P&G создал специализированные офисы Business Spheres, где можно просматривать информацию в реальном времени.  Таким образом, у менеджмента компании появилась возможность мгновенно проверять гипотезы и проводить эксперименты. P&G считают, что Большие Данные помогают в прогнозировании деятельности компании.
 
P & G:
127000 сотрудников
300 брендов
покрытие в 180 странах мира
4 миллиарда операций в день

Реализация "Business Spheres":
- 2 вогнутых экрана 32 футов в ширину и 8 футов высотой. Обращены друг к другу.
- предоставление данных в реальном режиме времени.
- обработка 200 терабайт данных.
- графическое представление.
- совместная работа групп ("мозгового штурма")


Цель "Business Spheres":
- одновременная работа с данными.
- изменение условий акций.
- изменение условий ценообразования.
- изменение ассортимента продукции.
- единые источники данных.


Пример анализа:
- является ли падение продаж во Франции из-за продаж только одному дистрибутору?
- что будет с продажами в Европе, если сократить рекламные расходы?
- если повысить цены, то какая будет доля?
- если повысить цены только на определенный процент, какая будет доля?

Источник: http://sps.columbia.edu/applied-analytics/news/sharing-real-time-data-transform-decision-making
http://www.amberoon.com/CarpeDatumRx/bid/211677/Proctor-Gamble-Business-Sphere-and-Decision-Cockpits
 
Транспорт
Маршрутизация
Оптимизация маршрутизации в реальном режиме времени на основании текущих дорожных условй, доступных окон доставки.
Управление рисками
Анализ и пронозирование событий, влияющих на устойчивость систем и процессов
Стратегическое планирование
Долгосрочное планирование развития логистической сети
Маркетинг
Использование информации о клиентах для продвижения новых продуктов и услуг
Упреждающая логистика
Использование поведения клиентов для краткосрочного планирования спроса и соответствующего распределения продукции
Операционное планирование
Краткосрочная и среднесрочная оптимизация ресурсов и кадров
Краудсорсинг
Использование "случайных" попутных ресурсов для организации доставки
Вычисление нормативов на выполнение технологических операций (перевозка, погрузка, разгрузка, передача, оформление документов)
Построение (прогноз) плана доступных транспортных путей на ближайший период

Источник: https://www.slideshare.net/vardangasparyan/big-data-in-supply-chain-management-big-trouble-or-big-op...
 
Gartner в в августе 2015 года исключил Big Data из числа прорывных технологий (emerging technologies) и удалил ее с графика Hype Cycle.
В исследовании, озаглавленном “The Demise of Big Data, Its Lessons and the State of Things to Come” ("Смерть Больших Данных, извлеченные уроки и ситуация в будущем"), говорится, что это было сделано, чтобы перевести дискуссию о Больших Данных из области спекуляций в практическую плоскость.
С кривой Hype Cycle есть два выхода: первый – это когда технология действительно достигает плато продуктивности и за ней престают следить так пристально – как за повзрослевшим ребенком; второй вариант – это когда технология устаревает так и не достигнув стадии зрелости – умерла, так умерла, своего рода естественный отбор. В Hype Cycle Gartner мониторит около 2000 инновационных технологий, и нет ничего необычного, что каждый год какие-то из них погибают — никто не сочиняет по ним пространных некрологов, как мы наблюдаем в случае с Big Data.
Источник: http://www.globalcio.ru/workshops/1358/
 
Это все (из самого интересного), что мне удалось нарыть. Может у кого то есть наработки (кейсы) по внедрению БД в логистике.
Или от обратного. Если есть возможность, то как бы Вы внедрили БД в свои процессы?
 
То, что я вижу как варианты:
1 Перебор наиболее оптимальных вариантов размещения товара
2 Планирование наиболее оптимальных маршрутов обхода склада
3 Ресурсное планирование персонала для сборки \ приемки
 
Цитата
Nikitich написал:
То, что я вижу как варианты:
1 Перебор наиболее оптимальных вариантов размещения товара
2 Планирование наиболее оптимальных маршрутов обхода склада
3 Ресурсное планирование персонала для сборки \ приемки
3. Этот вопрос меня тоже интересует, но чуть в более расширенной постановке - не только "сборка/приемка" - а вопрос перераспределения (для начала) человеческих ресурсов по участкам обработки товаропотока (а их может быть до 10 участков) с целью оптимизации (если на маркировке работы всего на 2 сотрудников, которые способны выполнить требуемый объем к требуемому времени (как это оценить?) то третий сотрудник (по завершению своего кванта работы) перенаправляется на тот участок, где не хватает ресурса). С учетом того, что на разных участках разные измеряемые/вычисляемые параметры, плюс постоянно меняющаяся ситуация на складе - все это должно обсчитываться достаточно оперативно (ну хотя бы раз в 5 минут) и (в глубокой математике не силен) достаточно трудоемкая оптимизационная задача. Так что - бооольшие сомнения

2. Такое планирование должно обсчитываться очень быстро, так как задание построенное по порядку обхода "бегунок" получает как правило не заранее спланированное, а планируется в тот момент, когда выдается ему из перечня ожидаемых ячеек-отборов спланированных заранее. Плюс к этому - ситуация меняется постоянно. так что - имеет ли это смысл? подавляющее большинство складов имеет линейную структуру, где маршрут вполне нормально задается "порядком обхода" у ячеек. Может быть разве что как-то учесть связность проходов-рядов через пожарные проходы. Да и то это мне кажется излишествами.

Прикладной алгоритм одного из возможных решений публиковался в журнале "Логистика".

1. Это мне кажется наиболее востребованной задачей. С учетом кучи разных памаетров (ABC, вместимости ячеек, ВГХ товаров, совместимости товаров, настроек разрешений размещений итд - тоже какая-то оптимизация. Но, по моему опыту это решается вполне успешно в текущих нормальных WMS/
 
Ресурсное планирование - начальники складов часто спрашивают. Но работающих на автомате вариантов - я не видел... Обычно (?) ограничивается расчетом на основе статистики что "если будем работать с такой же скоростью как последние 3 часа то успеем/не успеем".

Еще хороший вариант на основе статистики и ее регрессионого анализа был в докладе Д.Перова на складских конференциях.
 
ну и следует учесть, что решение вышеобозначенных задач должно кем-то оплачиваться. в рамках проекта автоматизации какого-либо склада - практически нереально. Значит, вне рамок проектов - это тоже имхо нереально.

Остается - из спортивного интереса/хобби.

ну и учитывать что частное решение - оно не воспроизводимо и поэтому для "промышленного" использования интереса представляет мало.
 
Мой мелкий опыт показывает - что решение этих задач является далеко не первоочереднйо задачей, а скорее - где-то в хвосте. Когда уже "все остальное" хорошо и делать больше нечего... ;-) Но я такого - не видел. Все застревает гораздо раньше чем возникает реальная потребность в речешении этих задач.

По моим грубым оценкам - эффективность не сильно скакнет даже если эти задачи решить.

опять же мой мелкий опыт показывает что 80% проблем при автоматизации складов (в моем случае) снимаются при приложении незначительных усилий со стороны автоматизаторов/заинтересованных лиц... большинству складов - этого хватает за глаза. К более продвинутой идеологии работы они попросту неготовы.
 
2 СергейК
Поэтому я и писал, что "Если есть возможность, то как бы Вы внедрили БД в свои процессы?"
Это как в пустом трамвае. Когда входишь и начинаешь перебирать места.
То одно кажется привлекательным, то другое, но надо остановиться на чем то.
Так и с этой задачей. Вроде и для пилота есть возможность поюзать, но
все задачи или кажутся слишком мелкими, или сверх-масштабными.

Была еще такая идея - вывести "портрет" сотрудника для каждого типа отбора.
Для облегчения работы HR. Формат такой - смотрим на статистику работы
персонала, смотрим на его производительность, смотрим на данные, которые
есть в системе (возвраст, пол...) и выводим некую зависимость.
 
А по маршруту обхода, все сложно. На складах с динамическим размещением и не регулярным спросом, когда нет возможности выстроить товар "от тяжелого к легкому", может и сработала бы система... Как вариант на статистике продаж предугадывать куда лучше переместить товар или как обойти склад с меньшими потерями времени.
 
Мне еще одну тему рассказали, может тоже слышали. Про Амазон. Что они товар размещают одновременно в нескольких локациях. ЧТобы система при резервировании искала комбинации с минимальным расстоянием друг от друга. Например, заказал клиент Пасту и Книгу. Система проверила в какой локации они находятся рядом и резервирует товар. Не слышали о таком?
 
У нас есть опыт внедрения Big Data в логистике в области агрегации и дальнейшей автоматизированной обработки рыночных цен на грузоперевозки.
В результате мы создали инструмент ""Помощник формирования цены"", позволяющий отслеживать min, max и среднюю ставку на перевозки автомобильным транспортом в разрезе направлений, типов кузова и тоннажа.

https://ai.traffic.online/ratemate/

Данные обновляются каждый день.
Страницы: 1
Читают тему

Рекламный блок

В поисках легких путей: как маркетплейсы становятся ловушками для мелких предпринимателей Власти Подмосковья утвердили стандарт временного жилья для мигрантов Подстроились под рынок: что драйвит рынок логистики Скорость и прозрачность: как изменился рынок доставки в маркетплейсы