Acronis
facebook LinkedIN LinkedIN - follow
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
Partneři webu
Compas automatizace
IT SYSTEMS 1-2/2020 , AI a Business Intelligence , Logistika

Business Intelligence v logistice

Přemysl Horáček


Taste MedioSběr dat, jejich následná integrace, analýza a přetavení do podoby byznysově využitelných informací označujeme už řadu let termínem Business Intelligence. BI dokáže zlepšit fungování firmy v mnoha oblastech a s trochou nadsázky se dá říct, že kdekoliv jsou data, má BI potenciál posunout firmu vstříc většímu zisku. V některých oblastech, typicky např. v marketingu, již mají podniky s využitím BI mnoho zkušeností. Jinde ovšem BI stále teprve hledá cestu k uplatnění.

RedHat

BI začíná většina firem implementovat v oblasti marketingu. Důvody jsou pochopitelné – v marketingu se pohybuje obrovské množství dat (obzvláště v online marketingu), implementace BI je zde relativně snadná a marketingem protéká spousta peněz, což znamená, že i optimalizace v řádu jednotek procent může firmě hodně ušetřit. To logicky vede i k velmi rychlé návratnosti investic. Stačí „vypnout“ kampaně, které díky BI vyhodnotíme jako neefektivní.

Stejně tak se ale dají využít BI řešení například v optimalizaci výroby. Dejme tomu, že máte výrobní linku, která neustále zaznamenává všechny aktivity, a vzniklá data využijete k analýze a následné optimalizaci výroby. I to je cesta k větší efektivitě, ale oproti třeba zmíněnému marketingu se výrobní procesy zdaleka nedají změnit v tak krátkém časovém horizontu.

V tomto článku se zaměřím na to, jak může BI pomoci v logistice a příbuzných oblastech. Nebudu se zabývat typizovaným BI řešením, jako je například vybírání optimální trasy při rozvozu určitého počtu produktů. Na tyto standardní úlohy existují specializované programy. Místo toho se zaměřím na otázky, které se v obecnější rovině týkají sledování a vyhodnocování nákladů a výnosů z dopravy zboží.

V dnešní době je totiž mnohem jednodušší než kdy dříve hledat v logistice úspory. Firmy totiž využívají všechna data v co nejvyšší granularitě, což jim lépe umožňuje odhalit nedostatky v co nejkratším časovém horizontu od jejich vzniku. Kromě toho se také v pokročilejším stadiu mohou věnovat hypotetickým otázkám „Co kdybychom…?“ a hledat na ně odpovědi pomocí dat.

Přínos BI v logistice lze ukázat na příkladu středně velké firmy, která prodává zboží v několika kamenných pobočkách. Zboží prodané prostřednictvím e-shopu doručuje svým zákazníkům přes různé dopravce a produkty skladuje v pár skladech po republice. Logisticky vzato tato firma řeší dva základní procesy, které by ráda optimalizovala:

  • Dopravu ze skladu ke koncovému spotřebiteli,
  • přesuny zboží mezi jednotlivými sklady, případně prodejnami.

Doprava k zákazníkům

V prvním případě jsou klíčové především náklady (kolik firma platí přepravním společnostem za konkrétní balíky) a výnosy z dopravy (kolik zákazníci zaplatili za dopravu zakoupeného zboží). Tato data je třeba sledovat co nejpodrobněji, což znamená na úroveň konkrétního zákazníka, objednávky a ideálně i čísla zásilky.

Data se obvykle musí propojit z několika zdrojů, přičemž nejdůležitějšími jsou fakturační systém a podrobný výpis balíků od přepravce. Problém je v tom, že fakturace mezi firmou a přepravcem probíhá typicky jednou za měsíc, a tím pádem určitou dobu nejsou k dispozici přesné náklady spojené s dopravou. To můžete obejít tím, že náklady spojené s dopravou odhadnete. A to tak, že vezmete data o objednaném produktu (rozměry, hmotnost, doprava) a náklady přiřadíte z oficiálního ceníku nebo na základě historické zkušenosti. Jakmile budete mít k dispozici finální částky od přepravní služby, nahradíte tyto dohady v datech skutečnými hodnotami. Díky tomu máte neustále k dispozici aktuální data o nákladech na dopravu pro jednotlivé zákazníky, objednávky a balíky.

U výnosů z dopravy je situace ještě jednodušší, protože ceny, které účtujete zákazníkům za dopravu, jsou dané a neměnné. Proto můžete hned vidět, kolik jste na dané objednávce vydělali nebo prodělali, pokud jde o dopravu.

Velmi obohacující jsou pak data o marži – ve finále vás totiž zajímá, kolik jste reálně na konkrétní objednávce vydělali. K tomuto číslu se dostanete tak, že od součtu marže a výnosu z dopravy odečtete další náklady spojené s objednávkou (náklady na marketing apod.). Patří sem také výnosy a náklady ze zvolené platby (dobírky, platby kartou atp.). Tyto jednotlivé střípky v součtu podají přesná finanční čísla na úrovni jednotlivých objednávek.

Kromě toho, že získáte celkový přehled o penězích, můžete si pomocí těchto dat začít odpovídat na mnoho dalších otázek. Kdy se vyplatí poskytovat dopravu zdarma? Jak často mají balíky nestandardní rozměry? Nejsou tyto rozměry spojené s konkrétními produktovými kategoriemi? Měla by tam tím pádem být výjimka na dopravu zdarma? Který přepravce nejčastěji doveze zboží poškozené? V jakém momentě by se vám vyplatilo řešit si dopravu vlastními prostředky?

Interní přesuny zboží

Často se stává, že se konkrétní produkt v jedné kamenné prodejně vyprodá, zatímco v jiné prodejně přebývá. Vyvstává zde pak otázka, zda by se nevyplatilo poslat některé kusy na tu prodejnu, kde produkt aktuálně chybí. Odpověď na tyto otázky hledejte znovu v datech.

Stejně jako v předchozím případě musíte spočítat, kolik by vás přeprava z jedné prodejny do druhé stála, a výsledek následně porovnat s očekávaným výnosem z prodeje. Nelze však očekávat, že se všechno převezené zboží ihned prodá. Proto je namístě v rámci implementace BI sestavit model, který predikuje očekávané množství prodaných kusů na příští období.

Kombinací těchto dat o nákladech a očekávaných výnosech pak můžete hledat optimální počet kusů, které se vám vyplatí přepravit. Nastavení tohoto modelu není jednoduché, avšak jakmile se správně nastaví, je schopen automaticky generovat nejefektivnější řešení. Mějte ale na paměti, že do hry zde vstupuje statistika, která vždy vyžaduje dostatečné množství dat, aby mohla fungovat správně.

Konkrétní případ – konkrétní požadavky

V naší firmě aktuálně řešíme klienta, který má po republice několik kamenných poboček, skladů, a především velký e-shop, ze kterého jde většina obratu. Mimo Českou republiku prodává i do Německa a na Slovensko. Firma řeší jak dopravu ke koncovým spotřebitelům, tak mezi vlastními sklady a prodejnami, a jednotlivými zeměmi. S tím samozřejmě souvisí to, že mají v různých zemích různé dopravce, a především finanční data v různých měnách. Jakmile chtějí data mezi sebou porovnávat, nevyhnou se měnovým kurzům, které vždy datový model přece jen trochu zkomplikují. Logistika je tak zásadní nákladovou položkou a optimalizace pomocí BI může firmě přinést velké úspory.

Hlavním cílem implementace BI u tohoto klienta je rozklíčování všech finančních toků napříč celou firmou (výnosy a náklady). Firma prodává produkty z několika produktových kategorií, přičemž každá má svého top manažera. Aktuálně jsou logistická data v této firmě nastavena tak, že náklady a výnosy z dopravy nejsou žádným způsobem rozpočítávány do jednotlivých oddělení firmy.

Jednoduchý příklad: Zákazník si objedná v e-shopu jeden produkt z kategorie X a druhý produkt z kategorie Y a zaplatí celkové poštovné 100 korun. Těchto 100 korun by v ideálním případě mělo být možné pomocí nějakého pravidla rozdělit jako výnos z dopravy do čísel oddělení X a Y. Například 60 korun jde do čísel výnosů z dopravy oddělení X a 40 korun do oddělení Y. Stejným způsobem se pak musí rozdělit i reálné náklady na dopravu. Dejme tomu, že naše firma zaplatí třeba České poště 40 korun za přepravu balíčku s produktem z kategorie X a 70 korun za přepravu balíčku z kategorie Y. V tom případě je oddělení X 20 korun v plusu, naopak oddělení Y 30 korun v minusu. V tuto chvíli má ale firma reálně k dispozici pouze agregovaná čísla, a není tak schopna rozklíčovat, jaké náklady a výnosy z dopravy patří jakému oddělení. Co se týče nastavení způsobu rozdělování výnosů z dopravy do jednotlivých oddělení, můžou být jako váhy použity například tržby nebo přímo marže. To znamená, že pokud si někdo objedná třeba boty za 900 korun a ponožky za 100 korun, celkové výnosy z dopravy (100 korun) rozdělíme v poměru 90 korun : 10 korun (v případě, že jako váhy použijeme tržbu).

Vyhodnocování všech těchto dat probíhá ve vizualizačním nástroji (PowerBI, Tableau, GoodData apod.), kde mohou analytici za pomoci šikovných vizuálů a tabulek následně dělat ta správná rozhodnutí. Výsledkem nemusí být pouze pěkné grafy, ale především různé datové exporty, které se mohou nahrávat přímo do dalších systémů (skladových, fakturačních či jiných), kde se na základě dat mohou automatizovaně spouštět další procesy. To ve výsledku vede k eliminaci lidských chyb, úspoře času zaměstnanců a samozřejmě i lepším finančním výsledkům.

Přemysl Horáček Přemysl Horáček
Autor článku je Senior BI Specialist ve společnosti Taste Medio.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.